博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2025年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2025年选题大全 深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

1、项目介绍

技术栈：
Python语言、YOLOv8模型、深度学习、PyQt5界面、保存数据、导出数据

2、项目界面

3、项目说明

摘要
随着环保意识的提升和垃圾分类政策的推行，垃圾分类成为社会发展的重要方向。然而，许多垃圾分类系统仍然依赖人工分类，效率低、精度差，且难以应对多样化和复杂的垃圾类型。传统方法无法满足高效、准确分类的需求，尤其是在大规模的垃圾处理场所。
本系统采用深度学习中的YOLOv8算法，结合PyQt5框架，设计了一个简约且高效的垃圾分类平台。系统前端使用PyQt5开发用户界面，支持视频和图片文件的垃圾检测；后端通过YOLOv8模型对垃圾进行实时检测与分类。数据库采用本地存储数据，用户可查看分类结果，并导出相应的检测数据。系统能够准确检测并分类多种垃圾类型，包括可回收物、厨余垃圾、有害垃圾和其他垃圾。系统支持多目标实时检测，且允许用户选择感兴趣的目标进行分类。
关键词：Python；深度学习； YOLOv8；垃圾分类；PyQt5

1. 可回收物：

   • 电源银行（Power bank）
   • 袋子（Bag）
   • 化妆品用品（Toiletries）
   • 塑料玩具（Plastic toys）
   • 塑料餐具（Plastic dishes）
   • 塑料衣架（Plastic hangers）
   • 玻璃餐具（Glass dishes）
   • 金属餐具（Metal dishes）
   • 快递袋（Express delivery bag）
   • 插头和电线（Plug and wire）
   • 旧衣服（Old clothes）
   • 铝罐（Aluminum can）
   • 枕头（Pillow）
   • 毛绒玩具（Plush toy）
   • 鞋子（Shoes）
   • 切菜板（Cutting board）
   • 纸板盒子（Cardboard box）
   • 调料瓶（Seasoning bottle）
   • 酒瓶（Wine bottle）
   • 金属食品罐（Metal food cans）
   • 金属厨具（Metal kitchenware）
   • 锅（Pot）
   • 食用油桶（Edible oil barrel）
   • 饮料瓶（Beverage bottle）
   • 书纸（Book paper）
   • 垃圾桶（Trash bin）
   • 塑料厨具（Plastic kitchenware）
   • 毛巾（Towel）
   • 纸袋（Paper bag）
   • 饮料纸盒（Beverage carton）

2. 厨余垃圾：

   • 剩饭剩菜（Leftover food）
   • 大骨头（Large bone）
   • 水果皮和果肉（Fruit peel and flesh）
   • 茶渣（Tea residue）
   • 蔬菜茎叶（Vegetable stalks and leaves）
   • 蛋壳（Eggshell）
   • 鱼骨（Fish bones）

3. 有害垃圾：

   • 干电池（Dry battery）
   • 药膏（Ointment）
   • 过期药物（Expired medicine）

4. 其他垃圾：

   • 快餐盒（Fast food container）
   • 受污染的塑料（Contaminated plastic）
   • 烟蒂（Cigarette butt）
   • 牙签（Toothpick）
   • 花盆（Flower pot）
   • 陶瓷餐具（Ceramic dishes）
   • 筷子（Chopsticks）
   • 受污染的纸张（Contaminated paper）

4、核心代码

from ultralytics import YOLO
# 1. 加载预训练模型
model = YOLO("yolov8n.pt")  # 加载YOLOv8预训练模型
# 2. 准备数据集并开始训练
# coco128.yaml 是自定义的数据集配置文件，包含了垃圾分类的标注信息
model.train(data="coco128.yaml", epochs=3)  # 在数据集上训练模型
# 3. 验证模型效果
metrics = model.val()  # 在验证集上评估模型性能
# 4. 对新图像进行预测
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行垃圾分类预测
# 5. 导出训练好的模型为ONNX格式
success = model.export(format="onnx")  # 将模型导出为ONNX格式，便于部署

训练过程解释：
- `YOLO("yolov8n.pt")`：加载YOLOv8的预训练权重模型。这是基于YOLOv8的“nano”模型，如果需要更高精度，可以选择更大的模型。
- `model.train(data="coco128.yaml", epochs=3)`：指定数据集配置文件（`coco128.yaml`），并设置训练的轮数为3。实际应用中可能需要更多轮数以达到更高精度。
- `model.val()`：对训练后的模型进行验证，评估其在验证集上的表现，输出的`metrics`包含准确率、精度等指标。
- `model.export(format="onnx")`：将训练好的模型导出为ONNX格式，这样可以在其他平台或设备上使用。

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻