垃圾分类技术的新视野

垃圾自动分类是一种基于 AI 技术的环境保护和资源回收的创新方法。该系统通过使用视觉识别和机器学习算法,能够自动辨别和分类不同种类的垃圾,例如可回收物、有害垃圾、湿垃圾和干垃圾。

垃圾自动分类系统通常采用计算机视觉技术,通过摄像头或传感器获取垃圾图像,然后利用深度学习模型对这些图像进行分析和分类。训练模型的过程包括大量的垃圾图像数据集,以便系统能够学习和识别各种不同类型的垃圾。

本文将介绍一系列数据集,涵盖了生活垃圾、口罩垃圾、水下垃圾和野外垃圾等四大类别。这些资源有助于研究者和开发者深入研究垃圾分类技术,为环境检测和城市治理提供了关键的技术支持,为构建更智慧、可持续的城市环境做出积极贡献。

生活垃圾

Garbage Classification (12 classes)

该数据集是生活垃圾分类数据集,共 15150 张图片,分 12 个类:paper, cardboard, biological, metal, plastic, green-glass, brown-glass, white-glass, clothes, shoes, batteries, and trash。

下载地址:https://www.kaggle.com/datasets/mostafaabla/garbage-classification

垃圾分类技术的新视野_第1张图片

Trashnet

Trashnet 是一个较小众的生活垃圾分类数据集,共 2527 张图片,分为 6 大类:glass(501)、 paper(594) 、cardboard(403)、plastic(482)、 metal(410)、trash( 137)。

项目链接:https://github.com/garythung/trashnet

垃圾分类技术的新视野_第2张图片

AquaTrash

AquaTrash 垃圾识别数据集包含 369 张垃圾图像,分为 4 个类别:glass,paper,metal,plastic。其中每张图片都是手动标注,以便准确检测,总共有 470 个边界框。

项目链接:https://github.com/Harsh9524/AquaTrash

论文链接:https://www.sciencedirect.com/science/article/pii/S2666016420300244?via%3Dihub

论文名称:AquaVision: Automating the detection of waste in water bodies using deep transfer learning

垃圾分类技术的新视野_第3张图片

Domestic Trash / Garbage Dataset

该数据集由印度 DataCluster 实验室收集,超 2000  位众包贡献者在 500 多个城市中采集了 9000 多张常见垃圾图片,包括白天、夜晚、不同距离、不同视点等各种条件下的场景,其中99.9% 图像高清及以上(1920x1080 及以上)。

用途:垃圾检测、物料分类、垃圾分拣、废物分离等。

下载地址:https://www.kaggle.com/datasets/dataclusterlabs/domestic-trash-garbage-dataset

垃圾分类技术的新视野_第4张图片

口罩垃圾

Masks Dataset | Unattended Mask Images

DataCluster 实验还收集一个口罩垃圾数据集(Masks Dataset | Unattended Mask Images),超 1200  位众包贡献者在 900 多个城市中采集了 7000 多张常见垃圾图片,包括白天、夜晚、不同距离、不同视点等各种条件下的场景,其中99.9% 图像高清及以上(1920x1080 及以上)。 

用途:Mask detection, Mask segregation, Trash Mask detection, etc.

下载地址:https://www.kaggle.com/datasets/dataclusterlabs/masks-dataset

垃圾分类技术的新视野_第5张图片

水下垃圾

Trash-ICRA19

该数据集共 5700 张图片。

论文标题:Trash-ICRA19: A Bounding Box Labeled Dataset of Underwater Trash

下载地址:https://conservancy.umn.edu/handle/11299/214366

垃圾分类技术的新视野_第6张图片

野外垃圾

TACO

TACO 是一个不断扩充的野外垃圾图像数据集,包含在树林、道路和海滩等不同环境下拍摄的垃圾图像。

论文标题:TACO: Trash Annotations in Context for Litter Detection

论文链接:https://arxiv.org/abs/2003.06975

项目链接:https://github.com/pedropro/TACO

下载地址:https://www.kaggle.com/datasets/kneroma/tacotrashdataset/data

垃圾分类技术的新视野_第7张图片


GPU 算力在垃圾分类技术的创新和应用中扮演着至关重要的角色。深度学习模型的训练过程对于大规模计算资源的需求极大,而 GPU 卓越的并行计算能力显著加速了这一过程,极大提升了模型性能和训练效率。

作为业界领先的算力服务提供商,趋动云为多媒体领域的研究者和开发者创新提供了多方面的优势。其算力灵活且成本可控,同时具备可扩展的存储方案。此外,趋动云还提供了丰富多样的数据集资源,例如本文所谈的垃圾分类相关数据集VOC水面漂浮垃圾数据集spotgarbage-GINI等等,为研究和开发提供了全方位的支持。通过这些优势,趋动云助力垃圾分类技术的进步,为构建更智能和高效的解决方案提供了强有力的支持。

垃圾分类技术的新视野_第8张图片

你可能感兴趣的:(分类,人工智能,gpu)