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
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
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
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
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
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
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
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。
