垃圾分类这件事做起来比想象中复杂得多。我一直觉得回收物里的“瓶瓶罐罐”应该是最容易分的真上手做了一个自动分类识别项目之后才意识到玻璃瓶和陶瓷片在镜头下有多像亚克力板和塑料盖混在一起时连人都容易看走眼。这个项目我用的是YOLOv10n加P2检测层的组合目标就是在低成本设备上实现可回收物的实时分类识别。整套方案跑下来识别速度和精度都达到了可用的状态这篇文章把我从数据准备、模型选型到训练部署的完整过程以及踩过的几个比较深的坑一次性整理出来希望对正在做垃圾分类视觉方案的同行有点帮助。这个项目适合谁参考如果你是做边缘设备上的目标检测或者正在搭智能回收箱、垃圾分类演示系统再或者只是对YOLO系列模型如何加P2层感兴趣这篇内容都值得看一看。我会把整个决策过程讲清楚而不只是贴一段训练命令毕竟知道为什么这么选比会敲代码重要得多。1. 整体设计与思路拆解1.1 为什么选YOLOv10n而不是YOLOv8或YOLOv5我最早其实是从YOLOv5起步的那套生态太成熟了网上资料一抓一大把。但真正放到垃圾分类这个场景里有几个问题让我不得不换方向。首先是部署环境智能回收箱里面用的基本是低功耗的嵌入式板子算力有限YOLOv5s跑起来虽然能到实时但留给其他业务逻辑的算力就不够了。第二是后处理流程YOLOv5和v8都需要非极大值抑制这在代码层面不难写但在设备上多一步处理延迟就高一点而且NMS的参数还需要单独调偶尔还会出现同一个瓶子被两个框同时框住的情况。YOLOv10在这个场景下的优势非常直接它的核心卖点是无NMS推理训练的时候用了一致双分配策略让模型在推理阶段可以省掉NMS这个过程直接输出最终检测结果。我在实际测试中发现同样的输入分辨率下YOLOv10n的推理延迟比YOLOv8n低了大概20%这个差距在边缘设备上很可观。另一个让我坚定的理由是YOLOv10的端到端特性。以前做嵌入式部署导出到TensorRT或者ONNX之后为了把NMS算子塞进去经常要折腾半天。YOLOv10直接省掉这一步导出模型就简单很多我后面甚至会专门讲这个过程。选nano版本也是经过考量的。很多人有个误区觉得模型越大精度越高就无脑往上冲。但可回收物分类这个任务类别之间的差异总体来说是比较明显的瓶子的形状、玻璃的质感、纸箱的纹理这些特征用一个小模型其实就能学到。我用YOLOv10n跑出来的效果和v10s在主力类别上的mAP差距只有1.5个点但参数量从4.5M降到2.3M计算量直接从8.2 GFLOPs降到大约6.7 GFLOPs这个交易我认为非常划算。1.2 P2检测层到底解决了什么问题P2检测层是这次项目里我觉得最关键的一个设计。标准YOLOv10的检测头从P3到P5对应下采样8倍、16倍、32倍的特征图。听起来好像覆盖得挺全的但垃圾分类场景里有很多目标物就是很小比如一袋垃圾里的塑料瓶盖、单独的烟蒂、碎玻璃渣这些目标在原图上可能就二三十个像素经过8倍下采样之后只剩3到4个像素特征基本就丢失了。P2层就是把高分辨率的特征图也接入检测头对应原图的4倍下采样。这样一来小目标在特征图上的尺寸翻了一倍模型能捕捉到的细节多得多。我用同一个数据集在YOLOv10n和YOLOv10n-P2之间做过对比测试加P2之后小目标类别的mAP50提升了接近4个百分点这个幅度在小模型上是非常可观的。当然天下没有免费的午餐。P2检测头意味着模型要多处理一层高分辨率特征图计算量会增加一部分推理延迟也会略微上升。我实测下来YOLOv10n加P2之后参数量从2.3M涨到大概3.1MGPU上的推理时间增加了大约15%CPU上增加得更明显。所以P2不是盲目加的如果你的场景目标物都比较大加P2反而画蛇添足。但可回收物检测这种对细粒度要求高的场景我认为这一层是必须的。1.3 类别的设定与识别策略可回收物的分类标准各地有差异我没有也没有权限直接去对应某地的具体政策而是从通用性的角度出发设定了几个最常见的类别塑料瓶、玻璃瓶、易拉罐铝制品、纸箱/纸壳、还有纺织品。另外我还加了一个其他可回收物作为兜底避免模型遇到没见过的东西时强制做错误分类。在识别策略上有一个细节值得分享。刚开始我用的是单一模型识别所有类别后来发现玻璃瓶和塑料瓶在视觉上确实不好区分——透光性接近颜色也接近。我试着把玻璃瓶单独拆出来用一个小分类器做二次确认效果好了很多。这其实就是目标检测里常用的粗分类加细分类的级联思路虽然增加了一步流程但对生产环境的精度提升很有帮助。不过为了保持方案的可复现性和简洁性最终交付的版本还是单模型多类别识别级联方案作为一个优化分支记录在文档里。2. 数据集准备与增强策略2.1 数据采集与标注的经验做目标检测项目数据永远是第一位的。我在网上找了一些垃圾图像的数据集也自己拍摄补充了很多在回收站常见的真实场景图片。这里有一个经验就是网上的数据集虽然标注规范但背景太干净了都是纯色桌面上的物体特写。现实场景里垃圾桶旁边可能有纸屑杂物光线忽明忽暗甚至有人直接把袋子扔下来把瓶子压得变形。如果你只用公开数据集训练模型在其他环境里表现会明显下降。我自己补充数据时专门跑到回收点拍了三个不同时段的照片上午顺光、中午强光、傍晚暗光。手机拍摄分辨率不用太高但构图一定要贴近真实使用场景。标注的时候用了一种很朴素的策略把所有塑料瓶统一标注为plastic_bottle不区分透明和不透明让模型自己去学这两种形态的共同特征。玻璃瓶同样处理标注为glass_bottle易拉罐统一为aluminum_can纸类为cardboard纺织物为textile还有一类others作为兜底。标注工具用的就是常见的开源标注软件导出格式直接选YOLO的txt格式每个图片对应一个txt文件里面每行是类别id x_center y_center width height坐标全部归一化到0到1之间。这里要特别强调连续标注两三个小时后必须休息一下疲劳状态下画的目标框位置会明显偏移后面处理起来非常麻烦。2.2 易混淆类别的处理技巧垃圾分类识别最难的不是认出这是瓶子而是分辨这是玻璃还是塑料。两者在图像上的区别确实微小尤其是透明玻璃瓶和透明PET塑料瓶肉眼看过去都是细长条状半透明高光位置也接近。我的处理办法是尽量在标注时把这类易混淆样本单独筛出来配合P2层的高分辨率特征让模型有更多的像素纹理信息可以依据——玻璃瓶的瓶口形态和塑料瓶有明显差异瓶底凹槽和壁厚的边缘特征也不同。我还在数据增强环节专门加入了针对性的选项。光照变化模拟用的是HSV增强色相偏移设置得非常小亮度和饱和度做随机扰动模糊增强适量加了一些模拟运动中的抓拍效果。这里有一点要注意类别不平衡的问题在垃圾数据里很常见塑料瓶的样本可能占了40%纺织品只有5%。如果不处理模型会对样本多的类别过拟合。我用最简单的加权采样策略让每个类别的样本在每次epoch中出现的概率尽量均匀效果很不错。2.3 数据划分与验证集设计数据划分这部分我的做法是70%训练、20%验证、10%测试同时保证划分后的数据分布一致。比如玻璃瓶样本不能全落在训练集里验证集和测试集里也必须有这样才能测出模型的真实泛化能力。另外我专门留了一组零样本测试集就是在网上找一些训练时完全没有见过的垃圾图片模拟冷启动场景。这个测试集不进训练流程只用来做最终效果验收。事实证明这一步非常必要模型在验证集上mAP50能到90但零样本测试集上只有78差距很大这才暴露了过拟合问题。精调之后通过增加数据增强强度和降低模型复杂度我成功把零样本测试集上的性能提升到了85以上。这个数字我认为是判断模型能不能真正上线的关键指标而不是只看验证集的漂亮分数。3. 模型训练与核心配置3.1 训练环境与超参数选择训练我用了一台带有一张中等规格GPU的机器。很多人关心显存够不够其实YOLOv10n参数量很小在batch size16、输入分辨率640x640的情况下显存占用也就6GB左右门槛不高。超参数里面最值得讨论的是输入分辨率和epoch数。我试过480、640、800三档分辨率480下面是速度很快但小目标类别的表现明显下降玻璃瓶这类中等尺寸目标倒还好但瓶盖和小碎片直接丢失。640是平衡点识别速度和精度都让人满意。800分辨率确实让mAP又涨了1.5个点但推理耗时增加了接近50%部署到嵌入式设备上实在扛不住最终选了640。epoch数我设置了300轮配合早停机制。YOLOv10官方预训练权重是在COCO数据集上训练的虽然分类类别不一样但底层特征提取能力是共通的所以我没有从零开始训练而是基于预训练权重做迁移学习。迁移学习有个经验初始学习率不要太高不然容易把预训练学好的底层特征破坏掉。我用的是初始学习率0.01带动量0.937权重衰减0.0005训练过程跑得比较稳定。3.2 训练过程中的关键观察训练过程中我习惯盯着几个关键指标看box_loss、cls_loss以及验证集的mAP50和mAP50-95。刚开始的几十个epoch损失下降很快mAP也一路涨这是正常现象。但我发现大概在第180轮开始验证集mAP就基本不再上升了训练损失还在缓慢下降——这就是典型过拟合信号。此时早停机制还没触发因为我设的耐心值是50轮实际上我选择手动在第220轮左右停掉了训练。在P2模型上我观察到过拟合的时间点比标准模型来得更早一些因为P2层的参数量变大对训练数据的拟合能力更强这其实需要配合更强的数据增强一起用。最终保存的最优权重是验证集上表现最好的一轮而不是最后一轮。这是一个很简单但经常被忽略的操作因为后面的训练可能已经在过拟合边缘徘徊了。3.3 与标准YOLOv10n的对比实验结果我在同等条件下训练了两个模型一个标准YOLOv10n一个添加P2检测头的YOLOv10n-P2其他配置完全一致方便做对照。模型参数量GFLOPsmAP50mAP50-95小目标mAP50YOLOv10n2.3M6.788.263.561.3YOLOv10n-P23.1M8.990.166.865.2表格里的小目标mAP50是单独统计瓶盖、碎片这类小尺寸物体算出来的指标。可以清晰看到P2层带来最大的收益就在小目标这一项上提升了接近4个点。总mAP50的提升是1.9个点看起来不算大但考虑到这已经是90左右的水平每一分的提升都来之不易。速度方面GPU推理时间从5.6ms增加到6.5ms这个代价换4个点的小目标精度我认为值得。4. 模型导出与部署实践4.1 从训练权重到ONNX导出的避坑记录训练完成后部署的第一步是把PyTorch权重导出为ONNX格式这一步理论上很简单但我在实际操作中踩了一个不小的坑。因为我用的是带P2结构的自定义配置导出时如果参数设置不对会报错提示检测头维度匹配不上后来排查发现是导出时的opset版本太低导致的。我最终选择的opset是12以上同时把dynamic输入打开让模型可以接受动态尺寸的输入。这里有一个权衡要讲清楚动态输入意味着部署端可以传入任意分辨率的图片灵活性高但推理速度会比固定尺寸略慢。我建议部署时先用动态尺寸导出验证效果后再固定到640x640这样性能最优。导出命令的要点就是输入节点的命名要固定后面在推理代码里要用同一个名字来填数据。如果这一步搞错了部署端的tensor维度就会完全对不上你会看到一片乱码的输出。4.2 边缘设备上的推理优化在CPU设备上做推理优化时YOLOv10无NMS的特性帮了大忙。标准YOLO在ONNX Runtime下除了跑主干网络之外还要额外处理NMS节点这部分在CPU上很耗时经常要占整个推理时间的30%。YOLOv10直接输出解码后的结果虽然官方说不需要NMS但为了保险起见我仍然在部署端保留了一个简单的置信度过滤和重叠框合并逻辑只是这个逻辑比传统NMS简单得多计算量可以忽略不计。我还测试了OpenVINO、TensorRT等多种推理后端。TensorRT的加速效果确实最好但转换过程比较繁琐需要校准数据OpenVINO则胜在部署简单只需要把ONNX文件直接导入不需要额外校准。如果你的目标设备是Intel平台我推荐直接用OpenVINO如果是ARM架构的板子ONNX Runtime的CPU版本加上合理线程数配置就能有不错的表现。线程数这个参数很多人不重视默认值在边缘设备上往往不是最优的。我实测单核和多核的效果差异很显著多核模式下延迟降到单核的60%左右但功耗也会上升需要根据设备散热条件取舍。4.3 整个识别流程的串接部署端的整个识别流程我分成三步图像预处理、模型推理、后处理。预处理这一步需要保持和训练时一致的预处理方式我用的是Letterbox加灰度填充将原始图像等比缩放到640x640多余部分用灰色填充。这里有个容易被忽视的点就是填充颜色必须和训练时一致。我见过有人训练时用白色填充推理时用黑色填充导致检测精度骤降。推理输出是一个维度为1x84x8400的tensor其中84是4个框坐标加80个COCO类别的概率8400是预设锚框的数量。因为我的自定义模型类别数是6实际输出维度会变成1x10x8400后面处理时要注意调整。解码之后对置信度低于0.25的框直接删除然后按类别聚合处理输出最终结果。这一步我建议加一个简单的消抖逻辑。因为摄像头在连续帧中检测同一个瓶子时框的位置会轻微抖动输出给机械臂或者舵机的抓取坐标就会不稳定。我对检测框的坐标做滑动平均连续3帧的坐标取平均输出抓取准确率明显提升。5. 识别效果与性能分析5.1 各类别的识别表现差异模型训练完之后我统计了每个类别的单独表现这比看整体的mAP要直观得多。塑料瓶和易拉罐这两个类别效果最好准确率都在93%以上这是因为这两个类别样本量大、形态也比较统一塑料瓶有瓶口、瓶身、瓶底的固定结构易拉罐有拉环和金属反光的独特特征模型学起来很轻松。纸箱和纺织物属于中等难度纸箱的麻烦在于形态多变压扁的和立体的完全是两种样子模型偶尔会把压扁的纸箱和废纸混在一起。纺织物的难点在纹理丰富程度毛衣和T恤的纹理差异很大模型对光滑面料和粗糙面料的响应不一样我补充了很多不同材质织物样本后准确率才逐渐上来。最难的还是玻璃瓶尤其是透明玻璃瓶在灰色背景下的表现不太稳定。我检查了一些失败样本发现模型会把带有绿色调的玻璃瓶误判为塑料瓶问题出在训练数据里绿色塑料瓶样本太多模型形成了绿色塑料的错误关联。这个问题的解决方法是往玻璃类别里补充带有淡绿色调的样本同时增加绿色塑料瓶的标注准确性双管齐下才把混淆率压下去。5.2 光照与拍摄角度的影响测试部署到实际场景之前我在一个模拟回收装置的环境里做了专门的压力测试。测试环境的光照用的是常见白光灯角度从正面照和侧上方照两种我发现在侧上方光照下所有类别的识别准确率都有所下降约2到3个点。原因在于强光在玻璃瓶表面形成大面积高光区域把瓶子本身的纹理信息遮盖掉了。应对策略是从算法层面和数据层面同时下手。数据层面我在训练数据增强中增加了随机高光模拟让模型适应局部过曝算法层面我调整了预处理时的曝光补偿在推理前先做一次直方图均衡化。这两步叠加后来看侧光条件下的准确率下降从3个点控制到了1个点以内。5.3 吞吐量与实时性评估对部署在回收装备上的系统来说实时性是最硬的指标。我的设备上最终实现的单帧推理时间是145毫秒加上预处理和后处理整体单帧流程在180毫秒左右换算下来每秒处理5.5帧左右。对一个需要抓取物品的机械臂来说这个速度已经够用了。在连续运行测试中模型在1600多帧图像上的平均检测置信度稳定在0.72附近没有出现大幅波动内存占用也保持稳定长时间运行没有明显泄漏。CPU温度在长时间满负荷运行后处于可接受范围不需要额外加散热器就能稳住。我觉得这个方案在算力要求上已经比动辄需要高性能独立显卡的方案实用得多普通性能级别的嵌入式设备就能带起来。6. 常见问题与排查技巧实录6.1 训练阶段的典型报错与解法问题现象原因分析解决方案训练开始后Loss一直是NaN学习率设置过高导致梯度爆炸调低初始学习率加上梯度裁剪验证阶段没有检测框输出导出或加载配置时类别数设置错误检查数据配置文件的类别数与模型头维度一致小目标类别mAP始终不过60输入分辨率太低或缺少P2层提升输入到640启用P2检测头推理时输出维度错乱ONNX导出时opset版本过低或动态轴未正确设置使用opset 12以上配合Nchw输入格式CPU推理速度远低于预期线程数配置不当或模型长时间没有做算子融合手动设置线程数使用OpenVINO执行推理这些坑里面我最想强调的还是配置文件的类别数问题。项目中途改过一次类别把5类变成6类但是训练脚本里有个旧缓存没有清掉导致模型一直按5类来创建检测头训练出来的模型输出维度不匹配部署时怎么都跑不通。清理缓存文件之后重新训练问题立刻解决。6.2 数据不平衡导致的偏向问题垃圾分类的数据天生是不平衡的塑料瓶太多纺织品太少。如果直接把原始数据丢给模型训练模型对纺织品的召回率会非常低因为它在训练过程中见到纺织品的次数太少了。我开始也经历过这个问题验证集上塑料瓶的准确率已经到95%了纺织品只有68%。我采取的措施是通用的过采样方案把纺织品样本做复制和增强后再放入训练集同时降低了塑料瓶样本的采样权重。这样一来模型不会对塑料瓶过度偏向整体的类别均衡性有所改善。需要提醒的是过采样要适度同一样本重复太多次会造成对特定图像的过拟合。我的经验是重复次数不要超过3次配合其他增强方式一起用效果更可控。6.3 部署环境的意外问题在方案交付前我还在两套不同配置的设备上做过迁移部署测试发现同一个ONNX文件在不同设备上的推理速度差异能达到3倍。原因不只是硬件算力不同还包括内存带宽和缓存大小的差异。这件事给我最大的教训是性能评估一定要在目标硬件上做不要在开发机上跑完就给出结论。另外还有一个很细节的问题摄像头的自动白平衡会影响输入的色偏。回收箱里既有自然光又有灯光摄像头会在不同色温之间自动调整导致同一种瓶子在不同时刻拍出来的颜色不一样。处理方式是固定摄像头的自动参数同时保证曝光时间和增益不要自动变化尽量让输入图像的色彩稳定。这虽然是一个图像采集端的调整但对识别精度的影响非常大。7. 一些心得与后续改进方向这个项目让我最深刻的体会是用YOLOv10n这样的轻量级模型加上P2检测层来提升小目标能力确实是一条很适合垃圾分类场景的技术路线。它兼顾了精度和速度让部署到中低端设备成为可能同时YOLOv10端到端免NMS的特性又让部署环节省了很多事情。如果后续要继续迭代我第一个想做的事情是尝试更精准的类别粒度比如把现在的塑料瓶拆分成透明塑料瓶和不透明塑料瓶把纸类再分成瓦楞纸和办公纸细分之后对下游的回收价值评估会更有意义。第二个方向是把检测和分类解耦用一个检测模型定位所有可疑垃圾区域再针对每个区域使用更高精度的分类模型来识别具体类别这样可以把玻璃和塑料的混淆问题再压一压。还有一个可以探索的方向是加入深度信息如果用双摄或者深度传感器辅助检测瓶子的立体形状会让分类准确率进一步提升不过这个对硬件成本的影响也需要评估。