本项目是一个前后端分离的垃圾分类识别平台，基于 YOLOv5 分类模型，提供完整的用户体系、管理员后台、日志与统计、历史记录管理以及模型训练与迭代流程。适用于毕业设计、科研验证与工程化落地。
该系统围绕"垃圾图像上传 → YOLOv5 识别 → 分类结果展示 → 记录与管理"的完整链路构建，覆盖了从模型训练到业务落地的主要环节：
- 模型层：基于 YOLOv5x-cls 图像分类架构，支持 265 个细分类别（映射到可回收、有害、厨余、其他四大类）。模型采用 448×448 输入、ImageNet 归一化预处理、Softmax 概率输出，推理时支持自动选择 CUDA / MPS / CPU 设备，GPU 模式下启用 FP16 半精度加速。实时检测模式还引入滑动窗口帧平均策略，抑制单帧抖动，提升稳定性。权重文件位于
garbage265_hierarchical/weights/best.pt。 - 服务层：Flask 后端提供 REST API，承担身份认证、检测调用、记录管理、日志审计等核心逻辑。
- 交互层：Vue 3 前端提供用户端与管理员端界面，包含识别、历史、资料修改、管理后台等功能。
系统既适合作为"AI+业务"的工程实践，也可作为课程设计/毕业设计的完整方案。
💡 模型训练开源仓库： 本项目的双头层级分类模型训练过程已独立开源，包含完整的数据集信息、环境配置与训练脚本： 👉 https://github.com/lizuju/garbage265
- 双头层级 YOLOv5 模型：基于 YOLOv5x-cls 训练的双头分类模型，支持 265 类细粒度识别与 4 大类联合优化，具备帧平均实时推理、FP16 加速与多设备自适应等能力（详见「模型核心技术」章节）。
- 前后端分离架构：前端 Vue 3 + Vite，后端 Flask，部署与扩展更灵活。
- 前端 UI 设计突出：界面风格统一、玻璃拟态卡片、动效与过渡自然，整体体验更接近工业级产品。
- 多角色权限体系：管理员/普通用户分级管理，权限边界清晰。
- 完整后台管理闭环：用户管理、操作日志、统计面板、数据导出齐全。
- 回收地图智能导航：集成高德地图，支持附近回收点检索、筛选、详情展示与导航跳转。
- 工程化可维护：结构清晰，模块划分明确，适合二次开发与功能扩展。
- 整体视觉统一：组件风格一致，配色克制且清晰，信息层级明确
- 卡片玻璃拟态：重点内容采用玻璃拟态卡片，提升质感
- 动效过渡自然：页面切换、弹窗进入、列表交互具有柔和过渡
- 可读性优先：字体与间距经过统一设计，减少视觉噪声
- 移动端适配：关键模块支持响应式布局，保证移动端体验
- YOLOv5x-cls 高精度分类：使用 YOLOv5x 最大档分类模型在 265 类细粒度垃圾数据集上训练，识别精度显著优于通用检测模型。
- 双头层级训练（
major_weight=0.5）：同时优化 265 个细分类别与 4 大类主类，主副类损失等权联合回传，单次推理直接获得精细结果与大类归属，防止模型偏向细粒度而忽视大类语义。 - 标签平滑抑制过拟合：
label_smoothing=0.1使概率输出更平滑，减少对噪声标注的记忆，泛化能力更强。 - 高分辨率输入（448×448）：优于标准 224，更完整保留外观细节，对外形相似垃圾（如不同类型塑料瓶）区分效果更佳。
- ImageNet 迁移 + Adam 微调：基于预训练权重，
lr0=0.001+ Adam 精细微调，收敛更快且精度更高。 - 多设备自适应 + FP16 加速：自动选择 CUDA / Apple MPS / CPU，GPU 模式启用 FP16 半精度，推理速度提升约 1.5~2×，显存占用减半。
- 帧平均稳定实时识别：摄像头模式下对连续 3 帧概率取均值，彻底消除单帧抖动，识别结果更稳定。
- 类别名称智能映射：通过
classname.txt+ ImageNet 字典序双重映射，将数字索引准确还原为中文垃圾细分名称。 - 权重热替换持续迭代：新权重放置指定路径后重启即生效，无需修改任何配置，支持模型快速上线与持续优化。
- 登录后可用：与识别检测一致，未登录用户触发登录引导，保证功能权限一致性。
- 地图能力：接入高德地图，支持定位、地图展示与"重新定位并搜索"。
- 检索范围可调：支持
1km / 3km / 5km / 10km / 15km半径搜索。 - 分类筛选：支持"全部回收点、可回收物、厨余垃圾、有害垃圾、其他垃圾"筛选。
- 交互联动：点击列表项可联动地图 Marker 高亮，点击 Marker 也会同步选中列表项。
- 详情增强：选中回收点展示地址、电话、营业时间、评分、区域、距离等信息。
- 导航能力：支持一键"进入导航"，跳转高德导航链接。
- 体验优化：地图加载遮罩、选中态动画、卡片化信息布局与移动端适配。
后端（Flask）
- Python 3.8+
- pip / virtualenv
- 常用依赖：Flask、SQLAlchemy、PyJWT、PyTorch、torchvision、Pillow 等
前端（Vue 3）
- Node.js 16+（建议 18+）
- npm 8+
- Vite 构建工具
- 高德地图 Web API Key（用于回收地图能力）
模型训练（YOLOv5 classify）
- PyTorch 1.8+
- CUDA（推荐，GPU 加速训练）
- 数据集需满足 ImageFolder 格式（每类一个子文件夹）
Garbage_classification_Yolov5/
│
├── README.md
├── garbage.yaml # 数据集配置（4大类，用于检测模式参考）
├── classname.txt # 265个细分类别名称（中文）
├── LICENSE
├── run_detect.sh
│
├── garbage265_hierarchical/ # 🧠 训练产出目录
│ ├── opt.yaml # 训练配置快照（epochs/batch/imgsz等）
│ ├── results.csv # 各 epoch 训练指标记录
│ ├── results.png # 训练曲线可视化
│ ├── train_images.jpg # 训练样本预览
│ ├── test_images.jpg # 测试样本预览
│ └── weights/
│ ├── best.pt # ✅ 最优权重（系统加载此文件）
│ ├── last.pt # 最后一轮权重
│ └── best.mlpackage/ # CoreML 导出包（Apple 设备推理）
│
├── uploads/
│ └── results/
│
├── datasets/
│ ├── coco128/
│ └── wangy/ # 训练数据集（ImageFolder 格式）
│
├── garbage_classification/ # 🔧 Flask 后端
│ ├── __init__.py
│ └── backend/
│ ├── app.py # 应用入口
│ ├── config.py # 配置管理
│ ├── extensions.py # Flask 扩展初始化
│ ├── models/ # 数据库模型（ORM）
│ ├── routes/ # API 路由层
│ ├── services/
│ │ ├── yolo_service.py # YOLOv5 推理核心服务
│ │ ├── auth_service.py # 身份认证
│ │ ├── jwt_service.py # JWT 管理
│ │ ├── log_service.py # 日志服务
│ │ └── admin_service.py # 管理员服务
│ ├── managers/ # 业务管理层
│ ├── utils/ # 工具函数
│ ├── templates/ # Jinja2 模板（备用）
│ ├── static/ # 静态资源
│ ├── uploads/ # 用户上传图片存储
│ └── instance/ # SQLite 数据库实例
│
├── garbage_classification_frontend/ # 🖥️ Vue 3 前端
│ ├── index.html
│ ├── package.json
│ ├── vite.config.js
│ ├── public/
│ └── src/
│ ├── App.vue
│ ├── main.js
│ ├── assets/
│ ├── components/ # 可复用组件
│ │ ├── CameraDetect.vue # 实时摄像头识别
│ │ ├── AuthModal.vue # 登录/注册弹窗
│ │ ├── Navbar.vue # 导航栏
│ │ └── ...
│ ├── composables/
│ │ └── useRecycleMap.js # 地图逻辑 Composable
│ ├── config/
│ │ └── recycleMapConfig.js
│ ├── pages/ # 页面组件
│ │ ├── RecycleMapPage.vue
│ │ ├── AdminPage.vue
│ │ └── ...
│ ├── router/ # Vue Router 路由配置
│ ├── services/
│ │ └── amapService.js # 高德地图服务封装
│ ├── styles/ # CSS 样式（分页面/全局）
│ └── directives/ # 自定义指令
│
└── yolov5/ # 📦 YOLOv5 源码
├── classify/ # 🏷️ 分类模式（本项目主要使用）
│ ├── train.py # ✅ 分类训练入口
│ ├── val.py # 分类验证脚本
│ └── predict.py # 单图快速预测
├── detect.py # 目标检测推理
├── train.py # 目标检测训练
├── val.py # 目标检测验证
├── export.py # 模型导出（ONNX/CoreML/TFLite等）
├── requirements.txt
├── best.pt # 训练产出权重备份
├── yolov5m.pt # yolov5m 预训练权重
├── models/ # 模型结构定义
├── utils/ # YOLOv5 工具库
├── data/ # 数据集配置文件
└── runs/
└── train/ # 历次训练产出（exp ~ exp8）
python -m garbage_classification.backend.appcd garbage_classification_frontend
npm run dev本项目模型基于 YOLOv5x-cls（YOLOv5 最大档分类网络）进行迁移学习，在自建的 garbage265 数据集上训练，支持 265 个细分类别与 4 个主类的联合优化。
数据集需采用 ImageFolder 格式，每个类别一个子文件夹：
garbage265/
├── train/
│ ├── 其他垃圾-一次性快餐盒/
│ │ ├── img_001.jpg
│ │ └── ...
│ ├── 厨余垃圾-剩饭剩菜/
│ └── ... (共 265 个类别文件夹)
└── val/
├── 其他垃圾-一次性快餐盒/
└── ...
类别与 ID 的对应关系见
classname.txt（按字典序排列）。
进入 yolov5/ 目录，根据需要调整以下关键参数：
| 参数 | 本项目使用值 | 说明 |
|---|---|---|
--model |
yolov5x-cls.pt |
预训练基础模型（最大档，精度最高） |
--data |
/path/to/garbage265 |
数据集根目录（ImageFolder 格式） |
--epochs |
80 |
训练轮数 |
--batch-size |
128 |
批次大小（32GB 显存可支持） |
--imgsz |
448 |
训练输入分辨率（448 优于 224） |
--device |
0 |
GPU 设备编号（RTX 5090 单卡） |
--optimizer |
Adam |
优化器 |
--lr0 |
0.001 |
初始学习率 |
--label-smoothing |
0.1 |
标签平滑，防止过拟合 |
--workers |
8 |
数据加载线程数 |
--pretrained |
启用 | 使用 ImageNet 预训练权重迁移学习 |
cd yolov5
python classify/train.py \
--model yolov5x-cls.pt \
--data /path/to/garbage265 \
--epochs 80 \
--batch-size 128 \
--imgsz 448 \
--device 0 \
--optimizer Adam \
--lr0 0.001 \
--label-smoothing 0.1 \
--workers 8 \
--pretrained \
--project runs/train-cls \
--name garbage265_hierarchical训练产出保存在 runs/train-cls/garbage265_hierarchical/，包含：
weights/best.pt— 验证集最优权重weights/last.pt— 最后一轮权重results.csv— 每轮训练指标（Top1/Top5 Acc、Loss）results.png— 训练曲线图
将训练好的 best.pt 复制到系统指定路径，后端将自动加载：
cp runs/train-cls/garbage265_hierarchical/weights/best.pt \
../garbage265_hierarchical/weights/best.pt系统启动时，YoloService 会自动从 garbage265_hierarchical/weights/best.pt 加载模型，无需修改任何配置文件。
# 在验证集上评估 Top1/Top5 准确率
python classify/val.py \
--weights ../garbage265_hierarchical/weights/best.pt \
--data /path/to/garbage265 \
--imgsz 448 \
--device 0
# 单图快速预测
python classify/predict.py \
--weights ../garbage265_hierarchical/weights/best.pt \
--source /path/to/test_image.jpg \
--imgsz 448训练过程经过 80 次实验迭代（exp ~ exp80），最终产出的
best.pt（~90MB）为系统当前使用的生产权重。
- JWT 认证保护关键接口
- 管理员与用户权限隔离
- 管理员不可禁用（后端校验）
- 最后一个管理员不可降级
- 登录状态与接口权限严格区分，避免越权访问
- 关键行为写入日志，便于审计与追踪
- 统计面板包含检测量、用户数、活跃度、平均置信度
- 支持操作日志审计，管理员可追踪关键行为
- 数据导出支持运营与模型分析
- 管理后台支持多维度系统状态查看
核心流程测试
- 注册 / 登录 / 记住我 / 注销
- 图片上传与识别
- 历史记录生成与查询
- 个人资料修改与密码变更
管理后台测试
- 用户编辑 / 禁用 / 恢复
- 权限限制（普通用户访问后台）
- 数据统计与导出
- 日志列表分页
本项目遵循仓库内 LICENSE 约束。