Mini-Trash Dataset

该数据集创建并用于PWST-YOLOv7论文中，用于水下垃圾检测。数据集和代码仅供学术和非商业用途。

This dataset was created and utilized in the PWST-YOLOv7 paper for underwater garbage detection. The dataset and the accompanying code are for academic and non-commercial use only.

原始信息汇总

PWST-YOLOv7-Mini-Trash-Dataset 数据集概述

数据集简介

• 提供自定义的Mini-Trash数据集及关联的YOLOv7模型，用于水下垃圾检测。
• 数据集和代码仅供学术和非商业用途使用。

数据集内容

• Mini-Trash Dataset
  该数据集为PWST-YOLOv7论文中创建和使用。
  下载地址：https://drive.google.com/file/d/1U1b-TxiKt6ug3hq_tWohX3pILj45QrmR/view?usp=drive_link

• TrashCan Dataset (YOLO格式)
  原始TrashCan数据集，已转换为YOLO格式。
  下载地址：https://drive.google.com/file/d/1n957_9mqipm7uBjQgtCaMk8JpsJT624R/view?usp=drive_link

预训练权重

• YOLOv7 Baseline (TrashCan Dataset)
  下载地址：https://drive.google.com/file/d/1hwrDN7miv_XTjPGIa0TXZhIevmwdIN9d/view?usp=drive_link

• PWST-YOLOv7 (TrashCan Dataset)
  下载地址：https://drive.google.com/file/d/1yo8BE50DF5xY8qfWSVezh6-U1oMvtk8K/view?usp=drive_link

数据集结构

两个数据集均以YOLO格式提供，结构如下： plaintext yolo_all_cls/ ├── train/ │ ├── images/ │ └── labels/ ├── val/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/

引用

该数据集和代码目前正在《IEEE Journal of Oceanic Engineering (JOE)》进行小修订。

搜集汇总

数据集介绍

构建方式

Mini-Trash数据集作为水下垃圾检测领域的重要资源，其构建过程充分考虑了实际应用场景的复杂性。研究团队通过系统采集水下环境中的垃圾图像，采用专业标注工具对目标物体进行精确标注，确保数据质量。数据集以YOLO格式组织，包含训练集、验证集和测试集，这种标准化结构便于研究者直接应用于目标检测模型的开发与评估。

特点

该数据集最显著的特点在于其专注于水下垃圾检测这一特殊场景，填补了该细分领域的数据空白。数据集中包含多样化的水下垃圾类别，图像采集条件模拟真实水下环境，具有典型的光照变化和水体干扰因素。数据集采用YOLO格式存储，与主流目标检测框架高度兼容，同时提供配套的预训练权重，大幅降低了研究者的使用门槛。

使用方法

研究者可通过提供的下载链接获取完整数据集，其标准的目录结构可直接用于YOLOv7等目标检测框架的训练流程。数据集已预先划分为训练集、验证集和测试集，用户可按需调整划分比例。配套的预训练模型权重可帮助快速建立基准性能，为后续的模型优化提供可靠参照。使用过程中建议遵循学术规范，引用相关研究成果。

背景与挑战

背景概述

Mini-Trash数据集作为水下垃圾检测领域的重要资源，由研究团队在开发PWST-YOLOv7模型过程中创建并公开。该数据集旨在推动海洋环境保护技术的进步，特别针对水下复杂环境中垃圾目标的识别与定位问题。相关研究成果已投稿至《IEEE Journal of Oceanic Engineering》，体现了其在海洋工程领域的学术价值。数据集采用YOLO格式组织，包含经过标注的训练、验证和测试集，为计算机视觉技术在海洋生态监测中的应用提供了标准化基准。

当前挑战

水下垃圾检测面临多重技术挑战：复杂的光学折射与散射效应导致图像质量下降，不同材质垃圾在水下的形态变化增加了识别难度。数据集构建过程中，研究人员需克服水下样本采集成本高、标注一致性难以保证等实际问题。此外，海洋环境中生物附着物与人工垃圾的相似性，对模型的细粒度分类能力提出了更高要求。如何在小样本条件下提升模型的泛化性能，成为该领域亟待解决的关键问题。

常用场景

经典使用场景

在海洋环境保护领域，Mini-Trash数据集为水下垃圾检测任务提供了关键支持。该数据集通过标注水下环境中各类垃圾的精确位置和类别，成为训练和评估目标检测模型的基准工具。研究人员利用其YOLO格式的结构优势，能够快速构建端到端的深度学习流水线，验证算法在复杂水下场景中的鲁棒性。

实际应用

实际部署中，该数据集支撑了智能清理机器人视觉系统的开发。沿海城市环保部门利用基于该数据集训练的模型，实现了近海漂浮垃圾的自动监测与定位。在深海探测装备上，优化后的算法能有效识别微塑料等污染物，为联合国海洋可持续发展目标提供数据采集技术支持。

衍生相关工作

围绕该数据集衍生的PWST-YOLOv7框架已成为水下检测领域的重要基线。后续研究相继提出了基于注意力机制的改进网络US-YOLO和融合多光谱数据的TrashSpectrum方案。IEEE海洋工程期刊收录的系列成果，构建起从数据集构建到边缘设备部署的完整技术体系。