用 MobileNet 教 AI 分垃圾？这个项目很适合练手也很有用！-CSDN博客

本文链接：https://blog.csdn.net/qq_36478920/article/details/147284731

在这里插入图片描述

网罗开发 （小红书、快手、视频号同名）

大家好，我是展菲，目前在上市企业从事人工智能项目研发管理工作，平时热衷于分享各种编程领域的软硬技能知识以及前沿技术，包括iOS、前端、Harmony OS、Java、Python等方向。在移动端开发、鸿蒙开发、物联网、嵌入式、云原生、开源等领域有深厚造诣。

图书作者：《ESP32-C3 物联网工程开发实战》
图书作者：《SwiftUI 入门，进阶与实战》
超级个体：COC上海社区主理人
特约讲师：大学讲师，谷歌亚马逊分享嘉宾
科技博主：华为HDE/HDG

我的博客内容涵盖广泛，主要分享技术教程、Bug解决方案、开发工具使用、前沿科技资讯、产品评测与使用体验。我特别关注云服务产品评测、AI 产品对比、开发板性能测试以及技术报告，同时也会提供产品优缺点分析、横向对比，并分享技术沙龙与行业大会的参会体验。我的目标是为读者提供有深度、有实用价值的技术洞察与分析。

展菲：您的前沿技术领航员
👋 大家好，我是展菲！
📱 全网搜索“展菲”，即可纵览我在各大平台的知识足迹。
📣 公众号“Swift社区”，每周定时推送干货满满的技术长文，从新兴框架的剖析到运维实战的复盘，助您技术进阶之路畅通无阻。
💬 微信端添加好友“fzhanfei”，与我直接交流，不管是项目瓶颈的求助，还是行业趋势的探讨，随时畅所欲言。
📅 最新动态：2025 年 3 月 17 日
快来加入技术社区，一起挖掘技术的无限潜能，携手迈向数字化新征程！

文章目录

摘要

垃圾分类不是新鲜事儿了，但很多人还是搞不清楚什么是“干的”“湿的”“可回收的”。如果有一个小程序或 Web 工具，拍张照就能告诉你这是什么垃圾，是不是就方便多了？这篇文章就带你从零搭建一个图像识别辅助的垃圾分类系统，覆盖模型选择、训练技巧、部署方式和简单 UI 演示，适合做公益项目或技术实践练手！

引言

我们都知道垃圾分类好，但做起来总是各种疑问：外卖盒到底是湿垃圾还是干垃圾？奶茶杯算可回收吗？这些问题，机器视觉其实可以帮上大忙。

图像识别在 AI 公益场景里最典型的应用就是“看图识物”。对开发者来说，实现一个垃圾识别工具门槛并不高，核心是选好轻量模型 + 搭个界面，让普通用户能快速用起来。

项目拆解：垃圾识别工具怎么做？

项目目标

用户上传垃圾照片
系统识别垃圾种类（可回收、厨余、有害、其他）
返回分类建议
支持本地 or 云端部署

所需组件

前端界面（小程序或 Web）
图像识别模型（建议 MobileNet 或 EfficientNet-lite）
模型训练数据集（可使用垃圾图片公开数据）
推理服务（Flask/FastAPI/Node.js）
可选：本地离线部署 / 云端部署（腾讯云函数、vercel、huggingface space）

模型选型和训练过程

模型推荐：MobileNetV2

优点：轻量、适合移动端、本地部署没压力
训练框架：PyTorch or TensorFlow 都可
输出层：4分类（可回收、湿垃圾、干垃圾、有害垃圾）

数据集推荐

模型训练代码（PyTorch）

import torchvision.transforms as transforms
from torchvision.datasets import ImageFolder
from torch.utils.data import DataLoader
import torch.nn as nn
import torch.optim as optim
from torchvision.models import mobilenet_v2

# 数据预处理
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor()
])

dataset = ImageFolder(root='data/train', transform=transform)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

# 模型准备
model = mobilenet_v2(pretrained=True)
model.classifier[1] = nn.Linear(model.last_channel, 4)

# 训练配置
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=1e-4)

# 简单训练过程
for epoch in range(5):
    for inputs, labels in dataloader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

如何部署？

本地运行（离线）

可保存为 .pt 模型，用 PyTorch 加载推理

model.eval()
img = Image.open("test.jpg").convert("RGB")
input_tensor = transform(img).unsqueeze(0)
output = model(input_tensor)
pred = torch.argmax(output, dim=1)

Web API 推理接口（FastAPI）

from fastapi import FastAPI, File, UploadFile
from PIL import Image
import io

app = FastAPI()

@app.post("/predict/")
async def predict(file: UploadFile = File(...)):
    image = Image.open(io.BytesIO(await file.read())).convert("RGB")
    input_tensor = transform(image).unsqueeze(0)
    with torch.no_grad():
        output = model(input_tensor)
    pred = torch.argmax(output, dim=1).item()
    return {"class": label_map[pred]}

简单前端 UI 示例

Web 页面上传图片识别

<input type="file" id="fileInput" />
<button onclick="upload()">识别垃圾类别</button>

<script>
async function upload() {
  const file = document.getElementById('fileInput').files[0]
  const formData = new FormData()
  formData.append('file', file)

  const res = await fetch('/predict/', {
    method: 'POST',
    body: formData
  })
  const result = await res.json()
  alert("识别结果：" + result.class)
}
</script>