Initial commit: TACO Waste Classification Dataset for YOLO

- 1,500 images with 4,784 annotations
- 60 detailed classes and 5 major categories
- YOLO format labels
- COCO to YOLO conversion scripts
- 5-class remapping script included

Dataset features:
- Plastic (플라스틱): 30.16%
- Paper (종이): 35.33%
- Vinyl (비닐): 17.66%
- Can (캔): 11.54%
- Glass (유리): 5.31%

.gitattributes

@@ -0,0 +1,31 @@
+# Hugging Face Dataset Git LFS configuration
+
+# Track large binary files with LFS
+*.bin filter=lfs diff=lfs merge=lfs -text
+*.pt filter=lfs diff=lfs merge=lfs -text
+*.pth filter=lfs diff=lfs merge=lfs -text
+*.onnx filter=lfs diff=lfs merge=lfs -text
+*.pb filter=lfs diff=lfs merge=lfs -text
+
+# Track image files with LFS (large datasets)
+*.jpg filter=lfs diff=lfs merge=lfs -text
+*.JPG filter=lfs diff=lfs merge=lfs -text
+*.jpeg filter=lfs diff=lfs merge=lfs -text
+*.png filter=lfs diff=lfs merge=lfs -text
+*.gif filter=lfs diff=lfs merge=lfs -text
+*.bmp filter=lfs diff=lfs merge=lfs -text
+
+# Track compressed files with LFS
+*.zip filter=lfs diff=lfs merge=lfs -text
+*.tar filter=lfs diff=lfs merge=lfs -text
+*.gz filter=lfs diff=lfs merge=lfs -text
+*.tar.gz filter=lfs diff=lfs merge=lfs -text
+*.tgz filter=lfs diff=lfs merge=lfs -text
+
+# Track video files with LFS
+*.mp4 filter=lfs diff=lfs merge=lfs -text
+*.avi filter=lfs diff=lfs merge=lfs -text
+*.mov filter=lfs diff=lfs merge=lfs -text
+
+# Track large CSV files with LFS
+*.csv filter=lfs diff=lfs merge=lfs -text

.gitignore

@@ -0,0 +1,31 @@
+# Python
+__pycache__/
+*.py[cod]
+*$py.class
+*.so
+.Python
+env/
+venv/
+ENV/
+*.egg-info/
+.eggs/
+dist/
+build/
+
+# IDEs
+.vscode/
+.idea/
+*.swp
+*.swo
+*~
+
+# OS
+.DS_Store
+Thumbs.db
+
+# Jupyter
+.ipynb_checkpoints/
+
+# Temporary files
+*.tmp
+*.temp

README.md

@@ -0,0 +1,169 @@
+---
+license: mit
+task_categories:
+- object-detection
+- image-classification
+tags:
+- waste-classification
+- recycling
+- yolo
+- computer-vision
+size_categories:
+- 1K<n<10K
+---
+
+# Ku-YOLO Waste Classification Dataset
+
+쓰레기 분류를 위한 YOLO 형식 데이터셋입니다. TACO 데이터셋을 기반으로 재활용품 객체 탐지를 위해 재구성되었습니다.
+
+## 데이터셋 개요
+
+- **총 이미지 수**: 1,500개
+- **총 어노테이션 수**: 4,784개
+- **이미지 형식**: JPG
+- **어노테이션 형식**: YOLO TXT
+
+## 클래스 정보
+
+### 5개 대분류 (labels_5classes)
+
+| ID | 클래스 | 영문 | 어노테이션 수 | 비율 |
+|----|--------|------|--------------|------|
+| 0 | 플라스틱 | Plastic | 1,443 | 30.16% |
+| 1 | 비닐 | Vinyl | 845 | 17.66% |
+| 2 | 캔 | Can | 552 | 11.54% |
+| 3 | 유리 | Glass | 254 | 5.31% |
+| 4 | 종이 | Paper | 1,690 | 35.33% |
+
+### 60개 세부 분류 (labels)
+
+플라스틱 병, 유리병, 음료수 캔, 종이컵, 비닐봉투 등 60개의 세부 카테고리로 구성되어 있습니다.
+자세한 클래스 목록은 `labels/classes.txt`를 참고하세요.
+
+## 디렉토리 구조
+
+```
+.
+├── data/                      # 이미지 데이터
+│   ├── batch_1/
+│   ├── batch_2/
+│   └── ... (batch_15까지)
+│   └── annotations.json       # COCO 형식 원본 어노테이션
+├── labels/                    # YOLO 레이블 (60개 클래스)
+│   ├── batch_1/
+│   ├── batch_2/
+│   └── ...
+│   ├── classes.txt
+│   └── data.yaml
+├── labels_5classes/           # YOLO 레이블 (5개 대분류)
+│   ├── batch_1/
+│   ├── batch_2/
+│   └── ...
+│   ├── classes.txt
+│   ├── classes_kr.txt
+│   └── data.yaml
+├── coco_to_yolo.py            # COCO → YOLO 변환 스크립트
+├── remap_to_5_classes.py      # 60개 → 5개 재분류 스크립트
+└── README.md
+```
+
+## 사용 방법
+
+### YOLOv8 학습 예시 (5개 클래스)
+
+```python
+from ultralytics import YOLO
+
+# 모델 로드
+model = YOLO('yolov8n.pt')
+
+# 학습
+results = model.train(
+    data='labels_5classes/data.yaml',
+    epochs=100,
+    imgsz=640,
+    batch=16,
+    name='waste_classification_5class'
+)
+
+# 추론
+results = model.predict('path/to/image.jpg')
+```
+
+### YOLOv8 학습 예시 (60개 클래스)
+
+```python
+from ultralytics import YOLO
+
+model = YOLO('yolov8n.pt')
+
+results = model.train(
+    data='labels/data.yaml',
+    epochs=100,
+    imgsz=640,
+    batch=16,
+    name='waste_classification_60class'
+)
+```
+
+### 데이터셋 로드
+
+```python
+from datasets import load_dataset
+
+dataset = load_dataset("hyeon2525/Ku-Yolo-DataSet")
+```
+
+## 데이터 형식
+
+### YOLO 어노테이션 형식
+
+각 이미지에 대응하는 `.txt` 레이블 파일:
+
+```
+<class_id> <x_center> <y_center> <width> <height>
+```
+
+- `class_id`: 클래스 ID (0부터 시작)
+- `x_center, y_center`: 바운딩 박스 중심 좌표 (0~1로 정규화)
+- `width, height`: 바운딩 박스 크기 (0~1로 정규화)
+
+예시:
+```
+3 0.481783 0.384578 0.290826 0.645193
+0 0.325678 0.562341 0.145823 0.234567
+```
+
+## 원본 데이터
+
+- **출처**: TACO (Trash Annotations in Context)
+- **라이선스**: MIT
+- **원본 형식**: COCO
+- **변환 일자**: 2020-08-13
+
+## 활용 사례
+
+- 쓰레기 자동 분류 시스템
+- 재활용품 인식 애플리케이션
+- 환경 모니터링 시스템
+- 컴퓨터 비전 교육용 데이터셋
+
+## Citation
+
+이 데이터셋을 사용하는 경우, 원본 TACO 데이터셋을 인용해주세요:
+
+```bibtex
+@dataset{taco_dataset,
+  title={TACO: Trash Annotations in Context},
+  author={Pedro F Proença and Pedro Simões},
+  year={2019}
+}
+```
+
+## 라이선스
+
+MIT License
+
+## 문의
+
+데이터셋 관련 문의사항은 이슈를 남겨주세요.

best-checkpoint-003epoch.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:9549feaec3f03c0e24319d4055505246080d37bb37bdefe7856b4c4596f45c61
+size 402652633

coco_to_yolo.py

@@ -0,0 +1,165 @@
+"""
+COCO 형식 annotations.json을 YOLO 형식으로 변환하는 스크립트
+
+COCO 형식: [x_min, y_min, width, height] (절대 픽셀)
+YOLO 형식: [class_id, x_center, y_center, width, height] (0~1 정규화)
+"""
+
+import json
+import os
+from pathlib import Path
+from tqdm import tqdm
+
+
+def convert_coco_to_yolo(coco_json_path, output_dir, images_dir='data'):
+    """
+    COCO 형식을 YOLO 형식으로 변환
+
+    Args:
+        coco_json_path: COCO annotations.json 경로
+        output_dir: YOLO 형식 레이블 파일들이 저장될 디렉토리
+        images_dir: 이미지 파일들이 있는 루트 디렉토리
+    """
+
+    # COCO 데이터 로드
+    print(f"Loading COCO annotations from {coco_json_path}...")
+    with open(coco_json_path, 'r', encoding='utf-8') as f:
+        coco_data = json.load(f)
+
+    # 카테고리 정보 추출
+    categories = {cat['id']: cat['name'] for cat in coco_data['categories']}
+    print(f"Found {len(categories)} categories")
+
+    # 이미지별로 어노테이션 그룹화
+    image_annotations = {}
+    for ann in coco_data['annotations']:
+        image_id = ann['image_id']
+        if image_id not in image_annotations:
+            image_annotations[image_id] = []
+        image_annotations[image_id].append(ann)
+
+    # 이미지 정보를 딕셔너리로 변환
+    images_dict = {img['id']: img for img in coco_data['images']}
+
+    # 출력 디렉토리 생성
+    output_path = Path(output_dir)
+    output_path.mkdir(parents=True, exist_ok=True)
+
+    # 각 이미지의 배치 폴더별로 labels 디렉토리 생성
+    print("Creating label directories...")
+    for batch_num in range(1, 16):
+        batch_label_dir = output_path / f'batch_{batch_num}'
+        batch_label_dir.mkdir(exist_ok=True)
+
+    # 변환 통계
+    converted_count = 0
+    skipped_count = 0
+
+    # 각 이미지에 대해 YOLO 형식 레이블 파일 생성
+    print("Converting annotations to YOLO format...")
+    for image_id, image_info in tqdm(images_dict.items(), desc="Processing images"):
+        file_name = image_info['file_name']  # e.g., "batch_1/000006.jpg"
+        img_width = image_info['width']
+        img_height = image_info['height']
+
+        # 해당 이미지의 어노테이션 가져오기
+        annotations = image_annotations.get(image_id, [])
+
+        if not annotations:
+            skipped_count += 1
+            continue
+
+        # YOLO 형식으로 변환
+        yolo_annotations = []
+        for ann in annotations:
+            # COCO bbox: [x_min, y_min, width, height]
+            x_min, y_min, bbox_width, bbox_height = ann['bbox']
+            category_id = ann['category_id']
+
+            # YOLO 형식으로 변환 (중심점 기준, 0~1 정규화)
+            x_center = (x_min + bbox_width / 2) / img_width
+            y_center = (y_min + bbox_height / 2) / img_height
+            norm_width = bbox_width / img_width
+            norm_height = bbox_height / img_height
+
+            # YOLO 형식: class_id x_center y_center width height
+            yolo_line = f"{category_id} {x_center:.6f} {y_center:.6f} {norm_width:.6f} {norm_height:.6f}"
+            yolo_annotations.append(yolo_line)
+
+        # 레이블 파일 저장 (이미지와 같은 경로 구조)
+        # file_name: "batch_1/000006.jpg" -> "batch_1/000006.txt"
+        label_file_path = output_path / file_name.replace('.jpg', '.txt').replace('.JPG', '.txt')
+
+        with open(label_file_path, 'w', encoding='utf-8') as f:
+            f.write('\n'.join(yolo_annotations))
+
+        converted_count += 1
+
+    # 클래스 이름 파일 생성 (classes.txt)
+    classes_file = output_path / 'classes.txt'
+    with open(classes_file, 'w', encoding='utf-8') as f:
+        # 카테고리 ID 순서대로 정렬하여 저장
+        for cat_id in sorted(categories.keys()):
+            f.write(f"{categories[cat_id]}\n")
+
+    print(f"\n{'='*50}")
+    print(f"Conversion completed!")
+    print(f"{'='*50}")
+    print(f"Total images: {len(images_dict)}")
+    print(f"Converted: {converted_count}")
+    print(f"Skipped (no annotations): {skipped_count}")
+    print(f"Total annotations: {sum(len(anns) for anns in image_annotations.values())}")
+    print(f"\nOutput directory: {output_path.absolute()}")
+    print(f"Classes file: {classes_file.absolute()}")
+    print(f"\nYOLO format: <class_id> <x_center> <y_center> <width> <height>")
+    print(f"All values are normalized to [0, 1]")
+
+
+def create_data_yaml(output_dir, train_ratio=0.8):
+    """
+    YOLO 학습을 위한 data.yaml 파일 생성
+
+    Args:
+        output_dir: 레이블 파일들이 있는 디렉토리
+        train_ratio: train/val 분할 비율
+    """
+    import yaml
+
+    output_path = Path(output_dir)
+    classes_file = output_path / 'classes.txt'
+
+    # 클래스 이름 읽기
+    with open(classes_file, 'r', encoding='utf-8') as f:
+        class_names = [line.strip() for line in f.readlines()]
+
+    # data.yaml 내용 생성
+    data_yaml = {
+        'path': str(Path.cwd().absolute()),  # 프로젝트 루트
+        'train': 'data',  # 학습 이미지 경로
+        'val': 'data',    # 검증 이미지 경로 (필요시 분할)
+        'nc': len(class_names),  # 클래스 수
+        'names': class_names  # 클래스 이름 리스트
+    }
+
+    yaml_file = output_path / 'data.yaml'
+    with open(yaml_file, 'w', encoding='utf-8') as f:
+        yaml.dump(data_yaml, f, allow_unicode=True, sort_keys=False)
+
+    print(f"\nCreated data.yaml: {yaml_file.absolute()}")
+    return yaml_file
+
+
+if __name__ == '__main__':
+    # 설정
+    coco_json = 'data/annotations.json'
+    output_labels_dir = 'labels'  # YOLO 레이블 파일들이 저장될 디렉토리
+
+    # 변환 실행
+    convert_coco_to_yolo(coco_json, output_labels_dir)
+
+    # data.yaml 생성 (선택사항)
+    try:
+        create_data_yaml(output_labels_dir)
+    except ImportError:
+        print("\nNote: PyYAML not installed. Skipping data.yaml creation.")
+        print("Install with: pip install pyyaml")