---
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
├── dataset_split/             # Train/Val 분할 데이터 (실행 후 생성)
│   ├── images/
│   │   ├── train/            # 1,200개 (80%)
│   │   └── val/              # 300개 (20%)
│   ├── labels/
│   │   ├── train/
│   │   └── val/
│   └── data.yaml
├── coco_to_yolo.py            # COCO → YOLO 변환 스크립트
├── remap_to_5_classes.py      # 60개 → 5개 재분류 스크립트
├── split_train_val.py         # Train/Val 분할 스크립트
├── train_yolo.py              # 모델 학습 스크립트
├── quick_train.py             # 빠른 테스트 학습
├── evaluate.py                # 모델 평가 스크립트
├── inference.py               # 추론 테스트 스크립트
├── requirements.txt           # 필요 패키지
└── README.md
```

## 사용 방법

### 전체 학습 프로세스

#### 1단계: 환경 설치

```bash
pip install -r requirements.txt
```

#### 2단계: 데이터 분할 (Train 80% / Val 20%)

```bash
python split_train_val.py
```

이 스크립트는 데이터를 Train/Validation으로 8:2 비율로 분할하고 `dataset_split/` 디렉토리를 생성합니다.

#### 3단계: 모델 학습

```bash
# 빠른 테스트 (5 에포크)
python quick_train.py

# 본격 학습 (100 에포크)
python train_yolo.py
```

#### 4단계: 모델 평가

```bash
python evaluate.py waste_classification/yolov8n_5class/weights/best.pt
```

이 스크립트는 다음을 생성합니다:
- 혼동 행렬 (Confusion Matrix)
- 클래스별 성능 분석 그래프
- 상세 분류 리포트
- JSON 결과 파일

#### 5단계: 추론 테스트

```bash
python inference.py waste_classification/yolov8n_5class/weights/best.pt data/batch_1/000006.jpg
```

### 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.