自2019年下半年开始，杭州市逐步开始推行新的生活垃圾分类方法。由于垃圾分类规则记忆起来较为困难，于是自己就想着开发一个生活垃圾分类程序帮助人们进行垃圾分类。
训练使用的数据集整理自垃圾分类图片数据集，分为训练集（1263张图片）和测试集（136张图片），目前只包含15种物体：
- 可回收垃圾：台历、风扇、金属、玻璃、塑料、被子
- 有害垃圾：电池、弃置药品、指甲油、灯管
- 易腐垃圾：香蕉皮、蛋糕、残渣剩饭
- 其他垃圾：纸巾、奶茶杯
后续会继续进行扩充。其中，垃圾分类方法参考自杭州生活垃圾分类指南。
分类算法使用 PyTorch 搭建，考虑到后续打算做一个生活垃圾分类 APP，需要在手机上运行分类模型，因此分类网络使用了轻量级网络 MobileNet V2。模型使用了 PyTorch 官方的预训练模型权重，更改了最后一层的输出通道数，然后进行迁移学习。
目前只是完成了算法部分的开发，在训练集上迭代100次后，在自己构建的测试集上测试准确率达到76.64%，后续打算进一步扩充数据集，进一步训练提高准确率。
分类效果：
需要安装以下依赖库：
- PyTorch >= 1.4.0
- numpy >= 1.17.0
- torchvision >= 0.5.0
- matplotlib >= 3.1.2
- Pillow >= 7.0.0
训练使用的数据集：下载
训练后的模型：下载 提取码：50hb
将 model.py 与 trash_classifier_model.pth 放置于同一目录下，然后命令行运行：
python model.py 图片路径例如：
python model.py test.jpeg则会输出分类结果并会可视化显示：
将 model.py 与 trash_classifier_model.pth 放置于同一目录下，然后导入分类器：
from model import TrashClassifier初始化分类器并进行预测：
clf = TrashClassifier()
ans = clf.predict(image)image 是 PIL Image 对象，predict()方法返回一个包含物体名称和垃圾分类结果的元组。
如果需要重新进行训练, 可以使用 train.py
python train.py或用 Jupyter Notebook 打开 train.ipynb.
可以扩充数据集或使用新的数据集，数据集需分为训练集 train 和测试集 val ，每一个类别的物体图片放在对应文件夹下。
可以使用其他网络进行训练。修改完数据集后需要同步修改模型输出层参数。模型训练的超参数也可以进一步调整。
python visualize.py可以可视化模型在验证集上的表现：