基于 YOLOv11 的垃圾分类检测系统产品系统

针对传统垃圾分类依赖人工判断、效率低且通用检测模型精度不足的问题，自建包含有害、可回收、厨余、其他四
类共 3710 张图像的垃圾分类数据集，基于 YOLOv11n 轻量级架构训练目标检测模型，并开发 PyQt5 桌面应用，支持图片、
视频及摄像头实时检测。

这个项目是一个基于 Ultralytics YOLO11 的垃圾分类检测系统，前端是 PyQt5 桌面应用，后端是 深度学习目标检测模型。系统可以对摄像头、图片和视频中的垃圾目标进行实时检测和分类，目前支持 4 类垃圾：有害垃圾、可回收物、厨余垃圾和其他垃圾。

在本项目里，YOLO11承担的是 **单阶段目标检测器** 的角色，大致流程可以拆解为：

- **输入与预处理**：从摄像头/视频/图片读入原始帧，使用 OpenCV 先进行 resize（640×640）和归一化，然后喂给 YOLO11 模型。
- **特征提取（Backbone）**：YOLO11 的 Backbone 会把输入图像逐步下采样、提取多层次特征，类似于 CSP/ELAN 这类结构，兼顾感受野和计算效率。
- **特征融合（Neck）**：在 Neck 部分，模型通过 FPN/PAN 等结构做多尺度特征融合，让不同大小的目标都能被充分利用特征。
- **检测头（Detection Head）**：在不同尺度的特征图上预测每个锚点的 **类别概率**、**目标存在性** 和 **边界框回归参数**。
- **后处理（NMS）**：对所有候选框先做置信度过滤（比如 conf > 0.25），然后用 NMS（非极大值抑制）去除高度重叠的框，最终得到一批框+类别+置信度。
- **可视化**：根据 `color_map` 对不同类别使用不同 BGR 颜色，用 OpenCV 画框和文本，最后在 GUI 中显示。

在 Ultralytics 框架中，这些逻辑被封装在 `ultralytics/engine` 和 `ultralytics/models/yolo/detect` 模块里，我在项目里主要是 **配置好数据与模型**，并且在推理阶段合理调整 **置信度阈值** 和 **IOU 阈值**，在检测精度和实时性之间做平衡。