TACO垃圾检测数据集完整指南快速解析COCO格式标注文件的6大核心字段【免费下载链接】TACO Trash Annotations in Context Dataset Toolkit项目地址: https://gitcode.com/gh_mirrors/tac/TACOTACOTrash Annotations in Context Dataset Toolkit是一个面向野外垃圾Litter检测的图像数据集工具包。它提供1500 张真实场景图片与4784 条人工标注全部采用COCO 格式组织覆盖塑料瓶、烟头、塑料袋等 60 种垃圾类别是训练和评估物体检测算法如 Mask R-CNN的理想入门数据集。为什么选择 TACO 数据集TACO 的核心价值在于真实 结构化 易上手真实场景图片拍摄于树林、道路、海滩等真实环境而非合成图️双维度标注既有每件垃圾的分割掩膜segmentation也有整图背景场景标签sceneCOCO 标准标注直接对接主流检测框架零转换成本持续成长官方每周更新社区贡献的标注数据指标数值图片数量1500 张垃圾标注数4784 条垃圾类别60 种背景场景类别7 种标注格式COCO JSON一键安装TACO 数据集快速上手步骤第 1 步克隆项目git clone https://gitcode.com/gh_mirrors/tac/TACO cd TACO第 2 步安装依赖项目依赖文件为 requirements.txt一键安装pip3 install -r requirements.txt 若需运行可视化演示 demo.ipynb还需额外安装 COCO Python APIpycocotools。第 3 步下载图片标注文件本身不含图片图片托管于网络运行 download.py 即可自动拉取全部图片python3 download.py脚本支持断点续传——若连接中断重新运行即可从上次位置继续。标注文件结构详解COCO 格式的 6 大核心字段TACO 的标注集中在 data/annotations.json。它比标准 COCO 多了两个专属字段共6 大核心字段构成完整的数据骨架字段说明关键字段示例info数据集元信息year、description、date_createdimages每张图片信息id、width、height、file_name、flickr_urlannotations每份垃圾标注image_id、category_id、segmentation、bbox、areacategories垃圾类别表60 类id、name、supercategoryscene_annotationsTACO 专属场景标注image_id、background_idsscene_categoriesTACO 专属7 种背景场景id、nameimages图片信息每张图记录原始尺寸与网络来源例如{ id: 0, width: 1537, height: 2049, file_name: batch_1/000006.jpg, flickr_url: https://.../xxxx_o.png, flickr_640_url: https://.../xxxx_z.jpg }其中flickr_640_url是缩放到 VGA640px的版本训练时可用它加速加载。annotations垃圾标注核心每条标注对应图中一件垃圾包含两种几何描述segmentation多边形顶点坐标序列[x1, y1, x2, y2, ...]用于实例分割bbox外接矩形[x, y, w, h]用于目标检测category_id关联categories中的具体垃圾类别iscrowd/area是否为密集区、掩膜面积categories60 类垃圾的层级体系TACO 采用两级分类——每个name归属于一个更粗的supercategory{ supercategory: Bottle, id: 5, name: Clear plastic bottle }这种层级设计让开发者既能做细粒度分类也能按大类如瓶类杯类纸类聚合分析。7 种背景场景TACO 独有的 scene 标注与只关注物体的常规数据集不同TACO 额外为每张图片打上背景场景标签scene_annotations共 7 种Clean干净无垃圾Indoor, Man-made室内人造环境Pavement路面Sand, Dirt, Pebbles沙地/泥土Trash垃圾堆Vegetation植被Water水面这使得模型能学习在什么背景下更容易出现垃圾为上下文感知的检测提供条件信息。应用到实战用 Mask R-CNN 训练垃圾检测模型项目自带基于Mask R-CNN的检测实现位于 detector/ 目录。第 1 步划分数据集训练前需将数据切分为 train / val / test。运行 detector/split_dataset.pycd detector python3 split_dataset.py --dataset_dir ../data该脚本会随机生成 N 轮划分默认 10 轮每轮 test 10% / val 10% / train 80%输出形如annotations_0_train.json的多个子集供交叉实验使用。第 2 步选择合适的类别映射由于部分细分类别的样本极少直接全量训练效果不佳。因此 detector/taco_config/ 提供了多张类别映射表如 map_1.csv将 60 类垃圾合并为少数主流类Can、Bottle、Plastic bag 等可按需选择或自定义。第 3 步加载与训练数据加载逻辑见 detector/dataset.py核心是复用pycocotools的COCO接口读取上述 JSON。模型超参骨干网络、输入尺寸、学习率等统一在 detector/config.py 中配置。常见问题FAQQ1官方数据与社区数据有何区别data/annotations.json 为官方审核过的可靠标注data/annotations_unofficial.json 为社区每周提交的未审核标注可能存在误差训练时需谨慎Q2图片下载下来放在哪download.py 会按file_name如batch_1/000006.jpg在 data/ 目录下自动建子目录存储。Q3有哪些现成的可视化脚本demo.ipynb 提供数据集统计、类别层级图、以及基于 COCO API 的掩膜/边框叠加可视化是快速熟悉数据的最佳入口。Q4如何查看全部图片 URLdata/all_image_urls.csv 列出所有已标注与未标注图片的原图及 VGA 缩略图地址方便自行扩充数据集。小结TACO 以真实的野外垃圾图片、双维度物体 场景的 COCO 标注和开箱即用的 Mask R-CNN 检测代码为环境垃圾监测、智能分类回收等研究提供了低成本起点。无论是学习 COCO 标注格式还是快速搭建一个垃圾检测模型TACO 都是新手友好的高价值选择。【免费下载链接】TACO Trash Annotations in Context Dataset Toolkit项目地址: https://gitcode.com/gh_mirrors/tac/TACO创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
