New Trash Classification Dataset
Conjunto de datos visuales estructurados para entrenar modelos de clasificación de objetos reciclables, con 1000 imágenes por clase para 8 categorías diferentes.
Descripción
El conjunto de datos New Trash Classification Dataset incluye 8.000 imágenes divididas en partes iguales en 8 clases de residuos (por ejemplo, plástico, metal, papel, orgánicos). Cada imagen ha sido seleccionada y reestructurada a partir de varias fuentes de código abierto para ofrecer un corpus limpio, equilibrado y relevante para el entrenamiento de modelos de aprendizaje profundo.
¿Para qué sirve este conjunto de datos?
- Formación de modelos de clasificación de imágenes en un contexto ambiental
- Proyectos de IA para clasificar automáticamente los residuos reciclables
- Aplicaciones móviles o industriales para ayudar con la clasificación selectiva
¿Se puede enriquecer o mejorar?
Sí, puede aumentar la diversidad del conjunto de datos mediante el aumento de datos, agregar subclases (papel arrugado, plástico blando o duro...) o combinarlo con datos geolocalizados para enriquecer los casos de uso. También se puede utilizar como base para enfoques multimodales (imagen y texto).
🔎 En resumen
🧠 Recomendado para
- Desarrolladores de IA ambiental
- Profesores de aprendizaje profundo
- Startups de reciclaje inteligentes
🔧 Herramientas compatibles
- TensorFlow
- PyTorch
- FastAI
- Roboflow
💡 Consejo
Aplique la normalización colorimétrica y la rotación aleatoria para reforzar la solidez del modelo.
Preguntas frecuentes
¿Este conjunto de datos solo contiene imágenes ordenadas por tipo de residuo?
Sí, las imágenes se dividen en partes iguales en 8 clases bien definidas, ideales para el entrenamiento supervisado.
¿Se puede usar para una aplicación móvil de clasificación de residuos?
Por supuesto, es perfectamente adecuado para modelos livianos integrados en teléfonos inteligentes.
¿Es posible combinar este conjunto de datos con otras fuentes?
Sí, se puede combinar fácilmente con otros conjuntos de datos similares para mejorar la diversidad y la precisión.




