Visual Plastic Type Recognition Dataset
Conjunto de datos de imágenes reales clasificadas por tipo de plástico (PET, PE, PP, PP, PS, PC, otros) para proyectos de IA, clasificación y reciclaje.
Más de 3000 imágenes JPEG organizadas en 6 carpetas (PET, PE, PC, PP, PS, otras)
Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
Descripción
Este conjunto de datos contiene más de 3000 imágenes clasificadas por tipo de plástico: PET, PE, PP, PC, PS y otros. Las imágenes provienen de diversas fuentes, como Unsplash y herramientas de raspado web. Es una base de trabajo ideal para proyectos relacionados con el reciclaje, la sostenibilidad ambiental y la clasificación automática de residuos.
¿Para qué sirve este conjunto de datos?
- Entrene modelos de clasificación de imágenes para reconocer diferentes plásticos
- Mejora de los sistemas de clasificación automática en las cadenas de reciclaje
- Aumentar la conciencia pública sobre los tipos de plástico y su reciclabilidad
¿Se puede enriquecer o mejorar?
Sí, el conjunto de datos se puede limpiar, equilibrar o enriquecer con anotaciones adicionales. Aumentar los datos o agregar contextos visuales (por ejemplo, objetos compuestos) puede mejorar su utilidad para modelos más complejos.
🔎 En resumen
🧠 Recomendado para
- Estudiantes de visión artificial
- Proyectos de IA en el medio ambiente
- Startups de reciclaje
🔧 Herramientas compatibles
- TensorFlow
- PyTorch
- Keras
- FastAI
- LabelImg
💡 Consejo
Comience por limpiar y equilibrar las clases antes de probar diferentes modelos de clasificación.
Preguntas frecuentes
¿Qué tipos de plástico se incluyen?
El conjunto de datos contiene las siguientes categorías: PET, PE, PC, PP, PS y otras (incluidos PVC, ABS y objetos no clasificados).
¿Se puede usar este conjunto de datos en un proyecto automatizado de clasificación de residuos?
Sí, se diseñó para entrenar modelos de clasificación de imágenes para el reconocimiento de tipos de plástico.
¿Deben limpiarse o reequilibrarse los datos antes de usarlos?
Sí, el conjunto de datos está sin procesar y no está balanceado. Se recomienda pretratarlo para obtener un rendimiento óptimo del aprendizaje automático.
