Visual Plastic Type Recognition Dataset
Dataset d’images réelles classées par type de plastique (PET, PE, PP, PS, PC, Others) destiné à des projets en IA, tri et recyclage.
Plus de 3 000 images JPEG classées dans 6 dossiers (PET, PE, PC, PP, PS, Others)
Creative Commons Attribution 4.0 International (CC BY 4.0)
Description
Ce dataset contient plus de 3 000 images classées par type de plastique : PET, PE, PP, PC, PS et autres. Les images proviennent de sources variées telles qu’Unsplash et des outils de scraping web. Il constitue une base de travail idéale pour des projets liés au recyclage, à la durabilité environnementale et à la classification automatique de déchets.
À quoi sert ce dataset ?
- Entraîner des modèles de classification d’images pour reconnaître les différents plastiques
- Améliorer les systèmes de tri automatique dans les chaînes de recyclage
- Sensibiliser le public aux types de plastique et à leur recyclabilité
Peut-on l’enrichir ou l’améliorer ?
Oui, le dataset peut être nettoyé, équilibré ou enrichi avec des annotations supplémentaires. L’augmentation de données ou l’ajout de contextes visuels (ex. objets composites) peut en améliorer l’utilité pour des modèles plus complexes.
🔎 En résumé
🧠 Recommandé pour
- Étudiants en vision par ordinateur
- Projets IA en environnement
- Startups en recyclage
🔧 Outils compatibles
- TensorFlow
- PyTorch
- Keras
- FastAI
- LabelImg
💡 Astuce
Commence par nettoyer et équilibrer les classes avant de tester différents modèles de classification.
Questions fréquemment posées
Quelles sont les catégories de plastique incluses ?
Le dataset contient les catégories suivantes : PET, PE, PC, PP, PS, et Others (incluant PVC, ABS et objets non classés).
Peut-on utiliser ce dataset dans un projet de tri automatisé des déchets ?
Oui, il a été conçu pour entraîner des modèles de classification d’images pour la reconnaissance des types de plastique.
Faut-il nettoyer ou rééquilibrer les données avant utilisation ?
Oui, le dataset est brut et déséquilibré. Il est recommandé de le prétraiter pour des performances optimales en apprentissage automatique.




