【RV1126B 实战连载 08】垃圾分类检测，YOLOv8智慧环保方案

前言：

本期聚焦：前几期我们先后在RV1126B AI视觉套件上跑通了YOLO目标检测、PP-OCR文字识别、YOLO11安全帽检测、火焰检测以及YOLOv5口罩检测。本期把目光转向智慧城市环保场景——垃圾分类检测，用YOLOv8模型在边缘端实现实时垃圾目标识别与分类，验证RV1126B在智慧环卫与环保监控领域的实战能力。

垃圾分类这件”小事”，其实挺让人头疼

如果你住的小区已经实施了垃圾分类，你一定经历过这种场景：

垃圾分类推行后，人力督导成本上去了，但分类准确率并没有质的飞跃。靠人盯桶，终究不是长久之计。

今天这篇实测，我们尝试用YOLOv8 + RV1126B这套边缘AI方案，让摄像头自己”看垃圾、分垃圾”——垃圾入桶的瞬间自动识别类型，全程本地完成。

硬件平台方面，我们继续使用眺望电子的RV1126B AI视觉开放平台套件。这套平台在前面几期已经验证了YOLO系列、PP-OCR、安全帽检测、火焰检测和口罩检测的部署能力，从模型转换到摄像头实时推演，链路成熟稳定。

前几期让它学会了”找物体”“认文字”“查安全”“盯火情”和”看脸识罩”，今天我们要让它学会”分垃圾”。

一、YOLOv8垃圾分类模型解析

垃圾分类检测属于典型的多类别目标检测任务。画面里可能同时出现塑料瓶、易拉罐、果皮、纸袋、电池等多种垃圾，模型需要在复杂背景下把它们一一识别出来，并标出各自的类别。

YOLOv8 是YOLO系列中比较新的一个版本，在检测精度和部署灵活性上做了不少改进。它的网络结构相比YOLOv5更深一些，特征提取能力更强，对多类别、小目标的识别效果有一定优势。对于垃圾分类这种需要区分多个相似类别的场景，YOLOv8的精度表现值得期待。

对于嵌入式设备而言，YOLOv8经过RKNN工具链转换后，可以在RV1126B的NPU上获得可用的推理性能。不过也要诚实地说，YOLOv8的网络比YOLOv5/11更深，在边缘端的帧率和YOLOv5相比会有一些差距——这是精度换速度的正常 trade-off，具体取舍要看项目需求。

接下来看实测效果。

二、YOLOv8垃圾分类检测实战部署

2.1 统一部署环境

硬件连接与前几期一致。将SC450AI摄像头对准IPC-RV1126B接口底板丝印为J9的MIPI CSI接口，装好POE电源板并接通供电。摄像头就位后，套件板即可通过以太网向外推流，记得确认网线已插牢。（注：摄像头同时兼容IMX415）

软件环境也无需重复造轮子。直接拉取官方仓库：

talowe@ubuntu22:~$ git clone https://github.com/hbt021211-coder/talowe-rv1126b-aidemo

如果所在环境网络不畅，直接用资料里离线包路径在：Core-RV1126B-IPC核心板光盘资料\4-软件资料\3-RV1126B模型应用\talowe-rv1126b-aidemo.zip。解压即用，仓库里已经备好了PP-OCR的预编译RKNN文件和完整例程。

视频预览通道依然走UDP推流。在Ubuntu接收终端提前启动GStreamer管道，窗口先待命：

talowe@ubuntu22:~$ gst-launch-1.0 udpsrc port=5000 ! application/x-rtp,media=video,encoding-name=H264,payload=96 ! rtph264depay ! avdec_h264 ! videoconvert ! autovideosink

2.2 推送应用

进入应用目录中，使用adb命令将垃圾分类检测应用推送到rv1126b开发板中，确保adb正常连接。

talowe@ubuntu22:~$ adb push talowe_yolov8_garbage_sort_cam/cpp/install/rv1126b_linux_aarch64/rknn_yolov8_garbage_sort_cam/ /userdata/aidemo

推送完成后，/userdata/aidemo/rknn_yolov8_garbage_sort_cam/ 目录下会包含可执行文件 rknn_yolov8_garbage_sort_cam 以及存放RKNN模型的 model/ 子目录。目录结构和之前YOLO系列、PP-OCR、安全帽检测、火焰检测及口罩检测例程保持统一，进入即可直接运行。

2.3 运行模型应用

进入/userdata/aidemo/rknn_yolov8_garbage_sort_cam目录中执行如下命令

root@rv1126b-buildroot:/userdata/aidemo/rknn_yolov8_garbage_sort_cam# ./rknn_yolov8_garbage_sort_cam model/garbage_sort.rknn /dev/video31 192.168.0.191

三个参数各司其职：

•model/garbage_sort.rknn — 垃圾分类检测RKNN模型，负责识别并分类不同类型的垃圾目标

•/dev/video31 — SC450AI摄像头设备节点

•192.168.0.191 — Ubuntu接收端IP地址，请按实际环境替换

命令执行后，Ubuntu端的GStreamer窗口画面中，摄像头视野内的垃圾目标会被检测框标出并附带类别标签——塑料瓶、易拉罐、果皮、纸袋等不同类型的垃圾被分别标注，分类结果一目了然。画面左上角实时显示当前摄像头帧率和NPU推理帧率，性能数据清晰可见。

从实测效果来看，模型对常见垃圾类型的识别分类能够正常工作。需要说明的是，由于YOLOv8网络结构较深，边缘端推理帧率相比YOLOv5会低一些，这是精度与速度的固有 trade-off。如果项目对帧率要求不高、更看重分类精度，YOLOv8是个不错的选择；如果更看重实时性，可以考虑使用更轻量的模型版本。

三、结语

从YOLO系列目标检测，到PP-OCR文字识别，到YOLO11安全帽检测，到火焰检测，到YOLOv5口罩检测，再到本期YOLOv8垃圾分类检测——部署流程一脉相承。

眺望电子RV1126B AI视觉开放平台把垃圾分类检测这类智慧环保应用，封装成了和前几期Demo一样简洁的部署体验。

不同之处在于，YOLOv8代表了精度优先的模型路线，和前几期YOLOv5的速度优先路线形成了互补。这意味着在同一个平台上，你可以根据项目需求灵活选择——要快选YOLOv5，要精度选YOLOv8。

若需要完整开发资料或者套件申请，可向眺望电子技术支持联系获取。

下期预告：

下一篇我们将为您展示RV1126B AI视觉开放平台的AOV低功耗全时录像技术，敬请期待！