本教程详细讲解如何基于YOLOv8实现校园食堂餐盘剩余食物检测，涵盖自定义数据集构建、模型训练优化、边缘部署及智能提醒系统集成全流程，帮助食堂精准掌握食物浪费情况，引导师生践行光盘行动，兼具实用性与落地性。
学习步骤
需求分析与场景适配
1. 明确检测目标：识别餐盘内剩余食物的三类状态——无剩余、少量剩余（≤1/3餐盘）、大量剩余（≥2/3餐盘）；2. 场景适配：针对食堂出口摄像头的拍摄角度、光线变化（早中晚不同时段）、餐盘样式（圆形、方形）等场景特点，确定采用YOLOv8s模型，兼顾检测精度与实时性；3. 输出需求：检测结果需联动食堂智能终端，对大量剩余食物的情况触发语音提醒或屏幕提示。自定义剩余食物数据集构建
1. 数据采集：在食堂出口拍摄1000+张不同时段、不同餐盘、不同剩余程度的图片，涵盖强光、弱光、逆光等光线场景；2. 数据标注：使用LabelImg工具标注三类目标，将标注文件转换为YOLO格式（txt文件，包含类别id、中心点坐标、宽高比例）；3. 数据集划分：按8:1.5:0.5比例划分为训练集、验证集、测试集；4. 数据增强：借助YOLOv8自带的增强工具，添加翻转、随机裁剪、亮度调整、噪声注入等增强操作，扩充数据集至2000+样本。YOLOv8模型训练与配置
1. 环境搭建：通过pip安装ultralytics库（`pip install ultralytics`），配置Python3.8+、PyTorch2.0+环境；2. 配置文件编写：创建custom_data.yaml，指定数据集路径、类别数（nc=3）、类别名称（names: ['无剩余','少量剩余','大量剩余']）；3. 启动训练：执行命令`yolo detect train data=custom_data.yaml model=yolov8s.pt epochs=50 batch=16 imgsz=640 device=cpu`，若有GPU可替换device为cuda；4. 训练监控：通过Ultralytics Dashboard查看loss曲线、mAP@0.5等指标，当验证集mAP稳定时停止训练。模型优化与性能验证
1. 模型评估：使用测试集执行`yolo detect val model=runs/detect/train/weights/best.pt data=custom_data.yaml`，查看precision、recall、mAP@0.5等指标，确保三类目标的检测精度均≥90%；2. 模型优化：若精度不足，可调整anchor尺寸（使用`yolo detect anchor data=custom_data.yaml`自动计算适配anchor）、添加CBAM注意力机制，或增加10-20轮微调；3. 模型导出：将最优模型导出为ONNX格式（`yolo export model=best.pt format=onnx`），适配边缘设备部署。边缘部署与智能提醒系统集成
1. 边缘部署：将ONNX模型部署到Jetson Nano边缘设备，使用OpenCV读取食堂摄像头实时流，调用模型进行推理；2. 推理逻辑：对每帧图像中的餐盘进行检测，判断剩余程度，若为大量剩余则触发标记；3. 智能提醒集成：将检测结果对接食堂智能终端，通过语音模块播放“请践行光盘行动”提示语，同时将数据同步至食堂管理后台，统计每日食物浪费情况。
本教程详细讲解如何基于YOLOv8实现校园食堂餐盘剩余食物检测，涵盖自定义数据集构建、模型训练优化、边缘部署及智能提醒系统集成全流程，帮助食堂精准掌握食物浪费情况，引导师生践行光盘行动，兼具实用性与落地性。
常见问题
- 食堂光线变化大导致检测精度不稳定怎么办？
- 可在数据采集阶段多收集不同光线场景的样本，训练时开启YOLOv8的自动亮度调整、直方图均衡化等数据增强操作；部署时添加实时图像预处理模块，对输入帧进行自适应亮度校正，提升模型在复杂光线下的鲁棒性。
- 边缘设备推理速度达不到实时要求怎么办？
- 可更换为YOLOv8n轻量化模型，同时对模型进行INT8量化处理（`yolo export model=best.pt format=onnx int8`），借助TensorRT工具进行推理加速，可将推理速度提升30%-50%，满足食堂实时检测需求。