TACO
TACO 是一个专注于野外垃圾检测的开源图像数据集与工具包，全称为“上下文中的垃圾标注数据集”。它致力于解决计算机视觉在复杂自然环境中识别和分割各类垃圾的难题。通过收集森林、道路、海滩等多样化场景下的真实垃圾照片，TACO 提供了经过人工精细标注和语义分割的数据，并采用分层分类体系，帮助算法更准确地理解不同种类的废弃物。
这套工具特别适合人工智能开发者、环境科研人员以及计算机视觉领域的学生使用。无论是训练目标检测模型，还是评估算法在真实场景下的表现，TACO 都能提供坚实的数据基础。其技术亮点在于采用了业界通用的 COCO 标注格式，便于无缝对接主流深度学习框架；同时项目还集成了改进版的 Mask R-CNN 检测器示例，支持用户快速复现垃圾分割效果。此外，TACO 拥有活跃的社区贡献机制，持续通过在线平台收集新的图像与标注，使数据集规模不断成长。对于希望利用 AI 技术助力环境保护、开发自动清洁系统或研究生态监测的团队来说，TACO 是一个实用且开放的起点。
使用场景
某环保科技团队正在开发一款基于无人机航拍的城市垃圾自动巡检系统，旨在快速识别公园、海滩及路边的散落废弃物。
没有 TACO 时
- 数据收集困难：团队需人工拍摄并整理成千上万张不同场景（如树林、沙滩）的垃圾照片，耗时数月且覆盖场景单一。
- 标注成本高昂：缺乏现成的分层分类标准，工程师需手动定义垃圾类别并逐帧绘制分割掩码，人力成本极高。
- 模型泛化差：由于训练数据多来自特定角度或光照条件，部署后的模型在复杂野外环境下误报率居高不下。
- 格式转换繁琐：找到的零散开源数据集格式不一，需编写大量脚本转换为 COCO 格式才能适配主流检测算法。
使用 TACO 后
- 开箱即用数据：直接下载 TACO 包含的多样化野外垃圾图像库，瞬间获得涵盖 woods、roads 和 beaches 的高质量训练集。
- 标准化分层标注：利用 TACO 预定义的层级分类体系和精确的像素级分割掩码，大幅减少数据预处理时间。
- 提升检测鲁棒性：基于丰富的真实场景数据训练 Mask R-CNN 模型，显著提升了系统在复杂光照和背景下的识别准确率。
- 无缝集成开发：借助 TACO 提供的原生 COCO 格式注解和 Python API，团队可直接运行 demo 脚本验证效果，加速原型迭代。
TACO 通过提供高质量、多样化的野外垃圾标注数据集，将环保 AI 项目的数据准备周期从数月缩短至数天，让开发者能专注于算法优化而非数据清洗。
运行环境要求
- 未说明
未说明 (基于 Mask R-CNN 实现，通常建议配备 NVIDIA GPU 以加速训练和推理，但 README 未明确具体型号或显存要求)
未说明
快速开始
TACO 是一个不断增长的野外垃圾图像数据集。它包含在不同环境中拍摄的垃圾图片：森林、道路和海滩。这些图片经过人工标注和分割，并按照层次化分类体系进行组织，用于训练和评估目标检测算法。目前，图片托管在 Flickr 上，我们还有一个服务器正在收集更多图片和标注，地址是 tacodataset.org。
为方便起见，标注以 COCO 格式提供。元数据请参阅：http://cocodataset.org/#format-data
TACO 目前规模仍然较小，但正在不断扩展中。敬请关注！
出版物
更多详情请参阅我们的论文：https://arxiv.org/abs/2003.06975
如果您在出版物中使用本数据集和 API，请引用如下：
@article{taco2020,
title={TACO: Trash Annotations in Context for Litter Detection},
author={Pedro F Proença and Pedro Simões},
journal={arXiv preprint arXiv:2003.06975},
year={2020}
}
新闻
2019年12月20日 - 增加了785张图片和2642个垃圾区域的分割标注。
2019年11月20日 - TACO 正式开放新标注功能：http://tacodataset.org/annotate
使用指南
需求
安装所需的 Python 包，只需运行：
pip3 install -r requirements.txt
此外，要使用 demo.pynb，还需要 coco python api。可以通过以下命令安装：
pip3 install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI
下载
下载数据集图片，只需执行：
python3 download.py
或者直接从 
下载。
我们的 API 包含一个 Jupyter Notebook 文件 demo.pynb，可用于查看数据集并可视化标注。
未标注数据
现在也提供了未标注和已标注图片的 URL 列表，存储在 data/all_image_urls.csv 中。每张图片包含两个 URL：第一个是 Flickr 托管的 VGA 分辨率缩略图，第二个是原图 URL。如果您决定使用其他工具对这些图片进行标注，请将其公开，并与我们联系以便我们跟踪进展。
非官方数据
通过我们网站提交的标注每周会添加到 data/annotations_unofficial.json 中。这些标注尚未经过我们的审核——其中一些可能不准确或分割质量较差。您可以使用相同的命令下载对应的图片：
python3 download.py --dataset_path ./data/annotations_unofficial.json
垃圾检测
Matterport 的 Mask R-CNN 实现 已包含在 /detector 目录中，并做了一些修改。所需依赖与之前相同。在使用之前，需要先对数据集进行划分。您可以下载我们提供的 权重和划分文件，也可以使用 split_dataset.py 脚本从头生成随机的训练、验证和测试子集。例如，在 detector 目录下运行：
python3 split_dataset.py --dataset_dir ../data
更多使用说明请参阅 detector/detector.py。
正如您在 tacodataset.org/stats 上所看到的，TACO 的大多数原始类别标注数量非常少，因此这些类别要么被舍弃，要么需要合并。根据具体问题，detector/taco_config 中提供了多个类映射方案，用于将目标类别归并到最常用的几类，比如罐头、瓶子和塑料袋。您也可以根据需求自定义类别。
版本历史
1.02020/03/05v0.12019/06/09常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。