Classificação de Resíduos na Borda: Classes de Material, Categoria Chinesa em Quatro Vias e MQTT

Aviso de uso

O mapeamento chinês em quatro vias é uma tabela mantida por este projeto, não uma decisão de qualquer autoridade, e as regras variam entre cidades; a saída não deve ser a única base para taxas, penalidades ou decisões de conformidade.

O que esta solução faz

Um acionamento (um botão, uma chamada HTTP ou movimento no quadro) faz o dispositivo capturar uma imagem, classificar o item em uma de oito classes de material, consultar a categoria chinesa de resíduos domésticos em quatro vias a partir dessa classe e publicar uma mensagem MQTT. Um callback assíncrono recebe o resultado em quatro vias ao mesmo tempo, para que uma portinhola, relé ou indicador de faixa possa agir com base nele.

• Uma cabeça, dois níveis de resposta. O modelo prevê oito classes: papel, papelão, vidro, metal, plástico, têxtil, orgânico, residual. A categoria em quatro vias (reciclável / resíduo de cozinha / perigoso / outros) é uma consulta em tabela sobre o argmax de oito classes, então adaptar a uma regra local significa editar a tabela, não retreinar.
• Um acionamento, uma captura. Botão, HTTP ou detecção de movimento com 800 ms de debounce; um acionamento que chega enquanto o anterior ainda está em execução é mesclado, não enfileirado. Também existe um modo contínuo; ele é limitado em taxa e publica somente depois que três quadros consecutivos concordam no top-1.
• Os payloads são validados antes da publicação. Todo payload passa pelo esquema de evento, mais duas regras que o JSON Schema não consegue expressar: category deve ser igual a top3[0], e confidence deve ser igual a top3[0].confidence. Falhas são contabilizadas e descartadas.
• Uma trilha opcional de vocabulário aberto. Uma torre de visão SigLIP 2 pontuada contra protótipos de texto constantes, selecionada no momento da implantação com model.track: open_vocab. Ela adiciona classes sem retreinamento, responde em chinês ou inglês a partir do mesmo embedding de imagem e produz uma pontuação de "não está no meu vocabulário".
• Interface de atuador sem vinculação de pino. O runtime faz callback com uma categoria; qual pino ele aciona é decidido pelo código de integração, então uma única build roda em placas com cabeçalhos diferentes.

Os bytes de imagem nunca saem do dispositivo; o payload carrega apenas um caminho ou um URI de objeto em armazenamento.

• Código-fonte de empacotamento e guia de implantação: sensecraft-solutions / solutions/edge_waste_sorting
• Escolhendo uma configuração e implantando: página de reference design

• Pronto para rodar no dispositivo

  Instale o pacote de aplicação e ele roda; a primeira implantação leva cerca de 35 minutos. Medido em reComputer R2000 series (R2035-12, Hailo-8) em 7417 imagens de validação: top-1 de material 0,8889, top-1 em quatro vias 0,9507 (veja desempenho e dados medidos).

• Código aberto

  O código de runtime é Apache-2.0; os dados de treinamento, TrashNet (MIT) e GC3 (CC BY 4.0), ambos permitem redistribuição.

• Sua própria câmera, sistemas e atuadores

  Câmera USB / RTSP ou uma fonte de arquivo; os resultados saem via MQTT, POST /trigger pode ser chamado por um totem ou gateway PLC, e um callback GPIO aciona uma portinhola ou indicador.

• Roda totalmente no local

  Captura, classificação, consulta e o broker MQTT rodam todos no host; as imagens permanecem no dispositivo e a cadeia principal não precisa de acesso à internet.

Como fica rodando em um dispositivo

Abaixo está o enquadramento da área de descarte visto por uma reCamera PoE depois que o pacote de aplicação waste-sorting foi instalado. Nada é colocado na frente da câmera; a imagem é apenas uma referência de enquadramento.

Os resultados de classificação vão direto para o MQTT. Abaixo estão eventos consecutivos capturados ao assinar waste/recamera-cvi/results:

De que hardware você precisa

Três coisas no ponto de descarte: um acionamento, uma câmera, um host. Com reCamera ou reCamera Pro, a câmera e o host de classificação são o mesmo dispositivo.

① Acionamento — um botão ligado ao host, POST /trigger na porta 8080, ou movimento no quadro. Os três compartilham um debounce de 800 ms, produzem o mesmo evento e são diferenciados pelo campo trigger no payload.

② Câmera — qualquer fonte USB, RTSP ou de arquivo olhando para baixo para a área de descarte; qualquer modelo serve. Um único item deve ocupar uma parte utilizável do quadro, com apenas um item em vista. Itens muito pequenos reduzem a qualidade da classificação, e nenhum dos números em desempenho e dados medidos vem de tal enquadramento.

③ Host de classificação — decide quais caminhos de modelo você pode usar.

	Host de classificação	Acelerador	Classificador conforme implantado	Trilha de vocabulário aberto	Quando escolhê-lo
	reComputer J3011 (Jetson Orin Nano 8GB) Host de IA de entrada	GPU Orin	EfficientNet-Lite0 224², TensorRT FP16	Não oferecida	Um ponto de descarte, apenas classificador básico
	reComputer J4012 (Jetson Orin NX 16GB) Host de IA de alto desempenho	GPU Orin	EfficientNet-Lite0 224², TensorRT FP16	Oferecida (a única classe de dispositivo que a oferece)	Você espera adicionar classes de itens depois sem retreinamento
	reComputer Industrial R2035-12 (Hailo-8) Box industrial sem ventoinha	Hailo-8	EfficientNet-Lite0 224², INT8 HEF	Não oferecida	Já há uma câmera e o host vai em um gabinete; o HEF é compilado fora do dispositivo e baixado no momento da implantação, e as versões do runtime Hailo devem corresponder
	reComputer RK3588 Series Placa de borda econômica	NPU RK3588	EfficientNet-Lite0 224², INT8	Não oferecida	Já há uma câmera, menor custo de hardware, host no gabinete da lixeira ou em um totem; o modelo é convertido fora do dispositivo e nenhum engine é construído no dispositivo
	reCamera 2002 (SG2002) Câmera inteligente tudo em um	O próprio TPU da câmera	EfficientNet-Lite0 224², BF16	Não oferecida	Ainda não há câmera no ponto de descarte, menor custo de hardware; o classificador roda na câmera, sem host separado
	reCamera Pro Câmera inteligente de alto desempenho	O próprio NPU da câmera (RV1126B)	EfficientNet-Lite0 224², INT8	Não oferecida	Ainda não há câmera e o custo não é a primeira preocupação; o classificador roda na câmera

Ambos os modelos reComputer vêm em um gabinete industrial sem ventoinha (reComputer Industrial J3011 / J4012) com o mesmo módulo e runtime, para um quadro de comando ou caixa externa.

A coluna de vocabulário aberto vem das notas de recursos no catálogo de dispositivos: a torre de visão SigLIP 2 é um ONNX de 371 MB com p50 de 66,93 ms por imagem como baseline offline de CPU onnxruntime e precisa de um acelerador.

④ Todo o resto — um consumidor MQTT (o pacote executa um broker local na porta 1883); se o projeto tiver uma aba ou indicador de faixa, o hardware do driver mais o código de integração para o callback de GPIO, que é enviado sem estar vinculado a nenhum pino. A cadeia principal não precisa de acesso à internet.

Limites de seleção negativa

• Vocabulário aberto zero-shot: Se você precisar adicionar novas categorias de resíduos dinamicamente sem retreinamento, não escolha o J3011 (trilha não suportada); escolha o J4012 (16 GB).
• Desfoque de movimento na esteira: Se a esteira se mover mais rápido que 1,5 m/s, câmeras com rolling shutter produzem desfoque de movimento; use câmeras industriais com global shutter.

Como implantar no local

Defina primeiro o enquadramento e o gatilho, depois instale o software. Classificado como intermediário, cerca de 35 minutos para a primeira implantação.

Um: instale o hardware, enquadramento e gatilho

Um item por imagem, grande o suficiente

Não há detector nesta cadeia. Dois itens em um quadro produzem uma resposta, e qual item ela descreve é indefinido; itens que ocupam uma parte muito pequena do quadro são classificados pior. Monte a câmera apontando para baixo para a área de queda de forma que um único item preencha uma parte utilizável do quadro, e decida antes da implantação se o gatilho será um botão, HTTP ou detecção de movimento.

Dois: instale o software

As etapas por dispositivo estão na página do projeto de referência, onde escolher uma configuração para o seu local também fornece o pacote de aplicativo correspondente para download.

Escolha uma configuração e faça o download 🖱️

Há cinco presets: Camera + reComputer J30 / J40 (Orin), Camera + reComputer R2000 series (R2035-12, Hailo-8), Camera + reComputer RK3588, reCamera (SG2002) e reCamera Pro. As etapas abaixo cobrem os presets Orin e Hailo-8; as etapas para os outros três estão na página de implantação.

1. Escolha um preset e um host. Camera + reComputer J30 / J40 (Orin) ou Camera + reComputer R2000 series (R2035-12, Hailo-8).
2. Implante o runtime de triagem de resíduos (obrigatório). No Orin o mecanismo TensorRT é construído no dispositivo durante a implantação (68 s no J4012); o mecanismo é vinculado à arquitetura da GPU e à versão do TensorRT e não pode ser pré-compilado para distribuição. No Hailo as etapas de implantação verificam três barreiras de ABI do Hailo e então fazem o download do HEF.
3. Observe a classificação ao vivo (opcional). O painel local na porta 8080 tem uma pré-visualização MJPEG, contadores de integridade e o top-3 dos resultados recentes. Confirme o enquadramento aqui antes de fazer qualquer fiação.
4. Faça a fiação do gatilho e confirme uma classificação (obrigatório). Um pressionar de botão, chamada HTTP ou evento de movimento deve produzir exatamente uma mensagem MQTT em waste/<stream-id>/results, com category e confidence correspondendo a top3[0].
5. Mude para a trilha de vocabulário aberto (opcional, apenas Orin). Defina model.track: open_vocab no momento da implantação.

Quais interfaces estão disponíveis

O host de triagem expõe duas interfaces e um callback em processo, todos servidos pelo próprio host.

• Sistema de operações ou registro — assine waste/<stream-id>/results na porta 1883. Um JSON por classificação.
• UI de quiosque, gateway PLC ou script de teste — POST /trigger na porta 8080 aciona uma captura e classificação; /events retorna resultados recentes com seus top-3.
• Aba, relé ou indicador de faixa — um callback GPIO assíncrono carrega o resultado de quatro vias. Ele não está vinculado a nenhum pino; o código de vinculação é trabalho de integração.

Tabela completa de interfaces

Tipo	Onde	Conteúdo	Observações
mqtt	1883, waste/<stream-id>/results	type, version, taxonomy_version, device, stream_id, frame_id, timestamp, trigger, inference_time_ms, pipeline_ms, category (class_id, class_name, china_category, china_category_zh), confidence, top3[], image_ref, model (name, backbone, input, onnx_sha256, accelerator)	Uma por classificação. Validado em relação ao esquema de evento antes da publicação
http	8080, /trigger /preview.mjpg /healthz /events	POST /trigger dispara uma captura e classificação (gatilho registrado como http); MJPEG ao vivo; um endpoint de integridade com tempo de inferência, contagens de gatilho e debounce e contagens de MQTT; resultados recentes com top-3	Painel local, sem autenticação
Callback GPIO	Em processo	Resultado de quatro vias, assíncrono	actuator.enabled é false por padrão. Não vinculado a nenhum pino

Duas coisas para observar ao ler os campos:

• A imagem nunca está no payload. image_ref.kind é none, local ou object_store. Bytes de imagem em Base64 em um payload violam o contrato e são rejeitados antes da publicação.
• category é sempre igual a top3[0], e confidence é sempre igual a top3[0].confidence. Ambos são verificados antes da publicação e payloads com falha são contados e descartados, então os consumidores não precisam reconciliá-los.

{
  "type": "waste_classification",
  "version": "1.0.0",
  "device": "waste-sorting-station-01",
  "stream_id": "cam_inlet_01",
  "timestamp": 1729000000.789,
  "trigger": "sensor",
  "inference_time_ms": 3.53,
  "pipeline_ms": 4.12,
  "category": {
    "class_id": 3,
    "class_name": "plastic_bottle",
    "china_category": "recyclable",
    "china_category_zh": "可回收物"
  },
  "confidence": 0.942,
  "top3": [
    {"class_id": 3, "class_name": "plastic_bottle", "confidence": 0.942},
    {"class_id": 5, "class_name": "glass_bottle", "confidence": 0.038},
    {"class_id": 1, "class_name": "metal_can", "confidence": 0.012}
  ]
}

O broker MQTT incluído permite conexões anônimas para comissionamento local; use um broker com credenciais em uma implantação de produção.

Desempenho e dados medidos

sensecraft-solutions / edge_waste_sorting

Medido no dispositivo: classificador baseline (EfficientNet-Lite0)

Dispositivo	Precisão	Imagens de validação	Top-1 de material	Top-1 de quatro vias	Diferença em relação à CPU fp32 nas mesmas imagens	Inferência p50 / p95
reComputer R2000 series (R2035-12) + Hailo-8	INT8 (HEF com entrada uint8)	7417	0,8889	0,9507	+0,12 pp	3,166 ms / 3,249 ms
reComputer RK3588 series	INT8 (calib256+mmse)	7417	0,8882	0,9507	+0,05 pp	3,165 ms / 3,857 ms
reComputer RK3588 series	fp16	7417	0,8882	0,9505	+0,05 pp	5,962 ms / 12,566 ms
reCamera Pro (NPU RV1126B)	INT8	1060	0,8764	0,9566	+0,19 pp	5,824 ms / 6,047 ms
reCamera (TPU SG2002)	BF16	1060	0,8792	0,9566	+0,47 pp	24,276 ms / 24,323 ms

Condições: apenas inferência, excluindo captura e pré-processamento, fluxo único em sequência; pré-processamento é lado mais curto 256 → recorte central 224, com normalização incorporada ao modelo para que o dispositivo receba uint8. 7417 imagens é o conjunto completo de validação; 1060 imagens é cada sétima imagem, um subconjunto no qual o top-1 da CPU fp32 é 0,8745 (0,8877 no conjunto completo), então compare o top-1 entre conjuntos de imagens pela coluna "diferença em relação à CPU fp32". reCamera Pro foi medido com o aplicativo integrado da câmera parado; reCamera atinge pico de 11,6 MB de memória residente.

• Ambos os hosts NPU têm o mesmo p50 (3,2 ms); no Hailo-8 o p95 é apenas 0,08 ms acima do p50, no RK3588 INT8 ele é 0,69 ms acima.
• No RK3588, INT8 e fp16 fornecem o mesmo top-1 de material e INT8 é 1,9× mais rápido. INT8 usa 252 imagens de calibração, o algoritmo mmse e quantização por canal; em uma amostra de 50 imagens, normal concordou com a CPU em 0,90 e mmse em 0,98–1,00. A conversão mmse leva de 40 a 90× mais tempo que normal (17,3 minutos vs 11,5 segundos com 256 imagens de calibração), paga uma vez na conversão.
• O HEF do Hailo-8 é compilado com DFC 3.31.0 em optimization_level=2 (fine-tuning com reconhecimento de quantização); o HEF anterior com optimization_level=1 estava 2,40 pp abaixo da CPU fp32, e a diferença desaparece com o HEF atual.
• No reCamera Pro, INT8 é 2,9× mais rápido que fp16 e 4,2× mais rápido que o reCamera; INT8, fp16 e CPU fp32 estão dentro de 0,2 pp uns dos outros nas mesmas 1060 imagens.

Reproduzir: evaluation/runs/2026-09-07-hailo-quant-tuning, evaluation/runs/2026-09-07-devices/results-rk3588.md, evaluation/runs/2026-09-06-m1c-rk3588-radxa, evaluation/runs/2026-09-07-recamera-pro, evaluation/runs/2026-09-07-devices/results-recamera-sg2002.md

Medido no dispositivo: construção do mecanismo Orin e do gatilho à resposta

Item	Resultado	Dispositivo	Condições
Construção do mecanismo TensorRT	68 s / 72 s	reComputer J40 series (J4012) / J30 series (J3011)	FP16, construído no dispositivo no momento da implantação
Do gatilho à resposta	4,122 ms	reComputer J40 series (J4012)	pipeline_ms no evento MQTT para um POST /trigger, do qual a inferência é 3,533 ms
Inferência p50 / p95	0,992 ms / 1,265 ms	reComputer J40 series (J4012)	O mecanismo implantado, subconjunto de validação de 1060 imagens, fluxo único em sequência
Top-1 de material	0,8755, 99,91% de concordância com a CPU	reComputer J40 series (J4012); J30 series (J3011) re-medido bit a bit idêntico	Mesmo subconjunto de 1060 imagens, CPU fp32 0,8745

Reproduzir: evaluation/runs/2026-09-08-orin-nx-acceptance, evaluation/runs/2026-09-08-orin-nx-acceptance-2, evaluation/runs/2026-09-08-orin-nano-acceptance

Classificador de referência: acurácia de CPU

Métrica	Valor	Condições
Material top-1 (8 classes)	0.8877	val, 7417 imagens; onnxruntime 1.25.1 CPU; ONNX e9f9e847…, 13.477.056 B
Material top-5	0.9833	Mesmo
China quatro vias top-1	0.9500	Mesmo; busca no argmax de oito classes
macro-F1 (7 classes com amostras)	0.8511	textile excluída — zero amostras
Material top-1, teste reservado	0.8802	test, 7290 imagens
Latência de inferência por imagem, CPU	média 16,796 ms / p50 14,724 ms / p95 28,718 ms	apenas session.run, linha de base offline em CPU, batch 1, não é um número de dispositivo
Imagens com confiança abaixo de 0,5	318 (4,3%)	val
Concordância ORT PTQ INT8 vs fp32	0.965	200 imagens de val, por canal + MinMax, sem colapso

O top-1 de quatro vias (0,9500) é maior que o top-1 de material (0,8877) porque a confusão entre vidro, metal e plástico cai toda em recicláveis; a classificação em quatro vias sozinha superestima o quão bem o modelo distingue materiais.

Reproduzir: evaluation/runs/2026-09-06-m1c-cpu

Trilha de vocabulário aberto: SigLIP 2 ViT-B/16

Métrica	Valor	Condições
Material top-1 (8 classes)	0.8501	val, 7417 imagens; conjunto de prompts em inglês waste8-en/v1, template t02, 16-shot α=0,8, temperatura 0,0075
Material top-5	0.9987	Mesmo
China quatro vias top-1	0.9393	Mesmo; caminho hierárquico (oito classes, depois mapeamento)
macro-F1 (7 classes)	0.7460	Mesmo
ECE (15 bins)	0.0221	Mesmo
AUROC de conjunto aberto	0.7538	Média sobre as 7 classes com amostras, leave-one-class-out, score = 1 - max softmax
Concordância chinês–inglês (mesma imagem)	material 0.8698 / quatro vias 0.9143	Um embedding visual, três bancos de protótipos
Material top-1, teste reservado	0.8620	test, 7290 imagens
Latência de inferência por imagem	p50 66,93 ms / p95 91,62 ms	linha de base offline em CPU, batch 1, apenas torre de visão, não é um número de dispositivo

Em comparação com a linha de base (mesmo split):

Métrica	Linha de base (MobileNetV3-Small)	Vocabulário aberto (SigLIP2-B/16)
Material top-1, val	0.8792	0.8501
Material top-1, test	0.8807	0.8620
China quatro vias top-1, val	0.9519	0.9393
macro-F1, val	0.8292	0.7460
ECE (15 bins), val	0.0308	0.0221
AUROC de conjunto aberto	Nenhum (uma cabeça de conjunto fechado não pode descartar uma classe sem retreinamento)	0.7538
Concordância chinês–inglês	Sem lado de texto	0.8698 / 0.9143
Novas classes zero-shot	Retreinamento necessário	Editar o prompt
Latência p50 em CPU	1,57 ms	66,93 ms

A linha de base nesta comparação é o MobileNetV3-Small substituído. O EfficientNet-Lite0 distribuído atinge top-1 em val de 0,8877 neste split com p50 de CPU de cerca de 14,7 ms, o que reduz a razão de latência de 40× para 4–5×.

Reproduzir: evaluation/runs/2026-09-05-w1-cpu

A torre de visão SigLIP 2 medida em NPUs Rockchip (fp16, rknn-toolkit2 / librknnrt 2.3.2; o modelo RK3588 é um .rknn de 191 MB):

Dispositivo	p50 / p95 por imagem	Cosseno do embedding vs CPU, média / mínimo
reComputer série RK3588	169,4 ms / 170,5 ms	0.999617 / 0.998841
reComputer série RK3576	152,51 ms / 176,59 ms	0.99965 / 0.99900

Reproduzir: evaluation/runs/2026-09-06-m1c-rk3588-radxa, evaluation/runs/2026-09-06-rk3576-cat

Pegada de implantação

Item	Tamanho
ONNX de linha de base (efficientnet_lite0_waste8.onnx)	13.477.056 B
ONNX da torre de visão SigLIP 2 (siglip2_vision_224.onnx)	371.695.898 B
Bancos de protótipos + relatório de calibração	cerca de 155 KB no total

Tempos de execução e parâmetros principais

Dispositivo	Modelo	Precisão	Runtime	Como o modelo chega ao dispositivo
reComputer séries J30 / J40	EfficientNet-Lite0 224²	FP16	TensorRT	Engine construída no dispositivo no momento da implantação, vinculada à arquitetura da GPU e à versão do TensorRT; não pode ser pré-compilada para distribuição
reComputer série J40 (trilha opcional de vocabulário aberto)	Torre de visão SigLIP 2 ViT-B/16 + protótipos de texto constantes	—	—	model.track: open_vocab
reComputer série R2000 + Hailo-8	EfficientNet-Lite0 224²	INT8 (entrada uint8, normalização dentro do HEF, optimization_level=2)	HailoRT 4.21.0	HEF compilado fora do dispositivo com DFC 3.31.0, baixado no momento da implantação
reComputer série RK3588	EfficientNet-Lite0 224²	INT8 (calib256+mmse)	librknnrt 2.3.2	Convertido fora do dispositivo com rknn-toolkit2 2.3.2
reCamera Pro	EfficientNet-Lite0 224²	INT8	NPU da câmera (RV1126B), RKNN	Convertido fora do dispositivo com rknn-toolkit2 2.3.2, instalado na câmera no momento da implantação
reCamera (SG2002)	EfficientNet-Lite0 224²	BF16	TPU da câmera, cvimodel	Convertido fora do dispositivo com TPU-MLIR, instalado na câmera no momento da implantação

• Debounce do gatilho: 800 ms; um gatilho que chega enquanto o anterior ainda está em execução é mesclado, não enfileirado
• Modo contínuo: publica apenas quando o top-1 é o mesmo por 3 quadros seguidos; o modo de gatilho dá uma resposta por disparo
• actuator.enabled: padrão false; o callback de GPIO não está vinculado a nenhum pino

Degradações conhecidas

• textile tem zero amostras de treino e avaliação: nenhum dos conjuntos de dados de origem tem uma classe de tecido. O oitavo logit é mantido (a saída ONNX permanece 1×8), mas o modelo nunca o previu, e todas as tabelas relatam n/a para ele.
• Nenhuma classe de material mapeia para hazardous; ela permanece no enum para estabilidade de esquema e a build atual nunca a emite.
• organic compõe 48,9% de train e 47,1% de val; seu recall (0,9791) está muito acima das outras classes (0,70–0,88), e o modelo empurra itens incertos para ela.
• residual tem apenas 20 amostras de val; a trilha de vocabulário aberto atinge 0,2754 de precisão e AUROC leave-one-out de 0,5795 nela, próximo ao acaso.
• Na trilha de vocabulário aberto, prever a classe de quatro vias diretamente a partir de prompts em chinês dá apenas 0,8478; o caminho hierárquico (oito classes, depois mapeamento) dá 0,9393.
• O MobileNetV3-Small substituído entra em colapso sob INT8 em todas as três cadeias de borda: concordância do emulador Hailo DFC 0,115, reComputer série RK3576 0,10, reComputer série RK3588 0,22 (fp16 0,98–1,00); é por isso que a linha de base mudou para EfficientNet-Lite0. Resultados INT8 em RK3588 não se transferem para RK3576.
• A torre de visão SigLIP 2 falha na quantização INT8 para Hailo-8 (hailo optimize gera erros na camada ne_activation_mul_and_add78), portanto não há HEF; a trilha de vocabulário aberto não roda na série reComputer R2000.
• Ambos os conjuntos de dados são fotos de um único item (TrashNet em um quadro branco, GC3 fora do centro e frequentemente ocluído), sem lixo molhado, amassado, empilhado, contra a luz ou parcialmente ensacado; a acurácia em um ponto de entrega ao vivo será menor que os números nas tabelas.

Fontes de dados e ativos

• TrashNet — github.com/garythung/trashnet, Licença MIT, Copyright (c) 2017 Gary Thung. Baseado em duas fontes de primeira parte: o arquivo LICENSE do repositório no commit 6fa2b87, e o campo license do cartão oficial do conjunto de dados no HuggingFace. A licença MIT exige que o aviso de copyright e licença seja mantido e não tem cláusula de compartilhamento pela mesma licença.
• Garbage Classification 3 — Material Identification (Roboflow Universe) — CC BY 4.0, declarado textualmente no README.dataset.txt incluído na exportação. O caminho do projeto no Roboflow Universe é material-identification/garbage-classification-3.
• SigLIP 2 — google/siglip2-base-patch16-224, revisão 75de2d55…, Apache-2.0. Usado apenas pela trilha opcional de vocabulário aberto.
• Pesos iniciais MobileNetV3-Small ImageNet (torchvision) — BSD-3-Clause.
• Código de runtime upstream — Apache-2.0.
• Diagrama de arquitetura — desenhado a partir do catálogo de dispositivos e interfaces de saída do pacote; não contém imagens de conjuntos de dados.

Material externo derivado desses conjuntos de dados deve usar a seguinte string de atribuição textualmente:

TrashNet — Gary Thung and Mindy Yang, https://github.com/garythung/trashnet,
MIT License, Copyright (c) 2017 Gary Thung.
Garbage Classification 3 — Material Identification / Roboflow Universe,
https://universe.roboflow.com/material-identification/garbage-classification-3,
licensed CC BY 4.0.

Nenhuma imagem derivada de conjunto de dados é incluída neste pacote. Ambas as licenças permitem redistribuição.