本文使用的数据集包含水下垃圾和海洋生物。水下垃圾来源于。其中具体的类型如下表所示。但由于本项目是想检测出具体的海洋生物名称，而不是仅仅显示海洋生物这一个标签的，所有我删除了此数据集中的所有bio相关的图片和标签。寻找了特别的海洋生物数据集来源于。其中具体的类型如下表所示。最后写一个和并程序，将这两个数据集和并到一起。

本项目实现了一个完整的端到端推荐系统。从数据清洗、模型构建（PyTorch）、到业务逻辑封装（Backend）、再到前端可视化（Streamlit）。不仅展示了深度学习算法的落地能力，更创新性地加入了用户画像和数字孪生功能，极大地提升了系统的交互性和实用性。

本项目实现了一个完整的端到端推荐系统。从数据清洗、模型构建（PyTorch）、到业务逻辑封装（Backend）、再到前端可视化（Streamlit）。不仅展示了深度学习算法的落地能力，更创新性地加入了用户画像和数字孪生功能，极大地提升了系统的交互性和实用性。

本项目实现了一个完整的端到端推荐系统。从数据清洗、模型构建（PyTorch）、到业务逻辑封装（Backend）、再到前端可视化（Streamlit）。不仅展示了深度学习算法的落地能力，更创新性地加入了用户画像和数字孪生功能，极大地提升了系统的交互性和实用性。