最近在做一个垃圾分类的项目，就是训练集上的所有xml文件都只有一个属性就是这个照片对应的是干垃圾，湿垃圾，还是有害垃圾，并没有给出垃圾的xyxy坐标。

但是这种情况下，似乎yolo类模型就不太适用于这种模式下的检测了，反而有点像MNIST数字识别分类的感觉了。想问下大佬们就是，这类型的识别一般常见的有哪些模型呢（一张图片，只知道一个结果，现在用的是resnet101来直接提取特征），还有就是如果想做一张图片多个垃圾种类的分类的话，是不是这样的xml训练数据就不能满足这样的项目需求了。