猪行为目标检测数据集9类别、3,700张图像 | 目标检测源码数据分享通过网盘分享的文件猪仔9类核心行为检测数据集链接: https://pan.baidu.com/s/1wzIbXnhghoS7xxtLFrsYLw?pwdta5a提取码: ta5a一、引言从人盯猪到AI行为监护的养殖变革我国是全球最大的猪肉生产国和消费国生猪养殖规模居世界首位。然而传统养殖模式面临人力成本高、疾病发现滞后、管理精细化不足、福利监管困难等诸多挑战。猪只患病早期往往表现为行为异常但人工观察难以及时发现等到症状明显时往往已造成不可逆的损失。智能养殖监控系统应运而生。通过部署AI视觉算法系统可以实时监测猪只的行为状态及时发现异常行为为养殖管理者提供决策支持。而这一切的基础正是一套高质量、多场景、标注精准的猪仔行为数据集。本文将围绕一套包含3700张高清标注的猪仔行为检测数据集从数据构建理念、9类行为定义、标注规范到YOLOv8训练实战进行全链路的深度解析。二、数据集深度解析2.1 数据集核心参数项目说明数据集名称猪仔行为检测数据集样本总量约3700张高质量高清图像标注格式YOLO格式兼容YOLOv5/v8/v11等主流框架类别数量9类猪仔核心行为nc: 9数据划分训练集/验证集/测试集图像来源实际规模化养殖场景2.2 数据目录结构猪仔行为检测数据集/ ├── train/ │ ├── images/ # 训练集图片约2600张 │ └── labels/ # 训练集标注文件 ├── valid/ │ ├── images/ # 验证集图片约550张 │ └── labels/ # 验证集标注文件 └── test/ ├── images/ # 测试集图片约550张 └── labels/ # 测试集标注文件训练集、验证集、测试集的比例约为7:1.5:1.5符合深度学习模型训练的最佳实践。2.3 九类核心行为详解数据集聚焦猪仔日常生活中的9类核心行为每类行为都有明确的定义和视觉特征序号英文名称中文名称行为定义视觉特征养殖意义0Drinking饮水猪仔主动接触饮水设备、摄取水分头部靠近饮水器嘴部有饮水动作饮水异常可能提示疾病或饮水器故障1Feeding进食猪仔在食槽处啃食、摄取饲料头部低垂于食槽嘴部有咀嚼动作进食减少是疾病早期重要信号2Hitting撞击用身体或头部撞击其他猪仔的攻击性行为身体前冲头部与目标猪接触过度攻击提示群体应激或空间不足3Kneeling跪地前肢跪地、后肢站立的姿态行为前腿弯曲着地臀部抬高可能与关节问题或舒适度有关4Nosing拱蹭用鼻子拱蹭地面、栏舍或其他猪仔鼻子贴地或贴物左右摆动探索行为异常频次提示应激5Resting休息躺卧、趴伏且无明显活动的静息状态身体放松四肢蜷缩或伸展正常静息时间需维持合理比例6Standing站立四肢支撑身体直立且无其他特定行为四肢直立身体平衡基础状态站立异常提示不适7Suckling吮乳仔猪吸食母猪乳汁的行为口部含住母猪乳头身体紧贴母猪吮乳不足直接影响仔猪存活率8Trampling踩踏猪仔踩踏其他猪仔的行为一只猪仔的蹄部踩在另一只身上可能导致弱小仔猪受伤甚至死亡这9类行为从基础生理行为饮水、进食、吮乳到社会行为撞击、拱蹭、踩踏再到静息行为休息、站立、跪地形成了一个完整的行为图谱每类行为都与养殖管理、健康监测密切相关。三、标注规范与质量控制3.1 标注规范目标完整性标注框必须完整包含猪仔的身体轮廓确保模型能够学习到行为的整体姿态特征。对于群体场景每只猪仔单独标注即使存在遮挡也尽量标注可见部分。边界贴合标注框与猪仔身体的边界保持紧密贴合尽量减少背景干扰提升模型训练的精度上限。行为状态判定对于处于行为过渡期的图片遵循主体行为优先原则进行标注。多场景覆盖同一类别在不同光照条件、不同栏舍类型、不同日龄段均有充足样本。3.2 三轮标注核验第一轮标注员初标确保基础框选准确第二轮养殖专家审核确认行为分类符合实际养殖定义第三轮交叉抽检确保标注一致性达到95%以上最终交付的数据集无冗余、无错标、无漏标可直接用于高精度模型的训练。四、猪仔行为检测的独特挑战4.1 目标密集性规模化养殖场景下栏舍内猪仔数量多、密度大个体之间遮挡严重。一张图片中可能包含10~20只猪仔每只猪仔在画面中占比较小。4.2 行为相似性某些行为在姿态上较为相似“进食与饮水”头部低垂的姿态相似“跪地与休息”四肢着地的姿态相似“站立与拱蹭”直立姿态的区别主要在鼻子动作4.3 环境复杂性栏舍环境复杂光线变化大背景包含食槽、饮水器、围栏等元素粪便和污渍干扰视觉判断。4.4 动态变化快猪仔活动频繁行为状态快速切换对算法的实时性要求高。五、模型训练全流程实战5.1 数据配置文件path:/dataset/pathtrain:train/imagesval:valid/imagestest:test/imagesnc:9names:0:Drinking1:Feeding2:Hitting3:Kneeling4:Nosing5:Resting6:Standing7:Suckling8:Trampling5.2 YOLOv8训练命令yolo detect train\datadata.yaml\modelyolov8s.pt\epochs150\imgsz640\batch24\optimizerAdamW\lr00.0015.3 数据增强策略augmentation:hsv_h:0.015# 色调扰动应对不同时段光照hsv_s:0.7# 饱和度扰动hsv_v:0.4# 明度扰动degrees:5.0# 小角度旋转translate:0.1# 平移scale:0.5# 缩放flipud:0.0# 垂直翻转关闭养殖场景中不会出现倒置fliplr:0.5# 水平翻转mosaic:1.0# 马赛克增强mixup:0.2# 混合增强特别说明养殖场景中猪只姿态相对稳定旋转增强角度不宜过大5度以内以免产生不符合实际的姿态。六、关键技术心得6.1 小目标检测优化在密集养殖场景中单张图片可能包含10~20只猪仔每只猪仔在画面中占比较小。通过将输入分辨率从640提升到768并启用multi-scale训练显著改善了小目标的检测效果。6.2 类别不均衡处理resting和standing两类样本量较多合计占比约40%而suckling和trampling样本相对稀缺。解决方案是启用class_weight参数对样本量较少的类别赋予更高的权重同时对少数类样本进行过采样处理。6.3 行为相似性区分kneeling和resting在姿态上存在一定相似性初期训练时混淆率较高。通过增加这两类样本的标注精细化程度并适当增加mixup增强的比例最终混淆矩阵显示两类间的误检率从15%降至5%以内。6.4 夜间场景适配夜间红外图像与白天可见光图像存在较大的特征差异。建议在训练时保持两类样本的平衡并在数据增强中增加曝光度扰动提升模型的跨光照泛化能力。6.5 遮挡处理猪群密集场景下个体之间遮挡严重。通过增加mosaic增强的比例模型逐渐学会利用可见的身体部位推断完整目标在遮挡场景下的召回率提升了约8个百分点。6.6 训练结果参考类别PrecisionRecallmAP0.5mAP0.5:0.95Drinking饮水0.8870.8620.9040.652Feeding进食0.9120.8940.9310.678Hitting撞击0.8340.8110.8590.612Kneeling跪地0.8560.8330.8780.628Nosing拱蹭0.8790.8560.8950.644Resting休息0.9410.9280.9560.712Standing站立0.9080.8870.9220.668Suckling吮乳0.9230.9060.9380.682Trampling踩踏0.8110.7890.8320.591平均值0.8830.8630.9020.652七、工程部署与智慧养殖系统7.1 智能养殖监控系统基于本数据集训练的模型可以为猪场部署AI监控系统自动巡栏24小时不间断监测猪只行为异常告警检测到撞击过度、踩踏频繁等异常行为时自动告警健康监测通过进食饮水行为的变化早期发现病弱猪只7.2 猪只福利评估通过分析猪只行为数据可以量化评估福利水平休息时间比例反映舒适度撞击频率反映群体应激水平拱蹭行为频次反映环境丰富度7.3 精细化管理决策进食行为监测优化饲喂策略饮水行为监测预警饮水器故障吮乳行为监测辅助仔猪健康管理7.4 部署建议若追求极致精度建议使用YOLOv8l或YOLOv8x若需实时部署在边缘设备如海思、瑞芯微开发板YOLOv8n或YOLOv8s是更优选择建议在COCO预训练的权重基础上进行微调结合时序信息进行行为状态平滑连续5帧检测到同一行为才触发告警采用夜间红外白天可见光双模式模型切换策略八、数据集扩展与未来方向8.1 行为类别扩展增加呕吐、跛行等异常行为类别增加发情、分娩等繁殖行为构建更完整的猪只行为图谱8.2 品种与日龄扩展增加更多品种的样本覆盖从出生到出栏的完整生长周期不同日龄猪仔的行为差异研究8.3 视频时序分析从单帧检测升级到视频级行为识别行为持续时间统计行为序列分析8.4 多模态融合可见光红外双模态融合音频视觉联合分析环境传感器数据融合九、总结与展望智慧养殖是农业现代化的关键方向而猪只行为监测则是智慧养殖的核心技术之一。通过开源这套3700张、9类核心行为的高质量标注数据集希望能为智慧养殖领域的研究者和开发者提供一份有力的支持降低行业研发门槛推动AI技术在畜牧业的落地应用。从实战经验来看这套数据集的几个核心价值在于场景真实性高所有图像来源于实际规模化养殖场景而非实验室或模拟环境数据的真实性和应用价值有保障。类别定义清晰9类行为与养殖管理、健康监测密切相关具有明确的业务价值。标注质量优秀养殖专家与视觉工程师联合标注三轮核验确保标注一致性。即用性强标准化结构可直接启动训练无需额外处理。数据集的构建是一个持续迭代的过程目前的版本虽然已经覆盖了9类核心行为但仍有许多可以改进的地方。如果你在使用过程中有任何问题或建议欢迎交流讨论。