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?pwd=ta5a
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

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：

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

1. 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。

2. 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。

3. 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。

4. 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/path
train: train/images
val: valid/images
test: test/images

nc: 9
names:
  0: Drinking
  1: Feeding
  2: Hitting
  3: Kneeling
  4: Nosing
  5: Resting
  6: Standing
  7: Suckling
  8: Trampling

5.2 YOLOv8训练命令

yolo detect train \
  data=data.yaml \
  model=yolov8s.pt \
  epochs=150 \
  imgsz=640 \
  batch=24 \
  optimizer=AdamW \
  lr0=0.001

5.3 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

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：

1. 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。

2. 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。

3. 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。

4. 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。