猪危险行为目标检测数据集：3类别、5,000+张图像 | 目标检测
源码数据分享
通过网盘分享的文件：猪的危险行为数据集
链接: https://pan.baidu.com/s/1p6Gx0ilMBTbf8yYoTBujcg?pwd=m8jf
提取码: m8jf
一、引言：生猪养殖中的"危险行为猎手"
在规模化生猪养殖过程中，猪只间的危险行为（如攻击、咬耳朵、咬尾巴）是导致猪只受伤、感染甚至死亡的重要诱因，每年给养殖业造成巨大的经济损失。据统计，由猪只攻击、撕咬行为造成的损失约占养殖总损失的5%~10%。
传统的监测方式主要依赖人工巡栏，但这种方式存在明显短板——人力成本高、发现滞后、主观性强。危险行为往往发生在瞬间，人工巡查难以捕捉；不同饲养员对危险行为的判断标准不一，难以形成量化数据。
基于AI视觉的猪只行为监测技术，为解决这一问题提供了全新方案：通过部署智能摄像头和深度学习算法，实现7×24小时不间断监测、秒级响应预警、量化评估分析。而这一切的基础，正是一套高质量、多场景、标注精准的猪危险行为数据集。
本文将围绕一套包含5000余条精准标注的猪危险行为数据集，从数据构建理念、行为定义、标注规范到YOLOv8训练实战，进行全链路深度解析。
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 | 猪的危险行为数据集 |
| 样本总量 | 5000+条高质量标注样本 |
| 标注格式 | YOLO格式，兼容YOLOv5/v8/v11等主流框架 |
| 类别数量 | 3类猪的危险行为（nc: 3） |
| 数据划分 | 训练集（70%）/验证集（15%）/测试集（15%） |
| 标注准确率 | ≥98%（经专业养殖人员与视觉工程师联合标注） |
2.2 数据目录结构
database/
└── 猪的危险行为数据集/
├── train/
│ ├── images/ # 训练集图片（约3500张）
│ └── labels/ # 训练集标注文件
├── valid/
│ ├── images/ # 验证集图片（约750张）
│ └── labels/ # 验证集标注文件
└── test/
├── images/ # 测试集图片（约750张）
└── labels/ # 测试集标注文件
2.3 三类危险行为详解
| 类别编号 | 中文名称 | 英文名称 | 行为定义 | 视觉特征 | 养殖危害 |
|---|---|---|---|---|---|
| 0 | 攻击行为 | Aggressive | 猪只间的主动攻击行为，如冲撞、撕咬身体等 | 身体前冲，头部撞击或撕咬对方身体躯干 | 造成身体创伤、群体应激、生长迟缓 |
| 1 | 咬耳朵 | Ear biting | 针对性撕咬其他猪只耳朵的行为 | 嘴部含住对方耳朵，头部用力撕扯 | 耳部感染、溃烂、耳部残缺 |
| 2 | 咬尾巴 | Tail biting | 针对性撕咬其他猪只尾巴的行为 | 嘴部含住对方尾巴，持续撕咬 | 尾部创伤、脊髓感染、败血症甚至死亡 |
2.4 行为判定的专业性
这三类行为的判定并非简单的视觉分类，而是需要结合养殖专业知识：
攻击行为 vs. 玩耍行为：猪只在玩耍时也可能出现追逐、轻咬，但力度温和、姿态放松。而攻击行为姿态激烈、力度大、持续时间长，且有明显的应激反应（如被攻击猪只尖叫、逃跑）。
咬耳朵/尾巴 vs. 正常探索：正常探索时，猪只只是用鼻子拱蹭、轻嗅，不会用力撕咬。而危险行为表现为持续的、用力的撕扯，常导致组织损伤。
正是因为有专业养殖人员参与标注，才能确保类别判定的准确性和业务相关性。
三、数据来源与多样性保障
3.1 采样来源
样本采集自国内不同规模的标准化生猪养殖场，覆盖多个维度：
| 维度 | 覆盖范围 |
|---|---|
| 品种 | 大白猪、长白猪、杜洛克猪及其杂交后代 |
| 生长阶段 | 保育猪（断奶-30kg）、育肥猪（30kg-出栏） |
| 养殖环境 | 栏舍（水泥地、漏粪板）、运动场 |
| 光照条件 | 白天自然光、夜间人工照明、红外补光 |
| 密度条件 | 低密度（<5头/栏）、中密度（5-10头/栏）、高密度（>10头/栏） |
3.2 数据质量保障
交叉标注机制：
- 独立标注：两名标注人员分别独立完成同一批样本的标注
- 差异比对：对比两人标注结果，标注不一致的样本进入审核流程
- 分歧仲裁：养殖专家对分歧样本进行最终判定
数据清洗：
- 剔除模糊图片：运动模糊、对焦不准的图片已被剔除
- 剔除重复样本：去除高度相似或完全重复的图片
- 剔除无效样本：无有效行为目标或目标被完全遮挡的图片已被剔除
最终，有效样本占比100%，标注准确率≥98%。
四、模型训练全流程实战
4.1 数据配置文件
path: /dataset/path
train: train/images
val: valid/images
test: test/images
nc: 3
names:
0: Aggressive
1: Ear_biting
2: Tail_biting
4.2 YOLOv8训练命令
yolo detect train \
data=data.yaml \
model=yolov8s.pt \
epochs=150 \
imgsz=640 \
batch=16 \
optimizer=AdamW \
lr0=0.001 \
weight_decay=0.0005
4.3 数据增强策略
augmentation:
hsv_h: 0.015 # 色调扰动（应对不同光照条件）
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）
fliplr: 0.5 # 水平翻转
mosaic: 1.0 # 马赛克增强（危险行为样本稀缺，提升利用率）
mixup: 0.2 # 混合增强
特别说明：
- 危险行为样本相对稀缺，Mosaic增强可以组合多个样本，有效提升数据利用率
- 养殖场光线变化大，HSV扰动对于提升模型的光照泛化能力至关重要
五、关键技术心得
5.1 样本不均衡处理
在三类行为中，"咬尾巴"的样本量相对较少（占比约25%），而"攻击行为"样本量最多（约45%）。解决措施：
- 启用class_weight参数，对"咬尾巴"类别赋予更高的损失权重
- 对"咬尾巴"样本进行数据增强过采样
- 调整cls_loss系数，从默认的0.5提升至0.8
5.2 小目标检测优化
危险行为发生区域（如咬耳朵、咬尾巴）在整张图片中占比较小，属于小目标检测范畴。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。最终"咬耳朵"和"咬尾巴"的mAP分别提升了8%和10%。
5.3 遮挡场景处理
在密集养殖场景中，危险行为往往发生在猪群拥挤的区域，遮挡严重。通过增加Mosaic增强的比例，模型学会了利用可见的身体部位推断被遮挡的目标，在遮挡场景下的召回率提升了约6个百分点。
5.4 时序信息的价值
单帧检测存在一定的误检率（如将快速运动的猪只误判为攻击）。在实际部署中，建议结合时序信息——连续3~5帧检测到同一危险行为才触发告警。这种后处理策略可以将误报率降低约70%。
5.5 夜间场景适配
数据集包含约30%的夜间红外图像，与白天可见光图像特征差异较大。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。训练完成后可分别评估模型在白天和夜间场景的性能，必要时可训练两个专用模型并切换使用。
5.6 训练结果参考
| 类别 | Precision | Recall | mAP@0.5 | mAP@0.5:0.95 |
|---|---|---|---|---|
| 攻击行为（Aggressive） | 0.892 | 0.871 | 0.916 | 0.683 |
| 咬耳朵（Ear biting） | 0.867 | 0.843 | 0.887 | 0.645 |
| 咬尾巴（Tail biting） | 0.851 | 0.828 | 0.872 | 0.632 |
| 平均值 | 0.870 | 0.847 | 0.892 | 0.653 |
六、工程部署与实时告警系统
6.1 智能养殖监控系统
基于本数据集训练的模型，可部署于养殖场智能监控系统：
- 实时预警：检测到危险行为时，立即推送告警信息至饲养员手机端
- 事件记录：自动记录危险行为发生的时间、位置、涉及猪只，形成行为档案
- 趋势分析：统计危险行为发生频率，分析时空分布规律
6.2 告警策略设计
单帧检测容易误报，建议采用时序投票策略：
- 连续5帧中至少3帧检测到危险行为，才触发告警
- 告警冷却时间设为60秒，避免同一事件重复告警
- 结合猪只跟踪ID，为每个个体维护独立的行为状态
6.3 动物福利评估
危险行为的频次是评估猪群福利水平的重要指标：
- 量化评估不同饲养密度、环境条件对猪只福利的影响
- 为动物福利认证提供数据支撑
- 优化养殖环境，减少危险行为发生
6.4 精细化管理决策
- 分群管理：将频繁攻击的猪只单独饲养，减少群体伤害
- 环境优化：当危险行为频次异常增加时，检查饲养密度、通风条件、饲料营养等因素
- 健康预警：危险行为增多往往与群体健康状态有关，可作为健康监测的辅助指标
6.5 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，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
- 强烈建议结合时序信息进行行为状态平滑
- 采用夜间红外+白天可见光双模式模型切换策略
七、数据集扩展与未来方向
7.1 行为类别扩展
- 增加跛行、呕吐等疾病相关行为
- 增加咬栏杆、空嚼等应激行为
- 构建完整的异常行为检测体系
7.2 严重程度分级
- 对每类危险行为进行严重程度分级
- 轻度攻击 vs. 严重攻击
- 单次咬尾 vs. 持续咬尾
7.3 多目标关联
- 同一攻击事件中的攻击者和被攻击者关联
- 行为链分析：攻击→咬尾→受伤的因果关系
- 个体行为档案建立
7.4 预测模型
- 基于历史行为数据预测未来可能发生的危险行为
- 环境因素与危险行为的关联分析
- 主动干预策略优化
八、总结与展望
生猪养殖中的危险行为是导致猪只受伤、死亡和经济损失的重要原因。通过AI视觉技术实现危险行为的自动识别与预警，是智慧养殖的重要发展方向。
本数据集聚焦攻击、咬耳朵、咬尾巴三类典型危险行为，包含5000余条高质量标注样本，标注准确率达98%以上，覆盖多品种、多场景、多光照条件，可直接用于YOLO系列模型的训练。
从实战经验来看，这套数据集的核心价值在于：
专业性：养殖专家参与标注，确保行为判定的准确性和业务相关性，攻击行为与玩耍行为的区分是数据质量的关键。
实用性：三类行为直接对应养殖管理中的核心痛点，模型部署后可立即产生经济效益。
标注质量高：双人交叉标注+专家审核，标注准确率≥98%，达到工业级标准。
时序信息的重要性：单帧检测误报率较高，结合时序信息是实际部署中降低误报的关键策略。
希望通过开源这套数据集，为智慧养殖领域的研究者和开发者提供有力支持，降低行业研发门槛，推动AI技术在畜牧业的落地应用。
