猫狗检测数据集 | 4300张YOLO宠物识别数据集
适用于智能相册分类、宠物识别App与目标检测研究
一、数据集概述
本数据集面向 计算机视觉 目标检测任务，专为猫、狗两类目标的检测模型训练、验证与测试设计，共包含约4300张高质量标注图像。该数据集聚焦于常见家养宠物的检测与识别，可广泛应用于智能相册分类、宠物识别App、动物收容所管理、家庭安防等场景，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测 框架 。
随着宠物经济的持续升温与智能设备的日益普及，利用计算机视觉技术实现猫狗的自动识别与检测已成为提升用户体验、优化宠物管理的重要手段。本数据集针对猫狗检测场景中姿态多样、背景复杂、 光 照变化等问题进行专项构建，可为智能相册与宠物识别系统提供高质量数据支撑。
数据集下载
通过网盘分享的文件：猫狗检测-2类数据集
链接: https://pan.baidu.com/s/1sOutcjsnyirl7IzlXR1hRQ?pwd=pkqe
提取码: pkqe
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 猫狗检测数据集 |
| 数据规模 | 约4300张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 猫、狗 |
| 类别数量（nc） | 2类 |
| 标注方式 | Bounding Box目标框标注 |
| 数据格式 | YOLO标准格式 |
| 数据来源 | 真实场景多视角采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等 |
三、数据集类别说明
本数据集为二分类目标检测数据集，共设置2个检测类别，聚焦于猫与狗两类常见家养动物的检测与识别，类别简洁明确，无冗余类别干扰。
类别配置
nc: 2
names:
- cat
- dog
类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 猫 | cat | 各类家猫及猫科宠物目标 |
| 1 | 狗 | dog | 各类家犬及犬科宠物目标 |
二分类设计使模型能够专注于猫/狗的二元判别任务，兼顾目标定位与品种泛化，特别适用于智能相册分类、宠物识别App与动物收容所管理等专项应用场景。
四、数据集结构说明
数据集采用标准YOLO目录结构组织，已按训练集、验证集、测试集进行科学划分，结构清晰，便于直接接入主流检测框架。
猫狗检测-2类/
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
├── test
│ ├── images
│ └── labels
└── data.yaml
各数据集作用如下：
- train/images & labels：训练集图像与标签，用于模型参数学习与特征提取；
- valid/images & labels：验证集图像与标签，用于超参数调优、早停监控及防止过拟合；
- test/images & labels：测试集图像与标签，用于最终模型性能评估与泛化能力测试。
标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，配套 data .yaml已配置好类别名称与数量，可直接适配YOLO系列等目标检测框架。
五、数据集核心优势
1. 聚焦宠物双类别检测
本数据集以猫、狗检测为核心任务，所有图像聚焦于真实生活场景下的猫狗目标采集。双类别设计简洁明确，聚焦常见家养动物，标注精准，无冗余类别干扰，更利于训练出针对猫狗的高精度检测模型。
覆盖场景包括：
- 室内家居环境
- 户外活动场景（草地、街道、公园）
- 不同背景与光照条件
- 不同宠物品种与体型
- 不同活动状态
能够有效提升模型的实际部署效果。
2. 丰富的姿态与场景覆盖
数据覆盖多种宠物姿态与环境条件：
- 姿态类型：站立、卧躺、坐姿、奔跑、跳跃、嬉戏等
- 活动状态：静态、动态、与人类互动等
- 尺度变化：近距离特写、中距离全身、远距离小目标
- 遮挡情况：部分被遮挡、与其他物体重叠等
- 宠物品种：多种猫狗品种的体型、毛色与外貌差异
贴近真实应用环境，有效提升模型泛化能力。
3. 多样的拍摄条件
数据覆盖：
- 光照条件：室内灯光、白天自然光、阴天散射光、逆光等
- 拍摄角度：平视、俯视、仰视、侧视等不同视角
- 背景环境：室内家居、户外草地、城市街道、公园等
- 天气条件：晴天、阴天等
能够有效增强模型在真实环境中的鲁棒性。
4. 高质量人工标注
所有图像均经过高质量人工精准标注：
- 边界框规整、无漏标/错标
- 以宠物整体为目标进行框选标注
- 猫/狗判别标准统一清晰
- 密集/遮挡场景下的独立标注处理
- 满足高精度检测模型训练需求
有效保证模型训练质量。
5. 即用型数据组织
标准目录结构+简洁类别配置，无需复杂预处理，下载即可直接用于模型训练，降低使用门槛。配套data.yaml已配置好类别名称与数量，一键启动训练。
6. 充足的样本量
总计约4300张高质量图像，样本量充足，保障模型训练收敛性与泛化能力，覆盖不同场景、不同姿态及不同光照条件。
六、适用场景
智能相册猫狗自动分类
为智能手机相册、云相册等应用提供猫狗自动分类能力，实现照片的智能整理与管理。
宠物识别App与养宠设备
集成于宠物识别App、智能喂食器、智能猫砂盆等设备，实现宠物的自动识别与个性化服务。
动物收容所巡检管理
辅助动物收容所进行宠物的自动检测与记录，提高收容管理效率与动物福利水平。
家庭安防宠物目标检测
在家庭安防系统中识别宠物目标，过滤宠物引发的误报，提升安防系统的智能化水平。
宠物行为监测
对家中宠物的活动区域与行为状态进行自动识别与记录，辅助健康管理。
教学科研
用于目标检测算法入门、二分类模型验证与调优等科研场景。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 宠物识别与检测研究
- 二分类目标检测研究
- 多姿态目标检测研究
- 家庭场景智能感知研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
- 域适应与跨品种泛化研究
- 智能相册与图像管理研究
- 动物行为监测研究
八、总结
猫狗检测数据集包含约4300张高质量标注图像，采用标准 YOLO格式 构建，专注于猫与狗的检测与识别任务。数据集以猫和狗2类为核心检测目标，覆盖室内、户外、草地、街道等多种真实场景，具有类别简洁、姿态丰富、标注精准等特点，可广泛应用于智能相册分类、宠物识别App、动物收容所管理、家庭安防等领域，是开展宠物检测算法研发与智能宠物服务系统建设的优质数据资源。
