猪在日常饲养环境行为数据集（3000 张图片已划分、已标注）| 适用于目标检测任务
在现代畜牧业的发展中，智能养殖已成为提升生产效率、保障动物福利和优化饲养管理的关键方向。随着计算机视觉与人工智能技术的飞速进步，越来越多的研究者开始尝试将 行为识别与监测技术 引入猪的养殖场景，以便实现自动化管理与精细化养殖。尤其是猪的 采食、饮水、休息及异常行为，不仅直接反映了个体的健康状态，也间接体现了整个猪群的福利水平和饲养环境质量。
然而，要实现基于深度学习的行为检测与识别，首先需要高质量的数据集作为支撑。当前已有一些公开的动物行为数据集，但大多数集中于实验动物（如小鼠、猴子）或野生动物，针对养殖猪的数据资源依旧有限。并且，已有的猪行为数据集往往规模有限，标注精度不足，或类别覆盖不全面，难以满足智能养殖中多样化的应用需求。
为此，我们构建了一个 猪在日常饲养环境下的行为数据集，共包含 3000 张已划分、已标注的图片，覆盖 12 个主要类别，涵盖猪在采食、饮水、休息及无行为状态等核心行为。本数据集不仅可以直接用于深度学习模型的训练与测试，还能够支持健康监测、福利评估和饲养优化研究，具有较强的实用价值与学术价值。
数据集
链接:https://pan.baidu.com/s/1QVdQ7S3MrI9tEf7UwbXPpQ?pwd=jn3c
提取码:jn3c 复制这段内容后打开百度网盘手机App，操作更方便哦
背景
近年来，随着农业现代化进程加快，传统的人工巡查与管理方式逐渐暴露出诸多不足：
- 效率低下：人工观察与记录需要大量时间和人力，难以实时覆盖大规模猪群。
- 精度不足：人的主观判断容易受到疲劳和经验的影响，缺乏稳定性。
- 延时高风险：当猪出现异常（如食欲下降、异常饮水或长时间不活动）时，如果不能及时发现，可能导致疾病传播或经济损失。
相比之下，基于人工智能的 视频监测与行为识别技术 可以实现：
- 全天候监测：通过摄像头实时采集猪舍视频，结合算法自动分析行为。
- 客观评估：通过数据驱动的检测结果避免人工主观偏差。
- 早期预警：通过对饮水量、采食频率和休息模式的识别，提前发现异常。
但这些功能的实现，都离不开一个 高质量、覆盖全面的猪行为数据集。本研究团队基于真实养殖场景采集和精细标注，构建了该数据集，以期推动智能养殖相关算法的研究与应用。
数据集概述
本数据集的核心特征可总结为以下几点：
数据规模与划分
- 总图片数：3000 张
- 数据划分：训练集 2100 张（70%）、验证集 600 张（20%）、测试集 300 张（10%）
- 划分原则：确保不同子集中样本分布均衡，保证多种行为场景均有覆盖。
行为类别（nc = 12）
具体类别如下：
Feeder：饲槽
Lateral Lying：侧卧
Sitting Drinking：坐姿饮水
Sitting Feeding：坐姿采食
Sitting NF：坐姿无明显行为
Standing Drinking：站立饮水
Standing Feeding：站立采食
Standing NF：站立无明显行为
Sternal Lying Drinking：俯卧饮水
Sternal Lying Feeding：俯卧采食
Sternal Lying NF：俯卧无明显行为
Waterer：饮水器标注方式
- 标注方法：矩形框（Bounding Box）标注
- 格式支持：YOLO、VOC、COCO
- 类别标签均已统一编号，方便直接应用于目标检测任务。
场景多样性
- 不同时间：白天、夜晚
- 不同光照：自然光、人工灯光、弱光环境
- 不同饲养模式：单栏、多栏
- 不同个体差异：体型大小、颜色差异
数据集详情
1. 采集方式
- 使用高清摄像头在真实养殖场环境中采集，保证样本真实自然。
- 摄像机安装角度包括俯视、侧视和斜向视角，保证不同场景覆盖。
- 数据采集时长超过 100 小时，从中抽帧生成图片，确保数据多样性。
2. 标注规范
- 每张图片均由两名标注员独立标注，最后由专家审核，确保精度。
- 标注内容包括猪个体位置与行为类别。
- 标注误差控制在 2 像素以内。
3. 数据组织结构
pig_behavior_dataset/
│── images/
│ ├── train/ # 2100 张训练图片
│ ├── val/ # 600 张验证图片
│ └── test/ # 300 张测试图片
│
│── labels/
│ ├── train/ # YOLO 格式标签
│ ├── val/
│ └── test/
│
│── annotations/ # VOC / COCO 标注文件
│
└── README.md # 数据说明
4. 样本展示
- 采食行为：猪头部伸向饲槽，嘴部接触饲料。
- 饮水行为：猪嘴部接触饮水器，伴随明显水滴。
- 休息行为：猪侧卧或趴卧，四肢伸展，头部平放。
- 打架行为：两头猪头部或身体相互顶撞。
5. 数据预处理建议
在模型训练前，可对数据进行以下增强：
- 随机翻转、旋转、裁剪
- 光照增强：亮度/对比度调整
- 加噪声与模糊处理
可使用 Albumentations 或 torchvision.transforms 实现。
示例代码：
import albumentations as A
from albumentations.pytorch import ToTensorV2
import cv2
transform = A.Compose([
A.HorizontalFlip(p=0.5),
A.RandomBrightnessContrast(p=0.3),
A.GaussNoise(p=0.2),
A.Resize(640, 640),
ToTensorV2()
])
image = cv2.imread("pig.jpg")
augmented = transform(image=image)
image_tensor = augmented["image"]
适用场景
智能养殖系统
- 自动监测猪群采食与饮水行为，帮助饲养员实时掌握猪群健康情况。
健康与福利评估
- 通过检测猪的活动水平与休息状态，辅助发现异常个体。
- 早期识别疾病迹象，如长时间不动、食欲下降。
饲养优化研究
- 分析猪群的采食和饮水模式，为精准饲喂和饮水管理提供参考。
- 分析猪群的采食和饮水模式，为精准饲喂和饮水管理提供参考。
异常行为检测
- 自动检测打架、冲突等不良行为，降低应激与受伤风险。
计算机视觉与人工智能研究
- 用于目标检测、多目标跟踪、小样本学习等前沿研究。
- 作为农业人工智能方向的基准数据集，用于算法对比。
结语
本 猪在日常饲养环境行为数据集（3000 张图片已划分、已标注），在数据规模、类别覆盖与标注精度方面均具有较高的实用性。它不仅为智能养殖系统的研究与应用提供了坚实的数据基础，也为学术研究者探索农业人工智能提供了重要资源。
未来，数据集可进一步扩展到 视频级别的行为识别，并结合 传感器数据与多模态信息，实现更加全面的猪行为建模。同时，通过引入更多极端环境（如高温、低温、密集饲养）样本，可以提升模型在真实复杂环境中的鲁棒性。
我们相信，该数据集将成为智能养殖与动物行为研究领域的重要工具，推动畜牧业向数字化、智能化、可持续化发展。
