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

简介: 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。

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:

  1. 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。
  2. 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。
  3. 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。


在这里插入图片描述

数据集概述

本数据集的核心特征可总结为以下几点:

  1. 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。
  2. 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

  3. 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。
  4. 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

在这里插入图片描述

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 Albumentationstorchvision.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

  1. 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。

在这里插入图片描述

  1. 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。
  2. 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。
      在这里插入图片描述
  1. 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。
  2. 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。
      在这里插入图片描述

结语

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。

相关文章
|
17天前
|
机器学习/深度学习 监控 安全
基于YOLOv8的跨越围栏/翻墙行为识别项目|开箱即用全流程源码
本项目基于YOLOv8目标检测模型和PyQt5图形界面工具,成功实现了翻越攀爬围栏和翻墙行为的智能检测系统。通过集成YOLOv8的高效目标检测能力和PyQt5的易用界面,本系统能够准确识别不同场景中的翻越行为,并提供多种输入方式(图片、视频、文件夹、摄像头)进行实时检测,满足多种应用需求。
|
16天前
|
存储 机器学习/深度学习 人工智能
向量数据库
向量数据库是AI时代的“记忆中枢”与“索引引擎”,将图像、文本等非结构化数据转化为高维向量,实现语义级检索。它支撑RAG、多模态搜索、智能推荐等应用,助力大模型获取实时、私有知识,推动AI原生应用落地,正成为连接AI与数据世界的基石。
|
22天前
|
存储 人工智能 弹性计算
阿里云gpu云服务器收费价格,热门实例简介和最新按量、1个月、1年收费标准参考
在阿里云所有gpu云服务器实例规格中,计算型gn5、gn6i、gn6v、gn7i和最新推出的gn8is、gn8v-tee等实例规格是其中比较热门的gpu云服务器实例。阿里云gpu云服务器最新租用价格参考,适合AI推理/训练的16核60G+1张A10 24G显存(gn7i-c16g1.4xlarge),按量优惠价1.9/小时起。本文为大家展示阿里云gpu云服务器中gn5、gn6i等热门实例规格的主要性能和适用场景以及最新按量和1个月、1年收费标准,以供参考。
|
22天前
|
边缘计算 缓存 人工智能
EdgeShard:通过协作边缘计算实现高效的大语言模型推理——论文解读
EdgeShard是一种基于协作边缘计算的大语言模型(LLM)推理框架,旨在解决LLM在云端部署面临的延迟高、带宽压力大和隐私泄露等问题。通过将LLM分片部署在多个边缘设备上,结合云边协同与设备间协作,EdgeShard实现了高效的模型推理。其核心创新包括:联合设备选择与模型划分优化、支持流水线并行与微批处理、提出EdgeShard-No-Bubbles策略以减少设备空闲时间,从而显著提升推理吞吐量并降低延迟。实验表明,EdgeShard在异构边缘设备上可实现高达50%的延迟降低和2倍的吞吐量提升,支持全精度模型推理而无精度损失,为资源受限的边缘环境提供了高效的LLM部署方案。
229 2
|
23天前
|
存储 并行计算 调度
迈向可编程观测:在GPU Kernel中构建类eBPF风格的性能探针
本文旨在梳理作者学习路径,带领读者共同探索 GPU Kernel 性能分析从宏观到微观的技术演进。
351 24
迈向可编程观测:在GPU Kernel中构建类eBPF风格的性能探针
|
17天前
|
机器学习/深度学习 数据采集 数据可视化
基于YOLOv8的粉尘污染检测识别|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!
随着工业化的快速发展,粉尘污染成为了环境监测和工业安全中必须关注的问题。传统的粉尘检测方法往往依赖人工采样和实验室分析,周期长、成本高。基于计算机视觉的自动化粉尘检测系统能够实时、准确地监控环境,从而极大提高安全和管理效率。本项目基于最新的YOLOv8算法,实现了粉尘污染检测与识别,并提供完整源码、数据集和可视化界面,实现开箱即用。
基于YOLOv8的粉尘污染检测识别|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!
|
6天前
|
人工智能 机器人
超越基础问答:用RAG技术打造“有据可循”的智能助手
超越基础问答:用RAG技术打造“有据可循”的智能助手
228 99
|
2月前
|
传感器 测试技术 人机交互
基于STM32的垃圾分类项目设计与实现【开源免费】
基于 STM32 的垃圾分类项目展示了如何使用微控制器、传感器和机械控制单元来实现自动化的垃圾分类。通过合理的硬件选型和模块化的软件设计,系统能够高效地完成垃圾的分类和投放任务。随着技术的发展,这样的智能垃圾分类系统将有助于提高垃圾分类的效率,为环境保护贡献力量。
131 29
|
机器学习/深度学习 编解码 人工智能
人脸表情[七种表情]数据集(15500张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
本数据集包含15,500张已划分、已标注的人脸表情图像,覆盖惊讶、恐惧、厌恶、高兴、悲伤、愤怒和中性七类表情,适用于YOLO系列等深度学习模型的分类与检测任务。数据集结构清晰,分为训练集与测试集,支持多种标注格式转换,适用于人机交互、心理健康、驾驶监测等多个领域。
|
11天前
|
机器学习/深度学习 人工智能 自然语言处理
前沿速览:TrafficVLM、DeepSeek-Terminus、Qwen3-Omni、蚂蚁百灵、Wan2.2-Animate、Qianfan-VL
前沿速览:TrafficVLM、DeepSeek-Terminus、Qwen3-Omni、蚂蚁百灵、Wan2.2-Animate、Qianfan-VL
前沿速览:TrafficVLM、DeepSeek-Terminus、Qwen3-Omni、蚂蚁百灵、Wan2.2-Animate、Qianfan-VL