基于YOLOv8的猪的生活行为识别项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

在现代养殖业中，如何高效、准确地监测猪的生活行为，是提升生产效率与健康管理的关键。借助深度学习与计算机视觉，本项目基于 YOLOv8 目标检测模型，结合 PyQt5 可视化界面，实现了对猪只 饮水、进食、休息、无行为状态 等 12 种行为的自动识别与可视化展示。

项目开箱即用，支持 图片、文件夹、视频、实时摄像头 多种输入方式，并配套完整的训练流程、部署教程和源码数据集，方便二次开发与快速落地。

本项目的行为类别一共 12 类，涵盖了猪只常见的日常状态与设备：

nc: 12
names: ['饲槽', '侧卧', '坐姿饮水', '坐姿吃食', '坐姿无行为', 
        '站立饮水', '站立吃食', '站立无行为', 
        '俯卧饮水', '俯卧吃食', '俯卧无行为', '饮水器']

其中，饲槽 与 饮水器 属于场景关键设施，其余类别则分别对应 坐姿 / 站立 / 俯卧 / 侧卧 下的不同状态，保证了对猪群生活习性的细粒度识别。

项目摘要

• ✅ 单张图片检测：选择图片即可完成自动识别并输出结果
• ✅ 文件夹批量检测：批量处理大规模样本，提高效率
• ✅ 视频检测：支持监控视频流，实时追踪猪只行为
• ✅ 摄像头实时检测：接入养殖场摄像头，动态识别并可扩展报警/统计功能
• ✅ PyQt5 可视化界面：简单易用，无需命令行操作，零门槛使用

界面直观、结果清晰，支持一键保存检测后的结果图片与视频，方便溯源和数据积累。

前言

本项目集成了 YOLOv8 检测模型 与 PyQt5 图形界面工具，实现了包括图片、文件夹、视频与摄像头等多种输入方式的 猪只生活行为识别功能。

配套源码包含：

• 🐷 完整YOLOv8训练代码（训练、验证、推理全流程）
• 🐷 高质量数据集（带标注，可直接训练）
• 🐷 预训练权重文件（无需从零开始即可使用）
• 🐷 检测程序（一键运行，即可识别行为）
• 🐷 PyQt5 桌面工具（可视化交互，方便养殖场用户）
• 🐷 详细部署/训练教程（从环境搭建到模型微调）

让你可以 开箱即用，快速部署属于自己的行为识别系统。

一、软件核心功能介绍及效果演示

1. YOLOv8 检测能力

YOLOv8 作为 Ultralytics 最新一代检测模型，支持更快的推理速度和更高的精度，尤其适合复杂的农牧场景。通过迁移学习，本项目在猪只行为数据集上完成了定制化训练，能够有效区分类似动作（如坐姿饮水 vs 坐姿吃食）。

2. PyQt5 图形界面

• 一键加载模型，支持拖拽文件
• 图形化展示检测结果，直观明了
• 支持行为类别统计与可视化结果保存
• 界面轻量美观，农场管理人员无需编程背景即可使用

3. 应用场景

• 养殖监控：实时监控猪只是否正常饮水、进食
• 健康分析：统计猪群长时间无行为/异常行为，辅助健康预警
• 科学研究：提供行为数据支持动物行为学研究
• 智能养殖系统接入：可对接物联网平台，自动触发报警或记录日志

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。
其核心优势如下：

• 高速推理，适合实时检测任务
• 支持Anchor-Free检测
• 支持可扩展的Backbone和Neck结构
• 原生支持ONNX导出与部署

3.1 YOLOv8的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；
• 准确率高：支持 Anchor-Free 架构；
• 支持分类/检测/分割/姿态多任务；
• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；
• weights/best.pt：最佳模型权重；
• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：

3.4检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel

# 加入可信模型结构
safe_globals().add(DetectionModel)

# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)

# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name

# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI完整源码打包

本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码

至项目实录视频下方获取：https://www.bilibili.com/video/BV1gMYuzyEtA/

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本项目基于 YOLOv8 深度学习模型 和 PyQt5 可视化界面，实现了对猪只 饮水、进食、休息、无行为 等 12 类行为的自动识别。

项目的优势：

• 🎯 高精度检测：支持多姿态、多行为的细粒度识别
• 🚀 多场景输入：支持图片、视频、文件夹、摄像头实时检测
• 🖥 可视化交互：PyQt5 图形化界面，零门槛使用
• 📦 开箱即用：提供源码、数据集、训练流程和权重文件
• 🔗 应用广泛：可用于养殖监控、健康预警、科研研究和智能养殖系统对接

通过该系统，养殖场能够更高效地 监控猪只行为、发现异常状态、提升管理智能化水平，为现代化智慧养殖提供有力的技术支撑。