猪仔行为检测数据集3700张高清 YOLO实战评测 智慧养殖

生猪养殖业的智能化升级，早已不是新鲜话题。提到智慧养殖，多数人第一时间联想到物联网、大数据这类宏观概念。但真正能落地、直接创造价值的环节，往往是对猪只个体行为的精细化感知与识别。猪不会说话，它的采食、饮水、排泄、卧姿、活动、打斗等日常动作，就是最直观的“健康诊断书”。本文重点解析一套为此场景量身打造的开源高质量数据集——猪仔行为检测数据集，包含3700张高清图像，覆盖9个核心行为类别。

这套数据并非实验室摆拍，而是直接采集自规模化猪场的实时监控视频。天然兼容YOLO系列检测框架，已按标准划分好训练集、验证集和测试集，下载即可使用。下面直接拆解数据集的背景、构成，以及基于YOLOv8训练后的实战经验。

一、引言：智慧养殖时代的猪仔行为监测

1.1 为什么需要猪仔行为监测？

中国是全球最大的猪肉生产与消费国，这一点毫无争议。但传统养殖模式在规模化扩张中，痛点非常突出：

• 人力成本居高不下：大型猪场雇佣人员巡栏、观察、记录，是一笔持续且沉重的开支。
• 病情发现严重滞后：猪只患病早期，行为异常（拒食、沉郁）是最先出现的信号，但靠人力巡查根本做不到实时捕捉。
• 精细化管控缺失：每头猪的采食量、饮水量缺乏量化数据，精准饲喂沦为空谈。
• 动物福利合规压力：外部监管日趋严格，内部却缺乏有效监测手段证明养殖流程达标。

此时，智能养殖监控系统的价值充分释放。部署AI视觉算法后，系统可全天候不间断监控猪舍，将每头猪的行为转化为结构化数据。某个栏位采食量下降？某个区域频繁打斗？系统自动告警，管理者从被动响应转为主动预警。

1.2 技术挑战

利用计算机视觉识别猪仔行为，听起来方向正确，实际落地难度远超识别宠物猫狗。几个核心障碍：

1. 高密度遮挡：猪场栏舍内猪只紧贴，互相遮挡严重，目标检测极易漏检。
2. 类间相似度高：例如“进食”与“饮水”在头部姿态上差异极小，模型容易混淆。
3. 环境干扰复杂：猪舍内光线变化剧烈，食槽、栏杆、饮水器等背景物体带来大量噪声。
4. 动作快速切换：仔猪活泼好动，行为状态瞬息万变，对算法实时性要求极高。

这些难点决定了——一套高质量、多场景、标注精准的数据集是整个技术栈的基石。

二、数据集概述

2.1 数据集基本信息

2.2 数据集结构

目录结构严格遵循机器学习项目规范，模型加载直接对接：

猪仔行为检测数据集/
├── train/
│   ├── images/          # 训练集图片（约2600张）
│   └── labels/          # 训练集标注文件
├── valid/
│   ├── images/          # 验证集图片（约550张）
│   └── labels/          # 验证集标注文件
└── test/
    ├── images/          # 测试集图片（约550张）
    └── labels/          # 测试集标注文件

训练、验证、测试比例大约7:1.5:1.5，符合深度学习模型训练的一般经验。所有图像均来自真实养殖现场，涵盖不同时段、不同栏舍类型、不同日龄的仔猪，确保数据多样性和真实性。

三、类别定义与标注规范

3.1 九类核心行为详解

数据集聚焦仔猪日常的9个关键行为，每类行为都有清晰的定义、视觉特征及其养殖管理意义：

3.2 标注规范

为确保数据质量，标注过程严格遵循以下原则：

1. 目标完整性：标注框完整包裹整头猪的身体轮廓，使模型能学习行为的整体姿态。密集遮挡场景下，尽量标注可见部分。
2. 边界贴合：标注框紧贴猪只身体边缘，减少背景干扰，直接影响模型精度上限。
3. 行为状态判定：对于行为过渡帧，采用“主体行为优先”原则。例如猪从站立转为躺卧，若已趴下则标“resting”，仍站立则标“standing”。
4. 多场景覆盖：同一行为类别需在不同光照（白天、夜间）、不同栏舍（保育栏、产床、育肥栏）、不同日龄段均有充足样本。

3.3 标注质量控制

整个标注流程通过三轮人工核验：

• 第一轮：标注员初标，确保框选准确。
• 第二轮：养殖领域专家审核，确认行为分类符合实际养殖定义，而非仅凭视觉相似性。
• 第三轮：交叉抽检，保证标注一致性达到95%以上。

最终交付的数据集做到无冗余、无错标、无漏标，可直接用于高精度模型训练。

四、数据集特点与优势

4.1 数据规模适中，场景真实

3700张图片的体量在动物行为识别领域不算庞大，但针对YOLOv8这类模型已足够支撑有效训练。关键在于所有图像均来自实际规模化养殖场，而非实验室的“完美”数据，具备极高的真实度和应用价值。

4.2 场景覆盖全面

在场景多样性上，数据集设计周全：

• 时段覆盖：白天自然光、夜间红外补光、清晨黄昏光线均有收录。
• 栏舍类型：保育栏、产床、育肥栏，覆盖主要养殖设施。
• 日龄覆盖：哺乳仔猪到断奶保育猪均有大量样本。
• 密度变化：低密度、高密度栏位场景均包含。

4.3 类别定义清晰，贴近养殖需求

9类行为构成完整的“猪仔日常行为图谱”。从基础生理行为（饮水、进食、吮乳）到社会行为（撞击、拱蹭、踩踏），再到静息行为（休息、站立、跪地），每类均与养殖管理、健康监测紧密关联，业务价值明确。

4.4 格式标准化，开箱即用

数据集直接采用YOLO标准标注格式，每张图片对应同名.txt文件，内容为：

所有坐标为归一化相对值，直接导入YOLOv5/v8/v11即可开始训练，无需额外格式转换。

五、适用场景

数据集定位明确——它是多个智慧养殖项目的“核心引擎”，具体应用场景如下：

5.1 智能养殖监控系统

规模化猪场普遍人力不足、管理压力大。利用该数据集训练的模型，可为猪场部署AI监控，实现：

• 自动巡栏：24小时不间断监测猪只行为，替代人工往复巡检。
• 异常告警：一旦检测到过度打斗、频繁踩踏等行为，系统自动触发预警。
• 健康监测：通过分析“进食”“饮水”行为变化，提前锁定病弱猪只。

5.2 猪只福利评估

动物福利已从道德话题演变为消费者与监管机构的硬性考核指标。通过行为数据分析，可量化评估福利水平：

• “休息”时间占比反映猪舍舒适度。
• “撞击”行为频率反映群体应激状态。
• “拱蹭”行为频次反映环境丰富度是否达标。

5.3 精细化管理决策

基于量化行为数据的管理决策才是科学决策：

• 监测“进食”行为，优化饲喂策略。
• 监测“饮水”行为，预警饮水器故障。
• 监测“吮乳”行为，辅助仔猪健康管理。

5.4 计算机视觉教学与科研

数据集结构规范、标注清晰，非常适合作为目标检测课程在农业领域的实战案例。学生可完整经历数据加载、模型训练到部署测试的流程，深入理解YOLO在农业场景的应用。

六、基于YOLOv8的训练实战心得

实际使用该数据集训练YOLOv8的过程中，积累了一些经验，分享以帮助少走弯路。

6.1 训练环境配置

• 框架：Ultralytics YOLOv8
• 硬件：NVIDIA RTX 3060（12GB显存）

• 训练参数：

  • epochs: 150
  • batch-size: 24（12GB显存下刚好容纳）
  • imgsz: 640
  • optimizer: AdamW
  • lr0: 0.001

6.2 数据增强策略

考虑养殖场景的复杂性，推荐启用以下增强配置：

augmentation:
  hsv_h: 0.015   # 色调扰动（应对不同时段光照）
  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，养殖场景不会出现倒置）
  fliplr: 0.5    # 水平翻转
  mosaic: 1.0    # 马赛克增强
  mixup: 0.2     # 混合增强

特别说明：猪只姿态相对稳定，旋转角度不宜超过5度，否则会产生现实中不存在的畸形姿态。

6.3 关键心得总结

1. 小目标检测优化：密集养殖场景中，一张图像可能包含10~20头猪，每头猪占比很小。将输入分辨率从640提升至768，并启用multi-scale训练，小目标检测效果提升显著。
2. 类别不均衡处理：“resting”和“standing”样本量较大（合计约40%），而“suckling”和“trampling”相对稀缺。启用class_weight参数，对稀疏类别赋予更高权重，同时对这些类别做过采样。
3. 行为相似性区分：“kneeling”与“resting”姿态接近（均四肢着地），初期混淆率较高。通过增加这两类样本的标注精细化程度，并适当提高mixup增强比例，最终混淆矩阵显示误检率从15%降至5%以内。
4. 夜间场景适配：夜间红外图像与白天可见光图像特征差异大。训练时保持两类样本平衡，并在数据增强中增加曝光度扰动，提升模型对不同光照的泛化能力。
5. 遮挡处理：猪群密集，遮挡不可避免。增加mosaic增强比例后，模型逐渐学会利用可见身体部位推断完整目标，遮挡场景下的召回率提升约8个百分点。

6.4 训练结果参考

经过150个epoch训练后，模型在测试集上的表现：

从结果看，“resting”和“feeding”识别效果最好，这与它们姿态稳定、样本充足有关。“trampling”和“hitting”因姿态变化大、样本较少，精度略低，但总体mAP@0.5平均超过90%，已满足实际应用需求。

七、数据获取与使用说明

使用建议

1. 模型选择：追求极致精度推荐YOLOv8l或YOLOv8x；边缘设备（如海思、瑞芯微开发板）实时部署则选用YOLOv8n或YOLOv8s。
2. 迁移学习：强烈建议在COCO预训练权重基础上微调，收敛更快、精度更高。只需将数据集类别数改为9，调整输出层即可。
3. 后处理优化：实际部署时可结合时序信息（连续多帧检测结果）做行为状态平滑，避免单帧误检导致频繁报警。例如连续5帧检测到“hitting”才触发告警，误报率大幅降低。
4. 部署策略：猪场现场建议采用夜间红外+白天可见光双模式模型切换。分别针对两种场景训练独立模型，根据光照条件自动切换，整体性能更优。

7.3 常见问题解答

Q1：数据集包含夜间红外图像吗？

A：是的，约30%的图像为夜间红外补光场景拍摄，确保模型能在全天候监控场景中正常工作。

Q2：密集场景下的遮挡问题怎么处理？

A：训练阶段已通过Mosaic增强和遮挡模拟策略提升模型抗遮挡能力。实际部署建议结合多角度摄像头，减少遮挡盲区。

Q3：模型对不同日龄猪仔的识别效果差异大吗？

A：数据集覆盖哺乳仔猪到保育猪多个日龄段。测试结果显示，模型对不同日龄猪仔的识别精度差异在3%以内，年龄泛化能力良好。

八、结语

智慧养殖是农业现代化的关键技术环节，而猪只行为监测是其中最基础、最具价值的技术之一。开源这套3700张、9类核心行为的高质量标注数据集，旨在为行业研究者和开发者提供实实在在的支撑，降低研发门槛，推动AI技术真正落地养猪场。

数据集的构建是持续迭代的过程。当前版本虽覆盖9类核心行为，仍有很大改进空间——例如增加更多品种、更多季节场景。如果你在使用中有疑问、有建议，或者希望参与后续扩充，欢迎在评论区留言交流。一起把这件事做得更好。