前言

在智能养殖逐渐成为行业主流的今天，把计算机视觉技术引入猪舍，早已不是什么新鲜概念。通过实时监测猪的采食、饮水、休息等行为，不仅能直接反映个体的健康状况，更是评估整个猪群福利水平、优化饲养管理的核心手段。说白了，猪的一举一动，都是性价比极高的“健康信号”。 然而，想在这条路上走通，最让人头疼的往往不是算法本身，而是数据。目前公开的动物行为数据集，要么偏向实验室环境（小鼠、猴子），要么就是野生动物；真正贴近养猪生产一线的、经过精细标注的数据资源，少之又少。就算有一些，也常常是规模不够大、标注不够准，或者类别覆盖不全，无法满足从研究到落地的实际需要。 正是看到了这个缺口，我们团队构建了一套《猪在日常饲养环境行为数据集》。这套数据集共包含3000张已划分、已标注的图片，覆盖了12个与生产管理密切相关的行为类别。无论是用于标准的YOLO系列模型训练，还是作为健康监测、福利评估研究的基准数据，都具备很高的实用价值。 接下来，我会把这套数据集的特点、结构、应用方法以及实战中的注意事项，掰开揉碎了讲清楚。

一、数据集概述

1. 核心信息一览

这套数据集专门为猪的行为识别**目标检测**任务而生，图片均来自真实养殖场。它的基本盘是这样的： * **数据规模**：3000张高质量的猪行为图像。 * **数据划分**：训练集2100张（70%），验证集600张（20%），测试集300张（10%）。 * **目标类别**：12种，涵盖采食、饮水、休息等核心行为。 * **标注格式**：目标检测（Bounding Box），同时提供YOLO、VOC、COCO三种格式。 * **适用模型**：YOLO系列、Faster R-CNN、SSD等主流检测模型。

2. 详细的类别信息

这12个类别具体是什么？我们用一个表格说清楚：

类别ID	类别名称	英文名称	描述
0	饲槽	Feeder	饲槽区域
1	侧卧	Lateral Lying	猪侧卧休息状态
2	坐姿饮水	Sitting Drinking	猪坐姿饮水行为
3	坐姿采食	Sitting Feeding	猪坐姿采食行为
4	坐姿无明显行为	Sitting NF	猪坐姿无明显行为
5	站立饮水	Standing Drinking	猪站立饮水行为
6	站立采食	Standing Feeding	猪站立采食行为
7	站立无明显行为	Standing NF	猪站立无明显行为
8	俯卧饮水	Sternal Lying Drinking	猪俯卧饮水行为
9	俯卧采食	Sternal Lying Feeding	猪俯卧采食行为
10	俯卧无明显行为	Sternal Lying NF	猪俯卧无明显行为
11	饮水器	Waterer	饮水器区域

二、背景与意义

1. 为什么智能养殖势在必行？

传统的“人盯猪”模式越来越跟不上趟了。效率低、精度差、高延时，这些痛点早就摆在了台面上：人工巡查不仅耗时耗力，主观判断还容易出错；等饲养员发现猪食欲不振或长时间不动时，疾病往往已经扩散。 相比之下，基于AI的视频监测方案，带来的提升是碘伏性的：它能实现7x24小时不间断监测，用数据驱动的客观结果替代人工判断，通过分析采食频率和饮水模式提前发出预警，最终实现整个养殖流程的自动化管理和数据驱动决策。

2. 猪的行为就是“晴雨表”

采食量、饮水量、休息时长和活动模式的变化，是猪健康状况最直观的反馈。食欲减退可能意味着消化系统问题；饮水量骤增或骤减可能预示着发热或脱水。通过分析这些行为数据，能为疾病早发现、福利评估、精细化饲养提供坚实的依据。

3. AI技术扮演的角色

深度学习技术，尤其是计算机视觉，给这个行业注入了新的活力。它不仅能实时捕捉和分析猪的行为，还能在复杂环境下保持高精度识别。这种自动化的管理方式，最终带来的就是成本效益的提升和数据的可追溯性，为畜牧业的智能化升级提供了核心支持。

三、数据集详细信息

1. 数据采集：一切源于真实

数据全部来自真实的现代化养殖场，使用高清摄像头采集。为了确保模型的泛化能力，我们在采集上花了不少心思： * **摄像机角度**：覆盖了俯视、侧视和斜向视角。 * **采集时长**：超过100小时的视频素材，从中抽帧生成图片。 * **时间与光照**：覆盖白天、夜晚，以及自然光、人工灯光、弱光等多种环境。 * **饲养模式**：包括单栏和多栏饲养。 * **个体差异**：涵盖不同体型和毛色的猪。 这里的逻辑很简单：只有让模型见过足够多的“世面”，它才能在真实的复杂环境下不掉链子。

2. 数据标注：精工出细活

标注工作由畜牧业专家和计算机视觉工程师共同完成。我们采用的是目标检测中最常见的Bounding Box方式。 * **标注规范**：矩形框标注，同时标示猪个体位置和行为类别。 * **标注精度**：误差严格控制在2像素以内。 * **标注流程**：每张图都有两名标注员独立标注，最后由专家进行交叉审核。 **标注格式示例（YOLO格式）**： `class x_center y_center width height` 一个具体的例子： `6 0.512 0.431 0.214 0.356 2 0.621 0.542 0.187 0.265` 其中，坐标都是归一化到0~1的范围。

3. 数据结构：拿来即用

数据集按照YOLO系列框架的标准要求组织，非常清晰： ``` pig_beha vior_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 ``` **配套的YOLO数据配置文件**： ```yaml train: images/train val: images/val test: images/test nc: 12 names: ['Feeder', 'Lateral Lying', 'Sitting Drinking', 'Sitting Feeding', 'Sitting NF', 'Standing Drinking', 'Standing Feeding', 'Standing NF', 'Sternal Lying Drinking', 'Sternal Lying Feeding', 'Sternal Lying NF', 'Waterer'] ``` 拿到手，配置好路径，就可以直接开始训练。

4. 数据集的核心特点

* **规模适中**：3000张高质量图片，对于目标检测任务来说，既不会因为太小而轻易过拟合，也不至于大到难以处理。 * **类别全面**：覆盖了采食、饮水、休息三大类行为，并细分了坐姿、站立、俯卧等姿态，可以支撑精细化的行为分析。 * **场景多样**：多时间、多光照、多饲养模式的样本，能显著提升模型的鲁棒性。 * **标注精准**：双人标注加专家审核的流程，保证了标注的权威性和准确性，这是模型性能的基石。

四、数据集应用流程

一个标准的应用流程可以概括为：**下载数据 -> 预处理 -> 选模型 -> 训练 -> 评估 -> 优化 -> 部署**。这套数据集能很好地衔接每个环节。

五、适用场景

1. 智能养殖系统

在现代化养猪场，部署摄像头，用我们的数据集训练出的模型，可以自动监测猪群采食与饮水的频率、时长，实时分析行为模式，一旦发现异常（比如某头猪长时间不吃不喝），系统立刻预警，帮助饲养员精准定位问题，大幅提升管理效率。

2. 健康与福利评估

对于科研机构或高标准养殖场，可以通过分析猪的活动水平、休息状态，自动识别出那些精神萎靡、活动异常的个体，为疾病的早期干预和动物福利的量化评估提供数据支持。

3. 饲养优化研究

深入分析猪群的采食和饮水模式，可以为“精准饲喂”和“饮水管理”提供决策参考。比如，通过模型可以统计出，一天中哪个时间段是采食高峰期，哪个栏位的猪饮水量偏低，从而优化投料和饮水器的设置。

4. 异常行为检测

除了常规行为，这套数据也能用于检测打架、追咬等不良攻击行为。模型可以自动发现并告警，帮助饲养员及时干预，降低猪群因应激造成的伤害和损失。

5. 计算机视觉与AI研究

对于高校和研究机构，这是一份很有价值的农业AI基准数据集。它可以直接用于目标检测、多目标跟踪、小样本学习等前沿课题的算法研究和对比实验。

六、模型训练指南

1. 训练准备

准备好Python 3.8环境，安装好 `ultralytics`、`numpy`、`pandas`、`albumentations` 等依赖库，并确保数据集的路径配置正确。强烈建议使用GPU进行训练。

2. 数据预处理建议

为了提升模型的泛化能力，训练前可以做一些数据增强。这里推荐使用 `Albumentations` 库，示例代码如下： ```python 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"] ``` 随机翻转、亮度对比度调整、加噪，这些手段都值得一试。

3. 训练示例（YOLOv8）

准备好数据配置文件 `pig_beha vior.yaml`（内容和上文提到的YOLO配置文件一致），然后就可以开训了： ```python from ultralytics import YOLO model = YOLO("yolov8n.pt") # 从预训练权重开始 model.train(data="pig_beha vior.yaml", epochs=100, imgsz=640, batch=16) ``` 训练完成后，预测也非常简单： ```python results = model.predict("test.jpg") print(results[0].boxes) ```

4. 训练技巧

* **数据增强**：除了上面提到的，YOLO自带的Mosaic、随机缩放也非常有效。 * **多尺度训练**：让模型适应不同尺寸的猪。 * **学习率调度**：推荐使用余弦退火策略。 * **模型选型**：可以从YOLOv8n开始快速迭代，再根据精度需求尝试更大的版本。 * **早停策略**：监控验证集的mAP，性能不再提升时果断停止训练。

七、实践案例

**案例一：智能养猪场行为监测系统** 在猪舍关键位置部署摄像头，用数据集训练好的YOLOv8模型实时分析视频流。系统能自动识别采食、饮水、休息等行为，并统计出每头猪的日常活动节律。某次实测中，该系统对异常行为的发现时间比人工巡查提前了70%，饲养效率提升了50%。 **案例二：猪群健康预警系统** 在某大型养猪企业，通过持续监测每头猪的采食频率和饮水量，系统建立起了一个“健康基线”。当某头猪的采食量连续两小时低于其历史平均水平的30%时，系统自动向饲养员手机发送预警。据统计，这套系统将疾病的早期发现率提高了80%，死亡率降低了40%。

八、模型选择建议

不同的应用场景和硬件条件，适合的模型也不一样： | 场景 | 推荐模型 | 优势 | | --- | --- | --- | | 边缘设备/嵌入式 | YOLOv8n, YOLOv8s | 模型小，推理速度极快 | | 服务器端/多路视频 | YOLOv8m, YOLOv8l | 精度高，平衡性好 | | 资源极度受限 | NanoDet, MobileDet | 计算量极轻，但精度会打折 | | 高精度需求 | YOLOv8x, RT-DETR | 精度天花板，适合离线分析 | | 学术研究/对比实验 | Faster R-CNN, Mask R-CNN | 适合算法创新和消融实验 |

九、挑战与解决方案

在实际使用中，可能会遇到一些问题： * **行为识别复杂**：不同姿态的采食行为可能很相似。解决方法是使用更强的特征提取网络（如CSPDarknet），或加入注意力机制（如SE、CBAM）。 * **光照变化**：白天强光和夜间弱光差异大。解决方案是做好数据增强（模拟光照变化），或对图像进行光照归一化处理。 * **个体差异大**：不同品种、大小的猪外观不同。依靠大量样本来学习鲁棒特征，并使用预训练模型加速收敛。 * **小目标检测**：远处的猪在画面中很小。可以使用多尺度训练、特征金字塔网络（FPN），或采用更高分辨率的输入图像。

十、数据集质量控制

为了保证数据集的“含金量”，我们在标注环节投入了大量精力：组建了由行业专家和算法工程师组成的专业团队，制定了详细的标注手册，并严格执行“双人标注+专家审核+交叉验证”的流程。这些措施确保了标注误差控制在2像素以内，保证了数据的高质量。

十一、未来发展方向

目前这套数据集只是一个不错的起点。未来的扩展方向包括：增加数据规模和更多行为类别、引入视频数据支持时序分析、融合温度、湿度等多模态传感器信息、发布配套的预训练模型和部署工具包，甚至尝试将这套方法论扩展到牛、羊等其他养殖动物上。

十二、总结

这份《猪在日常饲养环境行为数据集》在规模、类别覆盖和标注精度上，都具备很高的实用价值。它既能为智能养殖系统的落地提供数据基础，也能作为农业AI研究的优质基准资源。其核心优势可以归纳为：**规模适中、类别全面、场景多样、标注精准、格式标准、实用性强**。 通过它，研究人员和开发者可以快速搭建起猪行为识别模型，验证自己的算法思路。未来，随着视频数据和多模态数据的加入，这套数据集的潜力将进一步释放，推动畜牧业真正走向数字化和智能化。

十三、附录：使用注意事项

* **使用规范**：本数据集仅供学术研究和非商业用途。如需要商业使用或引用，请注明来源。 * **环境要求**：建议使用Python 3.8，推荐PyTorch 1.8+或TensorFlow 2.0+，最好配备GPU。 * **常见问题**：数据加载错误请检查路径；模型过拟合请增强数据或加入正则化；推理慢可以尝试模型压缩或轻量化模型；精度低则要检查数据预处理和模型架构。