猪危险行为目标检测数据集：3类别、5,000+张图像

猪危险行为目标检测数据集：3类别、5,000+张图像 | 目标检测

源码数据分享

通过网盘分享的文件：猪的危险行为数据集

链接: https://pan.baidu.com/s/1p6Gx0ilMBTbf8yYoTBujcg?pwd=m8jf

提取码: m8jf

一、引言：生猪养殖中的"危险行为猎手"

在规模化生猪养殖过程中，猪只间的危险行为（如攻击、咬耳朵、咬尾巴）是导致猪只受伤、感染甚至死亡的重要诱因，每年给养殖业造成巨大的经济损失。据统计，由猪只攻击、撕咬行为造成的损失约占养殖总损失的5%~10%。

传统的监测方式主要依赖人工巡栏，但这种方式存在明显短板------人力成本高、发现滞后、主观性强。危险行为往往发生在瞬间，人工巡查难以捕捉；不同饲养员对危险行为的判断标准不一，难以形成量化数据。

基于AI视觉的猪只行为监测技术，为解决这一问题提供了全新方案：通过部署智能摄像头和深度学习算法，实现7×24小时不间断监测、秒级响应预警、量化评估分析。而这一切的基础，正是一套高质量、多场景、标注精准的猪危险行为数据集。

本文将围绕一套包含5000余条精准标注的猪危险行为数据集，从数据构建理念、行为定义、标注规范到YOLOv8训练实战，进行全链路深度解析。

二、数据集深度解析

2.1 数据集核心参数

项目	说明
数据集名称	猪的危险行为数据集
样本总量	5000+条高质量标注样本
标注格式	YOLO格式，兼容YOLOv5/v8/v11等主流框架
类别数量	3类猪的危险行为（nc: 3）
数据划分	训练集（70%）/验证集（15%）/测试集（15%）
标注准确率	≥98%（经专业养殖人员与视觉工程师联合标注）

2.2 数据目录结构

text 复制代码

database/
└── 猪的危险行为数据集/
    ├── train/
    │   ├── images/          # 训练集图片（约3500张）
    │   └── labels/          # 训练集标注文件
    ├── valid/
    │   ├── images/          # 验证集图片（约750张）
    │   └── labels/          # 验证集标注文件
    └── test/
        ├── images/          # 测试集图片（约750张）
        └── labels/          # 测试集标注文件

2.3 三类危险行为详解

类别编号	中文名称	英文名称	行为定义	视觉特征	养殖危害
0	攻击行为	Aggressive	猪只间的主动攻击行为，如冲撞、撕咬身体等	身体前冲，头部撞击或撕咬对方身体躯干	造成身体创伤、群体应激、生长迟缓
1	咬耳朵	Ear biting	针对性撕咬其他猪只耳朵的行为	嘴部含住对方耳朵，头部用力撕扯	耳部感染、溃烂、耳部残缺
2	咬尾巴	Tail biting	针对性撕咬其他猪只尾巴的行为	嘴部含住对方尾巴，持续撕咬	尾部创伤、脊髓感染、败血症甚至死亡

2.4 行为判定的专业性

这三类行为的判定并非简单的视觉分类，而是需要结合养殖专业知识：

攻击行为 vs. 玩耍行为：猪只在玩耍时也可能出现追逐、轻咬，但力度温和、姿态放松。而攻击行为姿态激烈、力度大、持续时间长，且有明显的应激反应（如被攻击猪只尖叫、逃跑）。
咬耳朵/尾巴 vs. 正常探索：正常探索时，猪只只是用鼻子拱蹭、轻嗅，不会用力撕咬。而危险行为表现为持续的、用力的撕扯，常导致组织损伤。

正是因为有专业养殖人员参与标注，才能确保类别判定的准确性和业务相关性。

三、数据来源与多样性保障

3.1 采样来源

样本采集自国内不同规模的标准化生猪养殖场，覆盖多个维度：

维度	覆盖范围
品种	大白猪、长白猪、杜洛克猪及其杂交后代
生长阶段	保育猪（断奶-30kg）、育肥猪（30kg-出栏）
养殖环境	栏舍（水泥地、漏粪板）、运动场
光照条件	白天自然光、夜间人工照明、红外补光
密度条件	低密度（<5头/栏）、中密度（5-10头/栏）、高密度（>10头/栏）

3.2 数据质量保障

交叉标注机制：

独立标注：两名标注人员分别独立完成同一批样本的标注
差异比对：对比两人标注结果，标注不一致的样本进入审核流程
分歧仲裁：养殖专家对分歧样本进行最终判定

数据清洗：

剔除模糊图片：运动模糊、对焦不准的图片已被剔除
剔除重复样本：去除高度相似或完全重复的图片
剔除无效样本：无有效行为目标或目标被完全遮挡的图片已被剔除

最终，有效样本占比100%，标注准确率≥98%。

四、模型训练全流程实战

4.1 数据配置文件

yaml 复制代码

path: /dataset/path
train: train/images
val: valid/images
test: test/images

nc: 3
names:
  0: Aggressive
  1: Ear_biting
  2: Tail_biting

4.2 YOLOv8训练命令

bash 复制代码

yolo detect train \
  data=data.yaml \
  model=yolov8s.pt \
  epochs=150 \
  imgsz=640 \
  batch=16 \
  optimizer=AdamW \
  lr0=0.001 \
  weight_decay=0.0005

4.3 数据增强策略

yaml 复制代码

augmentation:
  hsv_h: 0.015   # 色调扰动（应对不同光照条件）
  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）
  fliplr: 0.5    # 水平翻转
  mosaic: 1.0    # 马赛克增强（危险行为样本稀缺，提升利用率）
  mixup: 0.2     # 混合增强

特别说明：

危险行为样本相对稀缺，Mosaic增强可以组合多个样本，有效提升数据利用率
养殖场光线变化大，HSV扰动对于提升模型的光照泛化能力至关重要

五、关键技术心得

5.1 样本不均衡处理

在三类行为中，"咬尾巴"的样本量相对较少（占比约25%），而"攻击行为"样本量最多（约45%）。解决措施：

启用class_weight参数，对"咬尾巴"类别赋予更高的损失权重
对"咬尾巴"样本进行数据增强过采样
调整cls_loss系数，从默认的0.5提升至0.8

5.2 小目标检测优化

危险行为发生区域（如咬耳朵、咬尾巴）在整张图片中占比较小，属于小目标检测范畴。通过将输入分辨率从640提升到768，并启用multi-scale训练，显著改善了小目标的检测效果。最终"咬耳朵"和"咬尾巴"的mAP分别提升了8%和10%。

5.3 遮挡场景处理

在密集养殖场景中，危险行为往往发生在猪群拥挤的区域，遮挡严重。通过增加Mosaic增强的比例，模型学会了利用可见的身体部位推断被遮挡的目标，在遮挡场景下的召回率提升了约6个百分点。

5.4 时序信息的价值

单帧检测存在一定的误检率（如将快速运动的猪只误判为攻击）。在实际部署中，建议结合时序信息------连续3~5帧检测到同一危险行为才触发告警。这种后处理策略可以将误报率降低约70%。

5.5 夜间场景适配

数据集包含约30%的夜间红外图像，与白天可见光图像特征差异较大。建议在训练时保持两类样本的平衡，并在数据增强中增加曝光度扰动。训练完成后可分别评估模型在白天和夜间场景的性能，必要时可训练两个专用模型并切换使用。

5.6 训练结果参考

类别	Precision	Recall	mAP@0.5	mAP@0.5:0.95
攻击行为（Aggressive）	0.892	0.871	0.916	0.683
咬耳朵（Ear biting）	0.867	0.843	0.887	0.645
咬尾巴（Tail biting）	0.851	0.828	0.872	0.632
平均值	0.870	0.847	0.892	0.653

六、工程部署与实时告警系统

6.1 智能养殖监控系统

基于本数据集训练的模型，可部署于养殖场智能监控系统：

实时预警：检测到危险行为时，立即推送告警信息至饲养员手机端
事件记录：自动记录危险行为发生的时间、位置、涉及猪只，形成行为档案
趋势分析：统计危险行为发生频率，分析时空分布规律

6.2 告警策略设计

单帧检测容易误报，建议采用时序投票策略：

连续5帧中至少3帧检测到危险行为，才触发告警
告警冷却时间设为60秒，避免同一事件重复告警
结合猪只跟踪ID，为每个个体维护独立的行为状态

6.3 动物福利评估

危险行为的频次是评估猪群福利水平的重要指标：

量化评估不同饲养密度、环境条件对猪只福利的影响
为动物福利认证提供数据支撑
优化养殖环境，减少危险行为发生

6.4 精细化管理决策

分群管理：将频繁攻击的猪只单独饲养，减少群体伤害
环境优化：当危险行为频次异常增加时，检查饲养密度、通风条件、饲料营养等因素
健康预警：危险行为增多往往与群体健康状态有关，可作为健康监测的辅助指标

6.5 部署建议

若追求极致精度，建议使用YOLOv8l或YOLOv8x
若需实时部署在边缘设备，YOLOv8n或YOLOv8s是更优选择
建议在COCO预训练的权重基础上进行微调
强烈建议结合时序信息进行行为状态平滑
采用夜间红外+白天可见光双模式模型切换策略

七、数据集扩展与未来方向

7.1 行为类别扩展

增加跛行、呕吐等疾病相关行为
增加咬栏杆、空嚼等应激行为
构建完整的异常行为检测体系

7.2 严重程度分级

对每类危险行为进行严重程度分级
轻度攻击 vs. 严重攻击
单次咬尾 vs. 持续咬尾

7.3 多目标关联

同一攻击事件中的攻击者和被攻击者关联
行为链分析：攻击→咬尾→受伤的因果关系
个体行为档案建立

7.4 预测模型

基于历史行为数据预测未来可能发生的危险行为
环境因素与危险行为的关联分析
主动干预策略优化

八、总结与展望

生猪养殖中的危险行为是导致猪只受伤、死亡和经济损失的重要原因。通过AI视觉技术实现危险行为的自动识别与预警，是智慧养殖的重要发展方向。

本数据集聚焦攻击、咬耳朵、咬尾巴三类典型危险行为，包含5000余条高质量标注样本，标注准确率达98%以上，覆盖多品种、多场景、多光照条件，可直接用于YOLO系列模型的训练。

从实战经验来看，这套数据集的核心价值在于：

专业性：养殖专家参与标注，确保行为判定的准确性和业务相关性，攻击行为与玩耍行为的区分是数据质量的关键。
实用性：三类行为直接对应养殖管理中的核心痛点，模型部署后可立即产生经济效益。
标注质量高：双人交叉标注+专家审核，标注准确率≥98%，达到工业级标准。
时序信息的重要性：单帧检测误报率较高，结合时序信息是实际部署中降低误报的关键策略。

希望通过开源这套数据集，为智慧养殖领域的研究者和开发者提供有力支持，降低行业研发门槛，推动AI技术在畜牧业的落地应用。