基于 YOLO11 的规模化禽舍鸡只行为视觉监测平台：从模型到 Streamlit 全流程实战

关键词：YOLO11、智慧养殖、家禽行为识别、Streamlit、目标检测、Ultralytics

一、背景

1.1 行业痛点

中国是全球最大的肉鸡 / 蛋鸡养殖国，规模化禽舍单栋的存栏量普遍在数万只以上。在这种"高密度 + 全封闭"的养殖环境里，鸡只的行为状态是判断其健康程度、饲喂效率与福利水平的最直观指标：

靠人工巡检的局限：饲养员每天最多 2~3 次巡舍，很难捕捉到"某一栏鸡进食量突然下降""某区域长时间无活跃个体"等关键异常；
传统传感器精度差：靠饮水器流量、料盘称重等间接指标推算行为，存在严重的时滞与噪声；
数据无法量化为生产力指标：行为数据没结构化，营养师 / 兽医也难以基于"今天进食占比 vs 站立占比"这种维度反向优化饲喂方案。

把摄像头 + AI 视觉感知接到禽舍后，用一台普通工控机就能 7×24 实时统计鸡群的进食 / 休息 / 站立比例 ，进而对接到饲喂控制器、环境调控器，是当前禽业数字化的标准动作。本项目就是这条路线下的一个完整落点：基于 YOLO11n，识别进食 / 休息 / 站立三类典型鸡只行为，并提供一个开箱即用的 Streamlit 可视化界面。

视频演示与源码下载

www.bilibili.com/video/BV1qK...

包含：

📦 完整项目源码 📦 预训练模型权重

🗂️ 数据集数据集

1.2 项目运行效果

1.3 项目介绍

核心创新点：

维度	设计
类目设计	把"鸡只检测 + 行为分类"合并为一个 3 类检测任务，便于密集场景下的统计
模型选型	YOLO11n，参数量约 2.6 M，单图 CPU < 100 ms，可部署在禽舍边缘工控机
部署形态	Streamlit 单页应用 + 本地 best.pt，零依赖中间件，便于离线现场部署
输入兼容	图片 / 批量图片（含 zip）/ 视频 / 摄像头四种输入复用同一推理引擎
适配场景	标准化笼养、平养、散养三种禽舍布局均已在训练集中覆盖

功能概览：

🍚 单图检测：上传禽舍画面 → 实时返回带框图 + 行为类别 / 置信度 / 坐标明细
📚 批量检测：单次最多 200 张，输出汇总表 + 行为分布柱状图 + zip 下载
🎬 视频检测：mp4 / avi / mov / mkv 通通可读，逐帧推理后落盘新视频
📷 摄像头实时检测：可对接禽舍 IPC 的 RTSP 流，做实时行为感知

3 种行为类别：

类别	描述
进食	采食槽周边的低头啄食行为
休息	卧地或蹲伏的静息状态
站立	直立、走动或观察的活跃状态

技术栈：

层	选型
模型框架	Ultralytics 8.3 + PyTorch
视觉算法	YOLO11n（Anchor-Free，C2f Backbone，Decoupled Head + DFL）
Web 前端	Streamlit 1.35 + 自定义 HTML 主题（暖橙 + 麦黄，呼应饲料色）
视频 / 图像	OpenCV、imageio-ffmpeg
数据可视化	Plotly / Streamlit 原生 chart
配置管理	单一 `configs/project.yaml`，行业话术 / UI / 推理阈值统一收口

二、设计框架

2.1 系统架构

scss 复制代码

            ┌──────────────────────────────────────────┐
            │      Streamlit Web 前端（单页 SPA）       │
            │  · 养殖控制台 / 单图 / 批量 / 视频 / 摄像头 │
            │  · 侧栏 · 阈值 · 行为类别图鉴 · 模型缓存    │
            └────────────────────┬─────────────────────┘
                                 │ Python 调用
                                 ▼
            ┌──────────────────────────────────────────┐
            │   推理服务层（infer_image_path 等）       │
            │  · bytes / Path / frame → tensor          │
            │  · 推理结果 → 标注图 + DataFrame          │
            └────────────────────┬─────────────────────┘
                                 │
                                 ▼
            ┌──────────────────────────────────────────┐
            │    YOLO11n 推理引擎（model/best.pt）      │
            │  Backbone (C2f+SPPF) → Neck (FPN/PAN)     │
            │   → Decoupled Head（DFL + cls）           │
            └──────────────────────────────────────────┘
                                 │
                                 ▼
            （可对接：饲喂控制器 / 环境调控器 / 健康预警）

2.2 YOLO11 网络结构

ini 复制代码

输入 640×640×3
   │
   ▼
[Backbone]
  Conv → C2f → Conv → C2f → Conv → C2f → Conv → C2f → SPPF
        多尺度卷积 + 跨阶段特征融合，对密集小目标更稳
   │
   ▼
[Neck]   FPN 上采样 + PAN 下采样：P3 / P4 / P5 三级金字塔
        密集小鸡 → P3 层；大鸡 / 近景 → P4/P5
   │
   ▼
[Head]  Decoupled Head（cls 头 / reg 头解耦）
        回归头采用 DFL（Distribution Focal Loss）
        Anchor-Free，输出 (cx, cy, w, h, cls × 3)
   │
   ▼
[NMS]    iou=0.7, conf=0.30  → 最终检测框

2.3 检测流程

scss 复制代码

禽舍摄像头帧 / 单张图片
        │
        ▼
   Letterbox 640×640 + RGB
        │
        ▼
    YOLO11n forward
        │
        ▼
   Detect Head 输出 (cls × 3)
        │
        ▼
   conf 过滤 + NMS
        │
        ▼
result.plot() 画框 + "进食/休息/站立"
        │
        ▼
Streamlit 双列展示 + DataFrame + 行为分布柱状图
        │
        ▼
（可扩展：行为占比时间序列 → 饲喂 / 环境调控）

三、代码结构（核心 50 行 + 解析）

项目目录：

bash 复制代码

鸡行为检测/
├── app/streamlit_app.py        # Web 入口
├── configs/project.yaml         # 行业话术 / UI / 训练 / 推理参数
├── model/best.pt                # 训练好的 YOLO11n 权重
├── scripts/                     # train / validate / export 等
├── data/dataset/                # 训练 / 验证 / 测试集
└── 鸡行为检测/                   # 原始数据集（含 train / valid / test 切分）

最核心的 50 行------模型加载 + 单图推理 + Streamlit 单图 Tab：

python 复制代码

# === 1. 模型加载（带 streamlit 资源缓存，避免每次刷新重载）=============
@st.cache_resource(show_spinner=False)
def load_model(model_path: str) -> YOLO:
    return YOLO(model_path)

# === 2. 单图推理：路径 → 标注图 + 检测明细 DataFrame ===================
def infer_image_path(model: YOLO, image_path: Path, conf: float):
    result = model.predict(str(image_path), conf=conf, verbose=False)[0]
    annotated = result.plot()                         # BGR ndarray，已画框
    rows = []
    if result.boxes is not None:
        for box in result.boxes:
            cls_id = int(box.cls.item())
            x1, y1, x2, y2 = [float(v) for v in box.xyxy[0].tolist()]
            rows.append({
                "class_id": cls_id,
                "class_name": result.names[cls_id],   # "进食" / "休息" / "站立"
                "confidence": round(float(box.conf.item()), 4),
                "x1": round(x1, 1), "y1": round(y1, 1),
                "x2": round(x2, 1), "y2": round(y2, 1),
            })
    # BGR → RGB 给 Streamlit；rows 转 DataFrame 给表格组件
    return annotated[:, :, ::-1], pd.DataFrame(rows)

# === 3. bytes → 临时文件 → 复用同一函数 ================================
def run_image_inference(model: YOLO, image_bytes: bytes, conf: float, suffix=".jpg"):
    with tempfile.NamedTemporaryFile(delete=False, suffix=suffix) as f:
        f.write(image_bytes); tmp = Path(f.name)
    try:
        return infer_image_path(model, tmp, conf)
    finally:
        tmp.unlink(missing_ok=True)

# === 4. Streamlit 单图 Tab：上传 → 推理 → 双列展示 =====================
model = load_model(str(MODEL_PATH))
uploaded = st.file_uploader("上传鸡舍画面", type=IMAGE_UPLOAD_TYPES)
conf = st.sidebar.slider("置信度阈值", 0.05, 0.95, DEFAULT_CONF, 0.01)

if uploaded is not None:
    annotated, df = run_image_inference(model, uploaded.getvalue(), conf,
                                        suffix=Path(uploaded.name).suffix)
    col1, col2 = st.columns(2)
    col1.image(uploaded, caption="原图")
    col2.image(annotated, caption="检测结果（带行为标签）")
    st.dataframe(detections_to_display(df))
    render_detection_analysis(df)

5 段解析：

@st.cache_resource 把 YOLO(model_path) 的耗时锁在第一次访问，对 7×24 长时间运行的禽舍监控场景尤其重要------一次启动一直跑。
result.plot() 直接返回带颜色框 + 行为类别 + 置信度的 BGR ndarray，3 种行为对应 3 种颜色（呼应 UI 配置里的 behaviors 段），即使一张图上有几十只鸡也能一眼分清谁在干嘛。
把每个 box 的 cls / conf / xyxy 拍成 dict，再拼成 DataFrame------后续表格、CSV 下载、行为占比柱状图、长时间维度趋势全部复用同一份结构。
run_image_inference 走临时文件而非 numpy 数组，是为了让 Ultralytics 内部的 EXIF / orientation 处理逻辑生效，对禽舍顶装 / 侧装摄像头不同朝向都更稳。
Streamlit 的 cache_resource + file_uploader + dataframe 组合，让一个产品级行为监测页面只需 11 行代码------这就是 Streamlit 在养殖 AI 场景能快速出活的核心原因。

四、训练效果

模型在自建的鸡只行为数据集上训练 200 epoch（YOLO11n、640 输入、 batch 16），最优一轮指标如下：

指标	数值
Precision	0.9034
Recall	0.9791
mAP@0.5	0.9621
mAP@0.5:0.95	0.9151

从训练曲线看，box / cls / dfl 三路 loss 在前 50 epoch 快速收敛，之后稳步下降；mAP@0.5 在第 100 epoch 后突破 0.95，最终稳定在 0.96 左右；归一化混淆矩阵中"进食 / 休息 / 站立"三类对角线均在 0.9 以上，仅"休息"与"站立"在小部分边界姿态（趴卧但抬头）上存在轻微互混，这与人类肉眼判断的混淆模式一致。

值得一提的是 mAP@0.5:0.95 高达 0.915------这意味着即使在严格 IoU 阈值下，模型对鸡只检测框中心位置的回归依然非常稳定，能够支撑后续基于位置的统计分析（如"站立鸡只在采食槽方向的密集程度"）。

五、项目总结

做对了什么：

把"鸡只检测 + 行为分类"合并成一个 3 类检测任务，避免了"先检测目标再分类行为"的两阶段管线，整体延迟降低、部署更简单；
选择 YOLO11n 而非更大的 v8s/v8m，模型 6 MB、CPU 单图 80 ms 内完成推理，可在禽舍边缘工控机离线运行，不依赖云端；
用一份 project.yaml 把"行业话术 / UI 主题色 / 训练超参 / 推理阈值 / 行为定义"全部收口，迁移到鸭、鹅、猪等其他畜禽的行为监测只需替换数据集与重新训练。

还能怎么做：

接入 ByteTrack 多目标跟踪，让每只鸡获得稳定 ID，从"群体行为占比"升级为"个体行为时长统计"；
把行为占比时间序列对接饲喂控制器，实现"休息比例突然升高 → 自动降低料量"的反馈闭环；
异常预警：当"站立 + 进食"占比连续 N 分钟低于阈值时，主动推送饲养员复核------这是当前畜禽福利监测最有商业价值的方向之一。

基于 YOLO11 的规模化禽舍鸡只行为视觉监测平台：从模型到 Streamlit 全流程实战