Amy青梅1. 项目概述：基于YOLO的猪行为检测系统设计
这个毕业项目选择使用YOLO系列算法实现猪行为检测系统，在农业智能化领域具有明确的应用价值。作为计算机视觉领域的经典目标检测算法，YOLO以其实时性和准确性著称，特别适合需要快速响应的行为监测场景。
我选择YOLOv5/YOLOv8作为基础框架主要基于三点考量：首先，它们相比早期版本在精度和速度上有显著提升；其次，社区支持完善，遇到问题容易找到解决方案；最后，它们的模型尺寸相对较小，便于后续部署到边缘设备。而YOLOv11作为新兴版本，虽然性能更优但稳定性有待验证，适合作为对比实验的候选方案。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心需求与技术选型
2.1 农业场景下的特殊需求分析
猪只行为检测与传统目标检测有很大不同：首先，养殖场环境复杂，存在大量遮挡；其次，猪只形态变化大，不同生长阶段体型差异显著；最后，需要识别的行为类型多样，如进食、饮水、争斗等。这些特点决定了我们需要特别注意数据集的构建和模型优化方向。
经过实地调研，我们确定了系统需要实现的三个核心功能：
- 实时检测猪只位置（每秒至少15帧）
- 准确分类6种典型行为
- 对异常行为（如争斗）进行即时预警
2.2 YOLO版本对比与选择
在项目初期，我对三个YOLO版本进行了详细对比测试：
| 版本 | 参数量(M) | mAP@0.5 | FPS(RTX3060) | 显存占用 |
|---|---|---|---|---|
| YOLOv5s | 7.2 | 0.56 | 120 | 1.8GB |
| YOLOv8n | 3.2 | 0.58 | 145 | 1.2GB |
| YOLOv11n | 4.7 | 0.61 | 130 | 1.5GB |
实测发现YOLOv8在精度和速度上取得了更好的平衡，且其采用的Anchor-Free设计更适合处理猪只这种形态变化大的目标。最终选择YOLOv8n作为基础模型，在保持较好性能的同时，为后续优化留出足够余量。
3. 数据集构建与标注技巧
3.1 数据采集方案设计
优质的数据集是模型成功的关键。我们采用了多源数据采集策略：
- 在合作养殖场架设6个海康威视摄像头，覆盖食槽、饮水区等关键区域
- 收集公开数据集如PigVid中的相关素材
- 使用数据增强手段扩展样本多样性
特别注意采集不同时段（早中晚）、不同季节的数据，以覆盖光照变化的影响。最终构建了包含12,000张标注图像的数据集，涵盖6类行为。
3.2 高效标注实践
使用LabelImg进行标注时，我们总结了几点实用技巧：
- 对重叠猪只采用"可见部分标注"原则
- 为相似行为（如行走与奔跑）设置明显区分标准
- 建立标注质量检查流程，确保一致性
重要提示：猪只行为具有连续性，建议每5帧标注一次关键帧，中间帧可通过插值生成，可提升3倍标注效率。
4. 模型训练与优化策略
4.1 基础训练配置
采用以下训练参数作为起点：
python复制# YOLOv8训练配置示例
model = YOLO('yolov8n.yaml')
results = model.train(
data='pig_behaviour.yaml',
epochs=300,
imgsz=640,
batch=16,
optimizer='AdamW',
lr0=0.001,
cos_lr=True,
weight_decay=0.05
)
关键调整包括：
- 使用余弦学习率调度，避免后期震荡
- 添加CutMix增强，提升对小目标的识别
- 采用马赛克增强时，将概率从0.5降至0.3，避免过度扭曲猪只形态
4.2 针对猪行为的专项优化
通过分析初期模型的失败案例，实施了以下改进：
- 添加注意力机制：在Neck部分引入CBAM模块，提升对遮挡目标的识别
- 改进损失函数：调整CIoU权重，加强对重叠目标的区分
- 数据重平衡：对稀少行为类别（如争斗）进行过采样
这些改进使mAP@0.5从0.58提升到0.63，特别是对重叠目标的识别准确率提高了15%。
5. 系统实现与部署要点
5.1 Python后端设计
系统采用Flask构建Web服务，主要处理流程包括：
- 视频流接收与帧提取
- 模型推理与行为分析
- 结果可视化与预警触发
关键实现代码片段：
python复制@app.route('/analyze', methods=['POST'])
def analyze_video():
video = request.files['video']
cap = cv2.VideoCapture(video.stream)
while cap.isOpened():
ret, frame = cap.read()
if not ret: break
# 推理与后处理
results = model(frame, augment=True)
processed = process_results(results)
# 异常行为检测
if detect_abnormal(processed):
trigger_alert()
return jsonify({'status': 'completed'})
5.2 边缘设备部署实践
在Jetson Orin Nano上的部署经验：
- 使用TensorRT加速，将FP32模型转为FP16精度
- 调整线程数平衡CPU/GPU负载
- 采用流式处理，避免内存溢出
部署后性能指标：
- 处理延迟：<80ms/帧
- 功耗：<15W
- 连续工作稳定性：>72小时无故障
6. 常见问题与解决方案
6.1 训练过程中的典型问题
-
损失震荡不收敛：
- 检查学习率是否过大
- 验证数据标注一致性
- 尝试减小批量大小
-
过拟合严重：
- 增加数据增强种类
- 添加Label Smoothing
- 提前停止训练
6.2 部署后的性能调优
在实际养殖场部署时遇到的挑战：
-
光线变化导致漏检：
- 添加自动白平衡预处理
- 训练时增加光照增强
-
多目标重叠误识别：
- 改进NMS参数
- 添加时序信息辅助判断
7. 项目扩展方向
基于现有成果，可以考虑以下深化方向：
- 引入ReID技术实现个体追踪
- 添加姿态估计模块分析更精细的行为
- 集成声音传感器进行多模态分析
在模型层面，值得尝试将YOLOv8与Transformer结合，如使用YOLOv8的backbone配合DETR的头结构，可能进一步提升对长时序行为的理解能力。