简介本资源是面向农业智能化与计算机视觉研究者的猪只体征分析专用数据集聚焦生猪估重、姿态跟踪与关键点建模三大核心任务。数据集同时提供YOLO格式含16个与体表参数强相关的关键点标注和SLP格式骨架化关键点序列支持姿态识别、骨架提取、目标检测及重量回归等多任务联合建模适用于高校科研、智慧养殖算法开发及边缘部署验证等场景。压缩包共6个文件包含关键点转换脚本py、数据说明文档md/txt、原始视频样本mp4、SLP骨架标注文件slp及YOLO标注压缩包7z整体33.75MB结构紧凑、即取即用。已有240人学习下载配套json2txt.py工具可实现标注格式快速转换README.md详述关键点定义与体表参数计算逻辑pig-30s-2k.mp4提供真实猪只动态视频样本便于算法泛化性验证与可视化调试。1. 项目缘起从“看见猪”到“看懂猪”的跨越在猪只养殖这个看似传统的行业里技术革新的浪潮正悄然改变着一切。过去我们谈论“智慧养殖”可能还停留在用摄像头看看猪有没有打架、有没有生病的层面。但今天一个更精细、更智能的需求正在浮现我们不仅要“看见”猪更要“看懂”猪——看懂它的体重变化、看懂它的行为姿态、看懂它的健康状况。这正是“猪只目标检测数据集-猪只估重和姿态跟踪相关的体表参数确定关键点”这个项目试图解决的核心问题。简单来说这个项目的目标是构建一个专门用于猪只分析的计算机视觉数据集。它不仅仅是给图片里的猪画个框目标检测还要在猪的身体上标出像肩胛、臀部、膝关节这样的关键位置关键点检测并基于这些关键点进一步计算出猪的体长、体高、胸围等体表参数。最终通过这些参数我们可以建立模型来估测猪的体重并持续跟踪它的姿态变化比如是站立、躺卧还是跛行。这听起来像是一个简单的“标注”工作但背后涉及的是从数据采集、标注规范、算法选型到实际应用落地的完整技术链条。我之所以对这个话题有深入的感触是因为在实际的智慧农业项目中我们曾花费大量时间在数据准备和模型适配阶段“踩坑”深刻体会到一个高质量、定义清晰的数据集才是整个AI应用大厦最坚实的地基。2. 核心任务拆解数据集要解决哪三个层次的问题要构建这样一个数据集我们不能一上来就埋头标注图片。首先必须清晰地定义这个数据集最终要服务于哪些具体的算法任务。根据标题和行业需求我们可以将目标拆解为三个层层递进、相互关联的层次。2.1 第一层精准的猪只实例分割与目标检测这是所有后续分析的基础。数据集必须能训练模型从复杂的养殖场环境中可能包含栏杆、料槽、其他猪只遮挡、光照变化、粪便等干扰准确地找出每一头猪并将其与背景及其他猪只分离出来。这里的目标检测框需要足够精确因为粗略的框会直接影响后续关键点定位的准确性。在实际操作中我们更倾向于使用实例分割Instance Segmentation而非简单的边界框检测。因为猪的轮廓信息对于后续计算体表参数至关重要。YOLOv8-Seg 或 Mask R-CNN 是这一层的理想选择。数据集需要提供每头猪的像素级掩码Mask。一个常见的坑是当猪只紧密躺卧在一起时模型容易将多头猪识别为一个实例。因此在标注时即使猪只身体有部分重叠也要尽力依据可见的轮廓线将其标注为独立的实例这对于标注员的要求很高。2.2 第二层定义与标注猪只的形态学关键点在获得每头猪的独立掩码后我们需要在其身体上定义一组具有明确生物学意义的关键点Keypoints。这些点不是随意选的每一个都应对应可重复定位的解剖学位置例如鼻尖头部最前端常用于姿态方向判断。左/右耳根定义头部宽度和姿态。肩胛点前肢最高点计算体高和前半躯发育情况的核心参考点。胸骨点前胸最低点与肩胛点结合可估算前胸深。背脊点背部最高点评估背膘厚度的参考线需结合深度信息或侧面视图。腰角点髋骨结节计算体长和后半躯宽度的关键点。坐骨结节点臀部最后端定义体长的终点。左/右膝关节、飞节用于分析腿部姿态和步态。标注这些关键点极具挑战性。猪是活体姿态多变趴卧时很多点会被遮挡。我们的标注规范必须明确规定对于被严重遮挡或不可见的点应标记为“不可见”如标注为[0,0,0]其中可见性标志位为0而不是猜测其位置。这能防止模型学习到错误的关联。通常我们会要求标注员参考多帧视频结合猪只的运动趋势来辅助判断被短暂遮挡的关键点位置。2.3 第三层从关键点到体表参数与估重模型这是数据集的最终价值体现。有了精准的关键点我们就可以像兽医或育种员一样进行“数字化体尺测量”体长通常定义为从两耳连线的中点或肩胛点到坐骨结节点的直线距离。在2D图像中这需要相机标定和已知的参照物来换算为真实世界的长度单位厘米。体高肩胛点到地面的垂直距离。这同样需要深度信息或已知的地面参考线。胸围这是估重最重要的参数之一。在2D侧面视图中无法直接获得通常需要构建3D模型或利用多个视角的图像进行估算。一个实用的替代方案是利用分割掩码的像素面积结合相机标定参数估算猪的投影面积再与胸围、体长建立回归关系。体重估算这是最终目标。传统的经验公式如体重 胸围^2 × 体长 × kk为品种系数在畜牧学中广泛应用。我们的数据集可以用于拟合更精确的机器学习模型如线性回归、梯度提升树输入特征可以是归一化后的体长、体高、投影面积、关键点围成的多边形面积甚至是从分割掩码中提取的形态学特征如紧致度、伸长度。数据集需要包含每头猪标注时对应的真实体重用地磅称量作为监督学习的标签。注意2D图像估重的精度天生受视角限制。最理想的数据采集方案是使用深度相机如Intel RealSense或多视角同步相机直接获取猪只的点云数据从而计算出更准确的3D体尺参数。这在成本和技术复杂度上要求更高但也是当前前沿的研究方向。3. 数据集构建实战从采集到标注的完整链路理论清晰后我们来一步步拆解如何从零构建这个数据集。这个过程充满了工程细节任何一个环节的疏漏都会导致最终模型效能的下降。3.1 数据采集场景、设备与规划数据质量决定模型天花板。采集环节需要考虑场景多样性必须覆盖养殖场的各种典型场景——限位栏、大栏群养、分娩舍、保育舍。光照条件要包括白天、夜晚补光、逆光、顺光。背景要包含水泥地、漏粪地板、垫料等。猪只多样性涵盖不同品种如大白、长白、杜洛克、不同日龄从仔猪到育肥猪、不同体重阶段。这是模型泛化能力的关键。设备与视角固定摄像头安装在栏舍上方提供顶视或斜视角度适合长期跟踪和姿态分析。手持或巡检设备用于采集标准的侧视、正视图像这是进行体尺测量的最佳视角。建议分辨率不低于1920x1080高分辨率有助于精确定位关键点。帧率对于行为跟踪15-30 FPS是基本要求对于静态图片采集则注重画面清晰度。数据规模这是一个监督学习任务数据量需求较大。一个可用的基线数据集至少应包含2000头以上不同猪只的有效图像样本每头猪多个视角、多种姿态。如果要做视频姿态跟踪则需要数十段长度不等的视频片段。3.2 标注工具与规范制定统一标准是生命线标注是数据集中最耗时、成本最高的部分必须制定滴水不漏的规范。工具选择CVAT、LabelMe、Supervisely都是优秀的开源选择。对于关键点标注CVAT的功能较为完善。如果预算允许Scale AI、Labelbox等专业平台能提供更好的协作和管理功能。标注规范文档这份文档必须像技术图纸一样精确。它需要包括关键点定义图用清晰的图示标明每个关键点的准确位置例如“肩胛点”位于前肢与躯干连接处的最高凸点而非侧面任意位置。可见性判断准则明确规定何种情况算“遮挡”何种情况可根据身体轮廓“推测”标注。实例分割边界规定在猪只身体接触地面或物体时掩码的边界如何划定。质量检查清单标注完成后质检员根据清单逐项核对如“所有关键点是否与解剖位置吻合”“重叠猪只的掩码是否分离清晰”。标注流程建议采用“两轮标注一轮质检”的流程。第一轮由标注员完成第二轮由更资深的标注员复核最后由算法工程师或领域专家进行随机抽样质检。一致性如不同标注员对同一头猪的标注差异需要定期评估。3.3 数据格式与组织为模型训练做好准备标注好的数据需要转换成模型能读取的格式。YOLO系列有其流行的数据格式但我们的任务复杂需要兼容分割掩码和关键点。目录结构一个清晰的结构至关重要。pig_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ # 存放对应图像的标签文件 │ ├── val/ │ └── test/ ├── annotations.json # 可选COCO格式的整体标注文件 └── dataset.yaml # YOLO格式的数据集配置文件标签文件格式对于YOLOv8它支持单文件多任务。一个标签文件.txt可能包含目标检测/实例分割一行代表一个对象格式为class_id x_center y_center width height后跟分割多边形的归一化坐标如果做分割。关键点在同行后面追加关键点坐标格式为x1 y1 visibility1 x2 y2 visibility2 ...。所有坐标都是归一化到[0,1]的。这要求我们的标注工具能导出这种整合的格式或者自己编写脚本进行格式转换。数据集配置文件dataset.yaml这个文件告诉模型去哪找数据、有多少类、关键点怎么定义。path: /path/to/pig_dataset train: images/train val: images/val test: images/test nc: 1 # 类别数只有‘pig’一类 names: [pig] kpt_shape: [8, 3] # 8个关键点每个点有(x, y, visibility)3个值 # 关键点名称顺序必须与标注顺序严格一致 skeleton: [[shoulder, hip], ...] # 可选定义点之间的连接用于可视化4. 模型训练与关键问题攻坚有了高质量数据集模型训练就是水到渠成但依然有几个核心问题需要攻克。4.1 模型选型YOLOv8 的多任务能力YOLOv8 是一个非常好的起点因为它原生支持检测、分割和关键点估计的多任务学习。这意味着一个模型可以同时输出边界框、掩码和关键点推理效率极高。在ultralytics框架下你可以轻松地定义一个同时包含这三类标签的数据集进行训练。然而多任务学习并非没有代价。三个任务共享主干网络特征可能会存在任务间的竞争。例如模型可能为了优化关键点定位而略微降低检测框的精度。我们的策略是在损失函数中仔细调整各任务损失的权重。默认情况下检测box、分割seg、关键点pose的损失权重是1:1:1。在实践中我们可能发现关键点任务更难收敛可以尝试将其权重提高到2或3同时监控其他任务的性能是否显著下降。4.2 针对猪只场景的模型优化策略直接用通用数据集上预训练的模型如YOLOv8m-pose.pt进行微调是一个快速起步的方法但要想获得最佳性能必须进行针对性优化。数据增强Data Augmentation这是提升模型鲁棒性的廉价且有效的手段。针对养殖场环境应着重使用运动模糊模拟猪只快速移动。亮度与对比度变化模拟不同时段和灯光条件。遮挡模拟随机添加一些灰色块模拟被栏杆、其他猪只部分遮挡的情况。谨慎使用几何变换对于关键点任务大幅度的旋转和剪切可能导致关键点位置关系错乱需小心调整增强参数。锚框Anchor优化YOLOv8虽然是Anchor-Free的但其隐含的预设框大小依然会影响训练初期的稳定性。我们可以对数据集中所有猪只的边界框宽高进行聚类分析K-means将得到的聚类中心作为模型初始化的参考这能加速收敛。关键点可见性预测模型不仅需要预测关键点的位置x, y还要预测其可见性v。这是一个二分类问题可见1不可见0。在训练时对于标注为“不可见”的点其坐标损失应被忽略置零只计算其可见性分类损失。这能防止模型对不可见点输出无意义的坐标。4.3 从2D关键点到3D参数与体重估算这是最具挑战性的一步也是从“感知”到“认知”的飞跃。2D到3D的尺度恢复如果只有单目2D图像我们必须引入参照物。在拍摄时在猪只附近放置一个已知尺寸的标定板如棋盘格或一个固定大小的物体如一个边长为30cm的立方体。通过检测参照物可以计算出图像像素与世界毫米之间的比例关系。这种方法在相机视角固定时效果较好但视角变化大时误差会增大。构建回归模型将图像中测量出的像素级体尺如像素体长、像素胸围面积与猪只的真实体重进行关联。我们可以尝试多种模型线性/多项式回归最简单如体重 a * (像素面积) b。随机森林或XGBoost可以纳入更多特征如品种作为类别特征、日龄、多个关键点距离的组合等通常能获得更好的效果。神经网络用一个小型MLP多层感知机以所有关键点坐标和掩码面积为输入直接回归体重。这种方法端到端但需要更多的数据且可解释性稍差。模型验证与误差分析体重估测模型的性能不能用简单的准确率衡量而应使用平均绝对百分比误差MAPE或均方根误差RMSE。例如一个MAPE在5%以内的模型已经具有很高的实用价值。必须分析误差来源是特定体重段如小猪或超大猪误差大还是特定姿态如蜷缩下误差大这能指导我们回去补充相应场景的数据。5. 姿态跟踪与行为分析的应用延伸当我们的模型不仅能处理单张图片还能处理视频流时姿态跟踪的价值就显现出来了。通过为每一头猪分配一个唯一的ID并在视频帧间持续追踪其关键点我们可以进行深入的行为分析。多目标跟踪MOT在密集养殖环境下猪只外观相似且经常相互遮挡跟踪极具挑战性。可以借鉴DeepSORT或ByteTrack等算法。这些算法通常结合外观特征通过ReID模型提取和运动预测卡尔曼滤波来维持ID的连续性。我们的关键点信息可以作为强大的外观补充特征——两头猪的骨架姿态通常是不同的。行为识别基于跟踪得到的关键点序列我们可以定义和识别多种行为站立/卧倒通过身体关键点如肩胛、腰角距离地面的高度来判断。采食/饮水通过头部关键点鼻尖与料槽、饮水器区域的时空关系来判断。跛行/步态异常通过分析腿部关键点膝、飞节的运动轨迹、对称性和着地时间。例如比较左右腿的步幅和摆动周期不对称性可能指示腿部疾病。争斗/咬尾通过多头猪的关键点之间距离过近以及头部、嘴部关键点的快速运动模式来检测。数据闭环行为分析的结果可以反过来丰富我们的数据集。例如自动检测到的“跛行”视频片段可以提取出来由专家确认后打上“异常姿态”的标签加入到数据集中用于训练一个更鲁棒的异常检测模型。这就形成了一个从数据到模型再到应用最后反馈回数据的正向循环。构建一个用于猪只估重和姿态跟踪的数据集是一项融合了计算机视觉、动物科学和农业工程的系统工程。它远不止是标注图片那么简单而是需要对业务需求有深刻理解对数据流水线有严谨设计对模型细节有耐心打磨。从我的经验来看最大的挑战往往不在算法本身而在数据的一致性和质量把控上。投入足够资源制定清晰的标注规范、进行严格的质检比后期调参带来的收益大得多。这个数据集一旦建成它将成为猪只数字化养殖的核心资产不仅能用于自动估重减少应激还能通过行为监测实现疾病的早期预警真正把“智慧养殖”从概念推进到可量化、可运营的现实。本文还有配套的精品资源点击获取