企业官网建设流程全解析

简介：这份家禽鸡行为数据集面向智慧养殖、动物行为识别方向的算法工程师与高校研究者，可用于训练吃食、喝水、死亡、异常行为、睡觉五类行为的检测模型，适合作为目标检测课程设计、科研实验或养殖场智能监控原型的数据基础。资源包共1429个文件，包含714张jpg图像与714个同名txt标注文件，另附1个yaml配置文件，整体约39.33MB，标注采用YOLO v11格式，可直接接入主流检测框架训练。图像覆盖室内养殖场、监控视频抽帧等多种场景，兼顾正常行为与死亡、异常等少见类别，有助于缓解类别不均衡问题。目前已有382人学习下载，读者可据此快速搭建行为识别基线，验证数据增强、类别平衡与模型微调策略，并在此基础上扩展更多行为类别或迁移到其他家禽场景。

1. 家禽鸡行为数据集：484 张图能训出可用的行为识别模型吗

养殖场里最怕的不是鸡不吃食，而是你发现得太晚。一只鸡从精神萎靡到死亡，中间可能只有几个小时，而一个存栏几万只的鸡舍，靠人眼逐笼巡检根本不现实。这个标题指向的正是这类场景：用 484 张标注好的鸡只图像，训练一个能识别吃食、喝水、死亡、异常行为、睡觉五类状态的 YOLO v11 目标检测模型。数据集规模不大，但类别定义贴近真实养殖需求，标注格式是 YOLO v11 可直接读取的 txt 格式，省去了格式转换的麻烦。它适合两类人：一是做智慧养殖、农业物联网的算法工程师，想快速验证行为识别在边缘设备上的可行性；二是养殖企业技术负责人，想评估用视觉方案替代人工巡检的投入产出比。484 张图不算多，但足够跑通从数据检查到模型部署的完整链路，关键在于你怎么用。

2. 拆解五类行为：标注逻辑与数据分布先摸清

2.1 吃食、喝水、睡觉为什么容易混

吃食和喝水的视觉特征高度相似：鸡头都朝下，身体前倾，区别只在于头部是否接触料槽或水线。如果拍摄角度偏高，料槽和水线在图像里几乎重叠，模型很容易把喝水判成吃食。睡觉行为更隐蔽，鸡可能卧地闭眼，和死亡姿态接近，但死亡通常伴随身体僵直、羽毛蓬乱、周围鸡只回避。标注时如果只框住鸡身，不区分头部朝向和接触物，五类行为会退化成“站着”和“躺着”两类。常见做法是：吃食框包含头部与料槽接触区域，喝水框包含头部与水线接触区域，睡觉框只框鸡身且标注为卧姿，死亡框额外标注身体伸展方向。这样模型学到的不是鸡的形状，而是鸡与环境的交互关系。

2.2 484 张图的类别平衡与划分策略

先统计每类样本数。假设吃食 120、喝水 100、睡觉 90、异常 80、死亡 94，总计 484。死亡和异常样本通常偏少，但这两类恰恰是业务最关心的。划分训练集、验证集、测试集时，不能随机打乱，要按“同一只鸡的连续帧不能跨集”的原则切分，否则验证集里出现训练集同一只鸡的相邻帧，指标会虚高。我一般按 7:2:1 切，如果死亡样本少于 60 张，就提到 8:1:1，把更多死亡样本留给训练。验证集里每类至少保留 8 张，否则 mAP 波动太大，调参没有参考意义。

2.3 用脚本检查 YOLO 标注的四个致命问题

拿到数据集先别急着训练，跑一遍检查脚本。YOLO 格式每行是class_id x_center y_center width height，归一化到 0~1。常见问题：类别号越界、坐标超出 0~1、宽高为 0、图片和标签文件名不匹配。下面这段 Python 脚本一次性查完：

import os from pathlib import Path IMG_DIR = Path("images/train") LBL_DIR = Path("labels/train") NUM_CLASSES = 5 problems = [] for lbl_path in LBL_DIR.glob("*.txt"): img_path = IMG_DIR / (lbl_path.stem + ".jpg") if not img_path.exists(): problems.append(f"缺图片: {lbl_path.name}") continue with open(lbl_path) as f: for i, line in enumerate(f): parts = line.strip().split() if len(parts) != 5: problems.append(f"{lbl_path.name} 第{i}行字段数={len(parts)}") continue cid = int(parts[0]) x, y, w, h = map(float, parts[1:]) if cid < 0 or cid >= NUM_CLASSES: problems.append(f"{lbl_path.name} 第{i}行类别越界: {cid}") if not (0 <= x <= 1 and 0 <= y <= 1 and 0 < w <= 1 and 0 < h <= 1): problems.append(f"{lbl_path.name} 第{i}行坐标异常: {x},{y},{w},{h}") print(f"共发现 {len(problems)} 个问题") for p in problems[:20]: print(p)

逻辑说明：遍历标签目录，先检查同名图片是否存在，再逐行解析五个字段。类别号必须在[0, NUM_CLASSES)内，坐标必须在(0,1]区间，宽高不能为 0。参数NUM_CLASSES按你的data.yaml里nc的值改。如果问题超过 20 条，脚本只打印前 20 条，避免刷屏。跑完这个脚本，你才知道手里的 484 张图到底能不能直接喂给 YOLO v11。

3. 用 YOLO v11 跑通第一轮训练：配置、命令与参数

3.1 data.yaml 怎么写才不出错

YOLO v11 的数据配置文件比 v8 更严格，路径写错直接报Dataset not found。标准写法：

path: /home/user/chicken_dataset train: images/train val: images/val test: images/test names: 0: eating 1: drinking 2: dead 3: abnormal 4: sleeping

path是数据集根目录，train、val、test是相对路径。注意names的键必须从 0 连续编号，不能跳号。如果死亡类样本太少，可以先把test指向val，等模型稳定后再单独跑测试集。常见翻车点：Windows 下路径用了反斜杠，YOLO v11 在 Linux 环境读不到；或者path写了绝对路径但train又写了绝对路径，导致路径拼接错误。统一用相对路径最稳。

3.2 从预训练权重启动训练的最小命令

假设你已经装好ultralytics包，权重文件yolo11n.pt放在当前目录。最小训练命令：

yolo detect train \ data=data.yaml \ model=yolo11n.pt \ epochs=150 \ imgsz=640 \ batch=16 \ device=0 \ project=runs/chicken \ name=exp1 \ patience=30 \ lr0=0.01 \ lrf=0.01 \ mosaic=1.0 \ close_mosaic=20

逐参数说明：epochs=150对 484 张图偏多，但配合patience=30会在验证指标不升时提前停。imgsz=640是 YOLO v11 的默认输入尺寸，如果鸡只目标在图中占比小于 5%，可以提到 960，但显存翻倍。batch=16在 8GB 显存上跑 640 尺寸刚好，显存不够就降到 8。lr0=0.01是初始学习率，小数据集容易过拟合，可以降到 0.005。mosaic=1.0开启马赛克增强，close_mosaic=20表示最后 20 个 epoch 关闭增强，让模型在真实分布上收敛。device=0指定第一块 GPU，CPU 训练把device改成cpu，但 484 张图用 CPU 大概要跑几个小时。

3.3 训练日志里必须盯住的三个指标

训练开始后，控制台每轮输出一行。重点看box_loss、cls_loss、mAP50。box_loss下降说明框的位置在变准，cls_loss下降说明分类在变对。如果box_loss降但cls_loss不降，大概率是类别标注有歧义，比如吃食和喝水标混了。mAP50在验证集上算，前 20 轮通常低于 0.3，50 轮后如果还低于 0.4，说明数据量或标注质量有问题。另一个隐藏指标是val/box_loss和train/box_loss的差距，差距超过 0.05 就是过拟合信号，需要加数据增强或减模型复杂度。我一般会在第 50、100、150 轮各存一次权重，最后用验证集挑最好的，而不是直接用last.pt。

4. 小样本行为识别的避坑与排查

4.1 死亡类召回率始终为 0

现象：训练完看混淆矩阵，死亡类全部预测成睡觉或异常，召回率 0。原因：死亡样本太少，且死亡姿态和睡觉在低分辨率下几乎一样。解决：先把死亡和睡觉的标注框区分开，死亡框额外包含鸡只周围 10~20 像素的地面区域，让模型学到“周围空旷”这个上下文特征。然后在data.yaml里给死亡类加权重，YOLO v11 不直接支持类别权重，但可以通过复制死亡样本图片来过采样，复制 3 倍后重新训练。如果还不行，把imgsz提到 960，让模型看到更多纹理细节。

4.2 验证集 mAP 很高但实际部署全错

现象：验证集 mAP50 到 0.85，但拿鸡舍新视频跑，吃食喝水全乱。原因：验证集和训练集来自同一批视频的相邻帧，背景、光照、鸡只位置高度相似，模型记住了背景而不是行为。解决：重新划分数据集，按视频来源切分，训练集用 3 个鸡舍的视频，验证集用第 4 个鸡舍的。如果只有一批视频，至少按时间段切，上午的训练，下午的验证。另外，部署前用yolo detect predict跑一段新视频，逐帧看预测框，别只看指标。

4.3 训练到一半 loss 变成 NaN

现象：第 60 轮左右box_loss突然变成nan，训练中断。原因：学习率太高，或者某张图的标注框宽高为 0，导致梯度爆炸。解决：先跑第 2.3 节的检查脚本，确认没有零宽高框。然后把lr0降到 0.001，加warmup_epochs=5让学习率从 0 慢慢升上去。如果还出 NaN，在命令里加amp=False关闭混合精度训练，虽然慢一点但稳定。血泪经验：小数据集上lr0=0.01经常翻车，我后来固定用 0.005 起步。

4.4 吃食和喝水在傍晚图像里互换

现象：白天预测正常，傍晚光线偏暖时，吃食和喝水类别互换。原因：傍晚料槽和水线的颜色对比度下降，模型依赖的颜色特征失效。解决：在训练时加hsv_h=0.015、hsv_s=0.7、hsv_v=0.4做色调、饱和度、亮度增强，让模型对光照变化鲁棒。另外，标注时确保吃食框包含料槽边缘，喝水框包含水线反光区域，给模型更多形状线索。如果部署现场有红外补光，训练集里最好也加入红外图像，否则傍晚照样翻车。

4.5 模型把异常行为全判成吃食

现象：异常行为（如扎堆、瘫痪）被大量误判为吃食。原因：异常行为的定义太模糊，标注时把“鸡只聚集”标成异常，但聚集时鸡头也可能朝下，和吃食重叠。解决：重新定义异常行为，只标“单只鸡身体扭曲、无法站立”的样本，扎堆不标异常。然后在训练命令里加mixup=0.1，让模型看到更多组合场景。如果异常样本少于 50 张，建议先合并到死亡类，等数据够了再拆开。

5. 把 484 张图用出 2000 张的效果：进阶技巧与验证方法

小样本行为识别的天花板不在模型，而在数据。484 张图直接训，mAP50 能到 0.6 就算不错。但如果你愿意花半天做增强和伪标签，可以把它推到 0.75 以上。我常用的组合拳是：先训一个基础模型，用它对未标注的鸡舍视频做推理，挑置信度高于 0.7 的预测框，人工复核后加入训练集。这个过程叫自训练，能把有效样本翻 2~3 倍。注意，伪标签必须人工过一遍，尤其是死亡和异常类，模型错标一次，下一轮就会强化错误。

另一个技巧是切片推理。鸡舍监控画面通常是 1920×1080，鸡只目标很小。训练时用 640 输入，推理时把大图切成 4 块 640×640 的小图，分别预测再合并。这样小目标召回率能提升 15% 左右。代码不复杂：

from ultralytics import YOLO import cv2 model = YOLO("runs/chicken/exp1/weights/best.pt") img = cv2.imread("coop_frame.jpg") h, w = img.shape[:2] tiles = [] for i in range(2): for j in range(2): tile = img[i*h//2:(i+1)*h//2, j*w//2:(j+1)*w//2] tiles.append(tile) results = model(tiles, imgsz=640, conf=0.4) for r in results: for box in r.boxes: cls = int(box.cls) conf = float(box.conf) print(f"类别={model.names[cls]} 置信度={conf:.2f}")

逻辑说明：把原图切成 2×2 四块，每块单独推理。conf=0.4是置信度阈值，低于 0.4 的框直接丢弃。参数imgsz=640要和训练时一致。合并结果时需要把每块的坐标映射回原图，这里只打印类别和置信度，实际部署要加坐标偏移。切片推理的代价是推理时间变成 4 倍，如果边缘设备算力不够，可以只切鸡只密集的区域。

验证方法上，别只看 mAP。我习惯用三个指标交叉验证：一是每类召回率，死亡类低于 0.7 就不上线；二是连续 100 帧的预测稳定性，同一只鸡的行为类别跳变超过 3 次，说明模型没学到时序信息，需要加 LSTM 或 Transformer 后处理；三是现场误报率，拿 24 小时监控视频跑一遍，统计误报次数，超过 5 次/天就得回去补数据。最后说个习惯：我每次训完模型，都会把验证集里预测错的图单独存一个文件夹，看一遍错在哪。十次有八次是标注问题，不是模型问题。希望帮到你。

本文还有配套的精品资源，点击获取