企业官网建设流程全解析

自己做猪舍巡检项目的时候，最头疼往往不是模型结构，而是标注数据。尤其是“猪只行为识别”这种偏垂直的场景，公开数据集本来就少，想找一份带像素级标注、又是实际圈舍环境拍摄的料，基本靠运气。最近从一个朋友那边拿到一份“智慧养殖猪只行为识别分割数据集，labelme格式，1085张，4类别”，翻来覆去用了一周，给我的感觉是：这类数据集的参考价值，很多时候比模型框架本身还要稀缺。这篇就聊点实在的——这个数据集背后到底怎么用、labelme格式怎么解析、怎么转成训练能用的格式，以及我在实际过程中踩过的那些坑。

1. 这个数据集到底解决什么问题

1.1 智慧养殖里为什么要做“行为识别”

养猪这个行业，过去靠人的眼睛和经验，现在靠摄像头和算法。猪只的行为状态，比如说站立、行走、躺卧、进食，直接关系到它的健康指数、应激反应、发情状态，甚至圈舍环境是否合适。举个例子，一头猪长时间躺着不动，可能是发烧或者肢蹄有问题；一头猪反复站起又卧下，可能是环境温度不合适；一头猪频繁靠近饲槽但不进食，可能是饲料适口性或饮水系统出了问题。这些信号如果靠人工去盯监控画面，24小时不间断，不现实，所以需要用算法去做持续的行为分析。

行为识别本质上是一个“分类+定位”的任务：既要判断这是什么行为，还要在画面里找到对应的猪只个体。但如果只做检测级别的矩形框，问题马上就来了——圈舍里猪与猪之间经常叠在一起，栏位栅栏会遮挡身体，一个矩形框里通常包含好几头猪的部分区域。框这个东西，用在个体计数上还行，用在行为判断上就太粗了。所以很多落地项目里，我推荐的做法是把任务升级为实例分割：在像素级上把每一头猪的形状圈出来，再基于轮廓去判断行为。

1.2 为什么偏偏用“分割”标注，而不是目标框

这份数据集选择labelme格式、使用多边形轮廓标注，背后的逻辑其实不复杂。分割标注相比检测框，多出来的信息量非常大：

• 猪的身体轮廓能直接反映姿态，站立和躺卧在轮廓上的长宽比差异非常明显。
• 行为状态的判定往往依赖局部细节，比如“进食”这个类别，头部区域伸向饲槽的部分必须被精确区分出来，矩形框会把饲槽、栏杆一起框进目标里，反而干扰分类。
• 分割mask可以进一步计算面积、中心点、方向角度、形变程度等维度，这些是后续做行为时序分析的特征基础。

所以在实际项目中，我拿到一份分割数据集，哪怕第一版模型跑的是检测，最终也一定会往分割方向迁移。这就是这类“精细标注”数据集的价值所在。

2. 数据集的底细：1085张、4类别怎么落实到项目里

2.1 “4类别”的行为定义与边界

“4类别”是这份数据集最核心的信息。根据不同养殖场景的标注习惯，常见的行为分成以下几类：

我在实际标注中遇到过一个问题：“站立”和“行走”在单帧图像上其实不好区分。严格来讲，行走是一个时间序列动作，单帧里可能出现四肢支撑、身体微倾的瞬间，却看不出位移。所以这类数据集在制作时，通常会基于视频抽帧来辅助判断：如果这一帧前后几帧猪只位置发生变化，就标成walking；如果持续不动，标成standing。使用数据集时要注意，如果你自己也做时序模型，可以考虑把这两类合并成“active状态”，再单独用帧间差分去细分。

2.2 1085张到底算多还是少

1085张，说多不多，说少其实也不算太少。它属于典型的“中小规模专用数据集”。深度学习图像分割模型，如果用COCO这种大规模预训练权重做迁移学习，几千张级别就能微调出可用的效果；但如果是完全从零训练，这个量级肯定不够。

要判断这个规模是否够用，得看两个因素：

• 场景多样性。如果这1085张都来自同一个摄像头、同一个栏位、同一个时间段，那模型泛化到其他圈舍时会明显变差。这种数据集适合做“场景内验证”，不适合直接跨场部署。
• 标注的实例密度。一张图里如果有5到10头猪，那么总实例数可能在5000到10000个以上，单类别实例量还算可观。我拿到数据后第一件事就是统计每个类别的实例数量，而不是只看图片张数，因为分割模型学的是实例特征，不是图片特征。

如果实例数量偏少，后续可以用视频抽帧扩充、复制粘贴增强、跨场景微调等方式补数据。1085张本身不是天花板，而是一个起点。

2.3 训练集/验证集/测试集的划分策略

很多人拿到数据集直接按8:1:1随机切分，这是不推荐的。原因是同一段视频里抽出来的连续帧非常相似，随机划分会让验证集和训练集之间的信息重叠过高，导致指标虚高，模型实际泛化性被高估。

我的做法是：

1. 先把所有图片按视频时间段或拍摄批次分组。
2. 以组为单位划分，保证同一个时间段的图片只出现在一个集合里。
3. 比例建议训练集70%、验证集15%、测试集15%，如果有条件，测试集最好来自完全不同的圈舍或日期。

这样划分出来的性能指标，才能真实反映模型在新场景下的表现。

3. labelme格式的完整拆解与格式转换实操

3.1 labelme标注文件长什么样

拿到数据后，你会发现每张图片旁边都带有一个同名.json文件，这就是labelme的标准输出格式。打开一个典型的文件，结构大致如下：

{ "version": "4.5.6", "flags": {}, "shapes": [ { "label": "lying", "points": [[512.3, 384.1], [521.7, 389.2], [533.2, 396.8]], "group_id": 1, "description": "", "shape_type": "polygon", "flags": {} }, { "label": "standing", "points": [[701.0, 302.4], [715.2, 310.6], [728.9, 312.3]], "group_id": 2, "shape_type": "polygon", "flags": {} } ], "imagePath": "frame_00123.jpg", "imageData": null, "imageHeight": 1080, "imageWidth": 1920 }

几个关键字段值得注意：

• shapes数组里每个元素就是一个实例对象。每个实例的label字段是类别名，points是多边形顶点坐标，shape_type一般是polygon。
• group_id表示实例的编号，同一头猪在不同帧里的group_id如果一致，说明标注者做了跨帧关联，这个信息很有价值。
• imageData通常为null，图片内容不会内嵌到JSON里，所以图片和JSON的路径匹配就变得非常重要。
• imageHeight和imageWidth是标注时的图像尺寸，但我在实际转换时不太信任这两个字段，因为可能存在缩放、裁剪后没更新的情况。

3.2 转成COCO JSON格式的脚本

现在的实例分割框架，不管是MMDetection还是Detectron2，都原生支持COCO格式。所以我拿到labelme数据后的第一步，通常是转成COCO JSON。这里给出一份可以直接改造的参考脚本：

import json import os import glob from PIL import Image from pycocotools import mask as maskUtils def labelme_to_coco(labelme_dir, output_path, category_mapping): json_files = glob.glob(os.path.join(labelme_dir, "*.json")) images = [] annotations = [] img_id = 1 ann_id = 1 for jf in json_files: with open(jf, encoding="utf-8") as f: label = json.load(f) img_path = os.path.join(labelme_dir, label["imagePath"]) img = Image.open(img_path) width, height = img.size images.append({ "id": img_id, "file_name": os.path.basename(img_path), "width": width, "height": height }) for shape in label["shapes"]: if shape["shape_type"] != "polygon": continue category_name = shape["label"] if category_name not in category_mapping: continue category_id = category_mapping[category_name] points = shape["points"] # COCO segmentation需要扁平化坐标 segmentation = [coord for pt in points for coord in pt] xs = [pt[0] for pt in points] ys = [pt[1] for pt in points] x_min, x_max = min(xs), max(xs) y_min, y_max = min(ys), max(ys) bbox = [x_min, y_min, x_max - x_min, y_max - y_min] # 用RLE计算面积比直接算多边形面积更稳 rle = maskUtils.frPyObjects([segmentation], height, width) area = float(maskUtils.area(rle[0])) annotations.append({ "id": ann_id, "image_id": img_id, "category_id": category_id, "bbox": bbox, "area": area, "segmentation": [segmentation], "iscrowd": 0 }) ann_id += 1 img_id += 1 coco_json = { "images": images, "annotations": annotations, "categories": [ {"id": idx, "name": name} for name, idx in category_mapping.items() ] } with open(output_path, "w", encoding="utf-8") as f: json.dump(coco_json, f) if __name__ == "__main__": # 类别名按JSON里的实际标注情况修改 mapping = { "standing": 1, "walking": 2, "lying": 3, "feeding": 4 } labelme_to_coco("./labelme_data", "./output_coco.json", mapping)

这段脚本有几个容易忽略的细节：

• 我使用的是Image.open重新读取图片宽高，而不是直接读JSON里的imageHeight和imageWidth。原因前面说了，JSON里的尺寸可能没同步更新。
• 用pycocotools的RLE方式计算面积，可以避免多边形退化、自相交时面积计算不准的问题。
• segmentation要求是二维列表的坐标展平形式，这里写的是[segmentation]，形状是“单实例多边形”的标准格式，别漏了这一层括号。

3.3 转成YOLO分割格式的脚本

如果你用的是YOLOv8-seg这类模型，需要的是目标检测式的txt标注格式。每个实例一行，格式为：

class_id x1 y1 x2 y2 ... xn yn

坐标全部归一化到0到1。转换代码如下：

def labelme_to_yolo_seg(labelme_dir, output_dir, category_mapping): os.makedirs(output_dir, exist_ok=True) for jf in glob.glob(os.path.join(labelme_dir, "*.json")): with open(jf, encoding="utf-8") as f: label = json.load(f) img_path = os.path.join(labelme_dir, label["imagePath"]) img = Image.open(img_path) w, h = img.size txt_name = os.path.splitext(os.path.basename(jf))[0] + ".txt" out_txt = os.path.join(output_dir, txt_name) with open(out_txt, "w") as f: for shape in label["shapes"]: if shape["shape_type"] != "polygon": continue category_name = shape["label"] if category_name not in category_mapping: continue class_id = category_mapping[category_name] norm_points = [] for x, y in shape["points"]: nx = round(x / w, 6) ny = round(y / h, 6) norm_points.extend([nx, ny]) line = f"{class_id} " + " ".join(map(str, norm_points)) f.write(line + "\n")

YOLO分割格式有个小坑：多边形顶点顺序必须按顺序连接，并且第一个点和最后一个点不要重复存储。labelme里的polygon顶点通常已经是按边界顺序排列的，直接转换即可，但如果发现mask出现“打结”情况，要考虑检查顶点顺序是否逆时针或者是否出现了交叉点。

4. 从数据集到模型：训练和评估的实操路线

4.1 直接能跑起来的模型选择

在拿到这份labelme数据集之后，训练一个分割模型有几条路线可以选择，我按部署场景分别说下：

我个人经验是：如果是刚拿到数据集做可行性验证，先用Mask R-CNN或YOLOv8-seg快速跑通一个baseline。不要一上来就堆结构复杂的模型，因为数据集质量还没有验证过，模型再复杂也补不了标注错误。先用baseline把问题暴露出来，再针对性地优化模型和清洗数据，这才是高效路径。

4.2 数据增强是做分割的关键

1085张的规模，直接训练很容易过拟合。分割任务的数据增强和检测不太一样，有个核心要求：图像变换和mask变换必须同步，否则标注就错位了。

生效的增强组合我建议这样配置：

• 随机水平翻转：猪只身体左右对称性高，翻转不会破坏语义，但注意不要翻转文本、水印等非对称区域。
• 小角度随机旋转（±10度以内）：圈舍摄像头安装角度会有偏差，旋转增强能提升泛化性。
• 随机亮度对比度调整：猪舍的光照条件一天内变化明显，尤其是早晚侧光、走廊灯光反射。
• 随机裁剪缩放：模拟摄像头距离变化和画面构图差异。
• 马赛克增强：把多张图拼接成一张训练样本，对小数据集非常有效。

不推荐的增强包括：大幅度旋转（猪只会变成倒着的，姿态语义被破坏）、随机擦除（会把猪身体的一部分擦掉，行为类别信息丢失）、颜色反转（破坏物体视觉语义）。

4.3 训练参数与评估指标怎么设

训练分割模型，输入尺寸建议统一到模型可接受的范围。比如Mask R-CNN通常用1333×800的动态尺寸，YOLOv8-seg可以用1280×1280。对1085张的数据集来说，训练轮次不宜太少，至少要40到60轮，配合早停机制防止过拟合。初始学习率用2e-4附近，配合warmup策略，冻结骨干网络前几轮是标准做法。

评估指标方面，不要只看mAP@0.5。行为识别的核心诉求是“知道每头猪在干什么”，所以我会额外关注：

• 每个类别的mask AP，重点关注feeding是否显著低于其他类别，如果是，说明头部靠近饲槽的遮挡区域需要额外补充训练数据。
• 分类混淆矩阵，特别区分standing和walking之间、lying和standing之间的错误判断。
• mask边缘的IoU，分割结果边缘粗糙会把面积信息带歪，影响后续行为特征提取。

我在训练后习惯做一个可视化输出：把模型预测的mask叠加到原图上，与标注mask对照，按类别分别打印错误样本。这一步看起来费时间，但能帮你快速发现训练数据里的系统性问题，比盯着指标看有效得多。

5. 实际用这个数据集踩过的坑

5.1 标注和图像对不上的老问题

第一个踩到的坑是文件名匹配。labelme导出的JSON文件名和图片文件名通常是一致的，但偶尔会遇到图片被重命名、或者路径前缀修改的情况。加载数据时报错，一查才发现JSON里的imagePath还是旧路径。

解决办法很简单：在写数据加载脚本时，不要直接使用label["imagePath"]，而是用JSON文件名去掉扩展名，再去对应目录找同名图片。如果找不到，再回退到JSON里的路径字段。这个双保险能避免绝大多数文件匹配错误。

5.2 类别不平衡怎么解决

在这类行为识别数据集中，类别不平衡几乎是必然的。躺卧类往往占了将近一半，因为猪群在舒适环境下大部分时间在睡觉；进食和行走类占比可能只有百分之十几。直接拿原始分布训练，模型会对躺着这个类别产生强烈偏置。

我处理类别不平衡有三招：

1. 训练时对每个类别做采样器加权，让batch里各类别实例数量尽量均衡。
2. 对少数类别的训练图做额外增强，比如把walking类的图片多复制几次副本，增强比例提高。
3. 行为类别可以重新组织宏观类别，比如先训练一个“静态/动态”二分类器，再细分具体行为，这样每个子任务的数据分布会更平衡。

5.3 光照、遮挡、栏位干扰

圈舍环境里的分割难度，比想象中要高。猪栏的金属栅栏会横穿过猪的身体，牛羊猪腿被栅栏隔断是常见现象；地面水渍会反射灯光，在mask边缘形成高亮区域；红外摄像头图像缺乏颜色信息，纹理对比度低，分割模型在边缘区域的预测容易抖动。

应对这些干扰，我的建议是：

• 训练时不要把原图直接resize得太小，比如用1280分辨率，让栅栏横条和猪腿的边界保留足够像素。
• 后处理阶段可以采用条件随机场做边缘平滑，或者用形态学操作去除小块噪点。
• 对有严重遮挡的个体，优先保证分割主体躯干区域的准确性，四肢局部被遮挡可以阈值放宽，不要为了抠出被栅栏遮挡的腿而牺牲整体轮廓。

5.4 labelme工具本身的几个坑

labelme标注工具本身很轻量，但大规模使用时也会遇到一些琐碎问题：

如果你打算用这个数据集做项目而我前面提到的那份转换脚本，建议先做一步可视化检查：把每个mask用随机颜色叠加到原图上，人工抽看30到50张，确认类别名、多边形贴合度、遮挡区域都合理后再进入训练流程。这一步看似增加时间，实际上能省下后面调试模型的大量精力。

我个人在拿到数据集之后，通常不会急着开训。我会先花半天时间做数据清洗、格式转换、可视化验证，把数据集的底摸清楚。这种小规模专用数据集，最大的价值不是“量大”，而是类别定义和场景针对性够强。只要你把标注解析、格式转换、类别平衡这些基础工作做扎实了，后面训练模型的过程会顺畅很多。如果后续有条件，建议基于视频流把单帧的mask关联成时序轨迹，那样做出来的行为识别系统，在落地场景里的实用性会有质的提升。