新闻详情

新闻详情

首页 / 资讯中心 / 详情

牧场牛行为检测数据集 | 牛行为识别 智慧畜牧 动物福利 采食检测 躺卧识别9114期

发布时间:2026/11/17 13:30:03来源:尧图网络
牧场牛行为检测数据集 | 牛行为识别 智慧畜牧 动物福利 采食检测 躺卧识别9114期
牧场牛行为检测数据集 | 牛行为识别 智慧畜牧 动物福利 采食检测 躺卧识别9114期数据集概述本数据集专注于牧场场景下牛只日常行为的视觉识别服务于智慧畜牧、动物福利评估及牧场精细化管理。数据涵盖三种典型行为状态适配行为监测、健康预警及管理决策等应用。数据集核心信息数据要素详细说明类别共3类采食、站立、躺卧数量1657张图像格式图像为 JPG/PNG标签为 YOLO 格式的 txt 文件水平边界框图像分辨率1920×980、2048×1436数据划分训练集1325张验证集165张测试集167张应用价值1.行为监测实时识别牛只采食、站立、躺卧等行为评估牛群活动规律与福利水平。2.健康预警通过行为异常如采食减少、躺卧过长早期发现疾病或应激状态。3.牧场管理为饲喂优化、放牧规划及畜舍环境调控提供数据支持。4.算法研发为动物行为识别、多类别目标检测等视觉任务提供真实场景的训练与评测数据。完整类别列表共3类序号英文名称中文释义行为状态说明0grazing采食吃草或吃料1standing站立休息或警戒姿态2lying躺卧反刍或休息姿态数据三要素解析类别与行为覆盖数据集定义3类牛只典型行为采食grazing、站立standing、躺卧lying覆盖了牛只日常活动的主要状态。三种行为对应不同的姿态特征——采食时头部低垂、站立时四肢支撑、躺卧时身体蜷缩模型需学习这些姿态差异。类别设置与动物行为学中的基本行为分类相衔接具有较强的专业性与实用性。数据规模与分辨率图像总量约1657张按约80:10:10比例划分为训练集1325张、验证集165张与测试集167张划分规范。图像分辨率包含1920×980与2048×1436两种主流规格高清画质有利于识别牛只的姿态与行为细节。数据采集自真实牧场养殖场景场景代表性较强。格式与结构采用通用YOLO 格式txt每张图像对应一个同名标签文件包含类别 ID 与归一化边界框坐标可直接接入 YOLOv5、YOLOv8 等主流检测框架。图像与标签一一对应数据结构规范即拿即用。知识普及牛行为识别视觉检测的技术要点行为与姿态关联采食、站立、躺卧三种行为在牛只的姿态上有明显差异——采食时头部低垂至地面、站立时四肢直立、躺卧时身体贴近地面。模型需学习这些姿态特征。群体场景与遮挡牧场中牛只可能密集分布相互遮挡常见需采用多尺度特征融合与 NMS 参数调优策略。环境干扰牧场光照变化、草地背景、围栏遮挡等可能影响检测效果建议在训练中加入相关数据增强。行为时序特征行为通常具有时间延续性视频帧序列分析可提升识别准确率减少单帧误判。应用闭环检测结果可统计各行为的时间占比与空间分布结合环境数据构建牛群健康与福利评估系统服务于精准养殖。快速开始代码示例配置文件data.yaml示例train:./dataset/images/trainval:./dataset/images/valtest:./dataset/images/testnc:3names:[grazing,standing,lying]启动 YOLOv8 训练fromultralyticsimportYOLO modelYOLO(yolov8m.pt)model.train(datadata.yaml,epochs100,imgsz640,batch16,device0)标签牛行为识别智慧畜牧动物福利采食检测躺卧识别目标检测YOLO格式深度学习数据集计算机视觉
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉