前几天有个做宠物医疗产品的朋友问我能不能训一个模型猫一进诊室就自动判断它现在是紧张、攻击还是疼痛状态方便医生决定是先安抚还是直接上防护。我说模型不是瓶颈你手上有没有一套现成的“猫情绪检测数据集”他沉默了。市面上公开的宠物数据集大多按品种或物种分类按情绪状态标注的猫行为数据少得可怜。所以我花了三个月自己攒了一套3200张图的YOLO宠物行为数据集从采集、清洗、标注到训练完整走了一圈。这篇文章把全过程写下来包括那些训练到一半才暴露出来的坑。这套数据集不是PPT级别的演示项目它经历了真实的采集、筛选、双人标注、格式转换、YOLOv8训练、踩坑修复这几道完整工序。适合准备做宠物行为识别、目标检测、动物情绪分析相关项目的同学参考也适合刚接触YOLO、想搞懂“从零开始训自己的数据集”到底要经过哪些步骤的人。1. 猫情绪检测为什么难做这套数据集要解决的问题1.1 不只是“看猫脸”实际应用切入点猫情绪检测的真实需求比想象中多。宠物医院里猫进入陌生诊室后普遍处于高度应激状态医生需要快速判断它是轻微紧张、随时会攻击还是已经痛到需要立刻处理做智能猫窝、宠物摄像头的产品团队想通过照片判断猫咪今天状态好不好做行为学研究的课题组则希望用自动标注替代人工看视频逐帧打标签。但猫这个物种天然不配合。狗的社交信号写在脸上——耳朵角度、尾巴摆动、嘴巴张合都极其丰富而且人类对狗的情绪识别有先天直觉猫则是“冷冻-逃跑-攻击”压力反应模型情绪早期表征非常细微猫咪可能只是耳朵微微后压、瞳孔轻微放大整体看起来仍然“很安静”。人类对它情绪的预判准确率并不高。更麻烦的是公开数据集里狗的行为标签远比猫丰富牛津的Oxford Pets数据集虽然包含猫狗图像但分类维度是品种不是情绪状态CatFACS这套专业编码系统虽然严谨但普通标注者根本没法直接上手用。这就是我做这套数据集的直接动机先把数据问题解决掉再去谈模型性能。1.2 情绪类别怎么定五分类体系与判定线索标注情绪的第一件事是定义类别。我对比了几个方案最终采用五分类relaxed放松、alert警觉、anxious焦虑、aggressive攻击/防御、pain疼痛/不适。这个分类覆盖了宠物医疗、行为识别的大多数场景又没细到让标注者无法区分的程度。情绪类别耳朵线索眼睛线索尾巴/身体线索典型场景relaxed自然前倾或微侧正常眨眼瞳孔宽度适中尾巴自然下垂或轻摆身体舒展或蜷缩阳光下睡觉、被熟悉的人抚摸alert竖直前倾竖耳瞳孔放大目光专注尾巴直立或缓慢摆动身体前倾听到陌生声音、观察窗外的鸟anxious耳向两侧下压呈“飞机耳”瞳孔扩大频繁扫视尾巴夹紧或快速抽动身体压低频繁舔唇医院候诊、进入陌生环境aggressive飞机耳伴随面部紧绷瞳孔可缩成细缝且直视目标炸毛、弓背、尾巴竖直膨胀、哈气领地受侵犯、疼痛部位被触碰pain耳朵下坠或左右不对称瞳孔放大但反应迟缓或眯眼蜷缩不动、拒绝触碰、异常嚎叫术后恢复期、慢性伤痛这套定义看着简单真正标注起来最头疼的是pain与anxious的边界。在门诊场景里一只疼痛的猫往往同时表现出焦虑的所有特征——飞机耳、瞳孔扩大、身体压低、频繁舔嘴。我处理的办法是优先采用“强标签来源”术后留院观察的猫、已知有明确伤病的猫这类图片标注为pain单纯环境陌生但没有明确伤病来源的标注为anxious。也就是说pain标签依赖外部先验信息不能只靠图像特征去猜。这是我在这个项目里学到最重要的一条经验。1.3 3200张数据的规模定位决定做3200张不是拍脑袋。3200张对五分类检测任务来说能够支撑一个稳定的基线模型每类平均有640张经过数据增强后足够让YOLOv8这类模型拟合出有效特征不至于一训练就严重过拟合。同时又大到无法用人工标注糊弄逼着我建立了完整的标注和质检流程。这个规模还有一个考量单卡训练友好。3200张图在640分辨率下一张8GB显存的GPU就能跑YOLOv8n/s不需要上多卡集群。如果你想复现这套流程不需要预算普通游戏显卡就够了。2. 数据采集与清洗从5200张到3200张的取舍2.1 图片来源与授权合规很多项目卡在“图片从哪来”这一步。我的来源分为四部分优先保证授权合规自己和朋友拍摄约480张占比15%。在真实居家环境下拍摄光线和背景最自然。公开CC0协议图库约1200张占比38%。来自Pixabay、Unsplash等平台筛选时先看License。视频截帧约1000张占比31%。向宠物博主申请授权后从日常视频中按帧抽取这是捕捉“警觉”“攻击”这类动态情绪的重要来源。公开学术数据集再标注约520张占比16%。部分图片来自可再分发的学术数据集使用前逐一核对原License允许的范围。这里必须提醒一句不要随便从社交平台抓图。爬取他人的宠物照片不仅涉及版权问题还涉及宠物主人隐私。我最初也动过这个念头后来评估后放弃规规矩矩走授权和公开渠道整个项目反而推进得更顺畅因为不需要担心发布数据集时的法律风险。想发布自己的数据集合规一定是第一步。2.2 一张图能不能进数据集六条筛选标准初采阶段我收集了将近5200张图最终只保留了3200张。筛选标准是我在实践中总结固化的每条都有明确的量化依据分辨率不低于640×640。低于这个尺寸的图片猫脸区域基本小于32×32像素后续YOLO训练很难学到有效特征。主体猫在画面中的可识别区域清晰。猫脸或身体轮廓至少有一个可明确辨认的部分。光照条件可接受。过曝、欠曝、偏色严重的图直接淘汰因为情绪判断依赖瞳孔和耳朵的细节。图片不能有严重模糊。动态模糊、失焦模糊会让耳朵和眼睛线索失效。无大面积文字遮挡和水印。部分来源图片带有平台水印影响检测和标注。排除过度拟人化处理。给猫穿衣服、摆出刻意“微笑”姿势、添加表情贴纸的图全部剔除。这类图不是猫的自然情绪表达而是人类把情绪投射到猫身上模型学了会有严重偏差。这六条标准执行下来直接筛掉了大量看似“可用”的图片。2.3 多猫、遮挡与光照的平衡数据集里有大约470张多猫场景图。多猫图在标注上要比单猫图复杂得多每只猫的情绪状态可能完全不同有的猫放松地在边上睡觉另一只猫正对着镜头炸毛。我的规则是画面中每只猫如果有清晰、可判别的情绪表现就单独标注一个框如果某只猫被遮挡到无法判断则不标注这只猫。这样做的好处是模型在真实场景遇到多猫画面时不会因为“只标一只猫”而产生漏检偏差。遮挡问题我也做过权衡。被遮挡超过40%的猫体不标但只遮挡部分面部的仍然保留——因为情绪判定的核心信息在头部身体被遮挡不影响标注。光照方面我在采集阶段有意保留了一部分逆光和弱光图数量控制在10%以内。完全去掉这些“困难样本”会让训练集太干净做出来的模型一上真实摄像头就崩。2.4 清洗前后统计整个清洗链路的数量变化可以用一张表说清楚筛选阶段排除数量说明初始采集—约5200张分辨率不足860张低于640×640模糊/滤镜/文字水印620张影响特征识别多猫但无法判别个体情绪180张目标猫被完全遮挡情绪歧义大到无法仲裁280张双人标注分歧且仲裁失败拟人化/质量存疑60张违背自然情绪原则最终保留—3200张整看到最终数字是3200挺巧的也很符合我这种整理数据的强迫症心态。清洗的意义在于后面标注环节节省的时间远超前面筛选消耗的时间——这一点在后来的统一重标工作里体现得很明显。3. YOLO格式标签从人工标注到训练集3.1 标注工具选型对比标注工具我前后试了四款最终方案是用X-AnyLabeling走完全程。工具原生导出格式AI辅助标注协作能力我的实际评价LabelImgPASCAL VOC XML无单机老牌稳定纯手动效率低labelmeJSON多边形为主弱单机标注多边形伤手转检测框麻烦X-AnyLabelingJSON支持加载YOLO模型做预标注单机主力工具效率提升约60%Roboflow多格式有在线协作团队协作方便但批量上传和导出需要额外工作量选择X-AnyLabeling的核心原因是它支持加载YOLO预训练模型生成伪标签。我的操作流程是先拿YOLOv8n在已经标注好的500张种子数据上跑一遍生成初步框再由标注员进行修正和情绪类别重标。这个“机器粗标人工精修”的流程让标注效率几乎翻倍。当然伪标签的框可以留用类别标签绝对不能直接信——模型预测的类别人工必须逐一复核。3.2 主观性控制双人标注与一致性校验情绪标注是主观任务不同人对同一只猫的判断可能存在差异。我建立了一套低成本但有效的一致性控制流程在所有图片中随机抽取20%进行双人独立标注。计算标注一致性系数Cohens Kappa实测整体为0.68属于较强一致性区间。分情绪类别单独统计后发现pain类的一致性只有0.51是全场最低。于是对pain类所有样本重新仲裁而不是只仲裁20%抽样。争议样本由第三人根据判定线索表裁决仍然无法达成一致的整张图从数据集中移除。这个过程很枯燥但对模型性能的影响是决定性的。我的初版模型mAP只有0.62后来把pain类整体重新仲裁了一遍同样的训练配置mAP直接跳到0.78。这说明情绪数据的“标签干净度”远比“图片数量”重要。3.3 标注格式转换脚本X-AnyLabeling默认导出JSONYOLO训练需要归一化的TXT标签。早期我手工转换结果在边界情况上出了一次严重事故后文会详述所以后来把转换逻辑固化成脚本并在里面做了三层防御坐标顺序统一、边界裁剪、归一化后数值越界检查。import json from pathlib import Path # 类别顺序即类别ID训练和推理时必须和data.yaml保持一致 CLASS_NAMES [relaxed, alert, anxious, aggressive, pain] def json_to_yolo(json_path: str, out_dir: str) - None: with open(json_path, r, encodingutf-8) as f: data json.load(f) img_w data[imageWidth] img_h data[imageHeight] image_name Path(data[imagePath]).stem lines [] for shape in data[shapes]: if shape[shape_type] ! rectangle: continue label shape[label] if label not in CLASS_NAMES: continue class_id CLASS_NAMES.index(label) # 统一为左上、右下顺序 x1, y1 shape[points][0] x2, y2 shape[points][1] x1, x2 min(x1, x2), max(x1, x2) y1, y2 min(y1, y2), max(y1, y2) # 边界裁剪防止标注框超出图像尺寸 x1 max(0, x1) y1 max(0, y1) x2 min(img_w, x2) y2 min(img_h, y2) # 转为YOLO格式的归一化中心坐标和宽高 cx (x1 x2) / 2 / img_w cy (y1 y2) / 2 / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h # 防止异常值进入训练数据 if any(v 0 or v 1 for v in [cx, cy, w, h]): print(f跳过异常框: {image_name}, {label}) continue lines.append(f{class_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) out_path Path(out_dir) / f{image_name}.txt out_path.write_text(\n.join(lines), encodingutf-8)运行方式很简单把某个目录下所有JSON遍历一遍传入输出目录即可。脚本里的边界裁剪不是多余的——标注时手一抖框拉出图像外是常有的事这类越界框如果不拦截训练时轻则警告刷屏重则直接带崩整个loss曲线。3.4 数据集目录结构与data.yaml转换完标签后整个数据集按以下目录结构组织cat_emotion_dataset/ ├── images/ │ ├── train/ # 2560张 │ ├── val/ # 320张 │ └── test/ # 320张 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── cat_emotion.yaml划分比例取8:1:1划分时用脚本做了分层抽样保证每个情绪类别在训练、验证、测试三份里的占比大致一致。这一点容易被忽略——如果随手打乱很可能出现Pain类图片全部落在训练集、验证集里一张都没有的情况评估指标就完全失真了。对应的YOLO配置文件path: /path/to/cat_emotion_dataset train: images/train val: images/val test: images/test nc: 5 names: [relaxed, alert, anxious, aggressive, pain]这里的names列表顺序必须和转换脚本里的CLASS_NAMES完全一致否则类别ID错位训练出来的一切指标都没意义。4. YOLO训练实测三组配置与评估指标4.1 预训练模型与训练参数训练这步我踩过的坑不少先说结论。在单卡8GB显存环境下从YOLOv8n和YOLOv8s开始是最稳妥的选择。加载预训练权重而不是空白权重能让模型在小规模数据集上更快收敛——预训练权重提供的底层视觉特征边缘、纹理、形状是通用的猫脸检测不需要从零开始理解什么是“猫”。我最终固定的训练参数如下参数值选择理由imgsz640平衡显存占用与小目标分辨率猫脸区域至少能分配到32×32以上像素batch16单卡8G显存稳定不爆epochs150配合早停实测大约在90轮收敛patience20连续20轮验证集无提升即停防过拟合optimizerAdamW收敛平滑对类别不平衡的鲁棒性比SGD好lr00.001相对保守的初始学习率减少训练初期loss剧烈波动的概率数据增强方面YOLOv8自带的Mosaic增强默认开启。但对于情绪检测这种依赖整体姿态语义的任务Mosaic会在多图拼接时切碎猫的完整身体结构反而干扰耳朵、尾巴这些跨区域协同特征。我在对比实验中发现关闭Mosaic、保留翻转和HSV微调mAP反而稳定提升约0.02。如果你的数据也是强语义依赖类型建议试一下这个配置。4.2 三组模型的结果对比在相同的训练集和验证集下我用YOLOv8n、YOLOv8s、YOLOv8m分别跑了一遍训练结果如下模型mAP50mAP50-95单张推理耗时(GPU)备注YOLOv8n0.7820.421约2ms可用速度和精度均衡YOLOv8s0.8310.514约3.5ms推荐训练和部署的主力模型YOLOv8m0.8580.553约7ms精度最好显存和耗时有压力这个结果说明一件事对于3200张规模的数据集模型容量从n升到s有显著收益但从s升到m收益递减。如果你的目标是做一个能上线的宠物情绪检测工具YOLOv8s是性价比最优选择。值得强调的是不同随机种子下跑出来的结果波动在±0.015左右所以复现时不要因为差了一两个百分点就怀疑自己操作有误。4.3 混淆矩阵里的难例分析mAP数字只能反映整体水平真正决定项目能不能落地的是错误模式。从混淆矩阵里我看到三类典型问题relaxed与alert互相误检最严重。放松和警觉的猫耳朵都可能处于前倾状态静态图像里能区分的线索只有瞳孔大小和耳朵细微角度变化灰色地带非常大。pain最容易误检为anxious。这在前文已经讨论过视觉线索高度重叠需要依赖上下文信息辅助判断。aggressive的召回率最高。这个类别最“好检”因为炸毛、弓背、哈气这些视觉信号极其强烈模型学到的特征类别边界最清晰。这几类错误模式直接影响产品设计如果你做一个“情绪告警”工具那就宁可将pain误判为anxious也不能把anxious漏成relaxed因为漏报导致的处置延迟比误报更危险。理解混淆矩阵本质上是理解模型在哪里骗你。5. 训练途中踩过的坑BN崩溃、小目标漏检与类别不平衡5.1 一次BN崩溃的完整排查过程训练跑到第42轮时loss突然跳高验证集mAP从0.71掉到0.3再往后loss直接变成NaN。这个现象非常典型业内通常叫“BN崩溃”常见原因有几个方向。我按排查链路一步步走先检查数据集文件有没有异常。抽查标签TXT发现有两张图的标签出现了1.2和-0.1这样的归一化越界坐标。定位根因。把越界标签对回到原始JSON发现标注人员保存框时把矩形框的一边拉出了图像边界而当时我手工转换时没有做边界裁剪。修复方案。写了下文那个带边界裁剪的转换脚本重新生成全部标签。修复后重新训练同样的配置和随机种子loss曲线恢复正常mAP稳定收敛。这个坑的教训是遇到训练异常最先怀疑的应该是数据而不是模型结构或超参数。BN崩溃发生前往往没有任何提示loss曲线直接给你表演“自由落体”很多新手第一反应是调低学习率或者换优化器但根子通常就在标签里混进了异常值。5.2 小目标猫脸切片推理与分辨率策略猫脸在640分辨率下通常只占28~35个像素属于典型的小目标。YOLOv8的基础版检测头对小目标召回率天然偏低。我试了两种解法方案一把输入分辨率提到960。训练时间几乎翻倍mAP50-95提升约0.04效果有但性价比不高。方案二推理时做切片。把原图切成四块每块约360×360有20像素重叠分别推理后再合并结果去除重复框。实测mAP50-95提升约0.04而且训练时仍然保持640分辨率部署效率不受影响。我最终选择了方案二因为训练和部署解耦训练继续保持640让模型适应大图特征推理时用切片覆盖小目标盲区。这套策略在不增加训练成本的前提下让猫脸这种小目标的召回率明显改善。如果你的项目也涉及小目标检测可以优先试切片推理而不是盲目放大训练分辨率。5.3 很多人在后台问的混淆矩阵总和为什么“对不上”训练完看验证集混淆矩阵有人会发现某一行的比例加起来不等于1或者整个矩阵的和不是100%以为是算错了。其实YOLO可视化混淆矩阵默认是按类别归一化的——每个类别的真值样本数不同每一行按各自总量归一后总和自然不是1。这恰恰是这种可视化方式想要表达的信息它展示的是每个类别的漏检分布而不是全局的样本占比。如果你想要精确率需要看按预测类别归一化的版本或者直接看Precision-Recall曲线。这个细节困扰过不少人但原理说破就很简单矩阵的归一化基准不同读法就不同。5.4 类别不平衡的两种解法实测这个数据集里pain最少、relaxed最多存在天然不平衡。我先后尝试了两种常规解法class_weights权重法给pain设为2.5倍、aggressive设为2倍、anxious设为1.2倍。pain的精确率从0.61提升到0.68但relaxed的精确率下降了约0.03。原因很好理解权重把模型注意力强行拉向少数类挤压了多数类的表达空间。增强池法对350张pain图做水平翻转、±10°旋转、亮度0.85~1.15随机变换扩到1050张。pain精确率提升到0.73其他类别几乎没有下降。最终我采用增强池法。它的优势不仅在于平衡了样本数量还让pain类内部的姿态多样性变大了——翻转变换相当于让模型看到“右侧疼痛”和“左侧疼痛”两种形态这对泛化是有实打实帮助的。需要小心的是pain类不要加Mosaic增强疼痛状态依赖整体蜷缩姿态切碎后会丢掉最核心的语义线索。6. 这套数据集的边界与后续扩展方向6.1 静态图像解决不了的行为过程问题每次分享这个数据集我都会强调它的边界静态单帧图像是情绪的“快照”而猫的情绪是随时间连续变化的过程。炸毛不是瞬间出现的它有一个从警觉到恐慌再升级的渐变路径一只猫在视频里可能3秒内从放松变成攻击状态但单帧里只会看到其中某一阶段。所以这套数据集适合训练“当前画面下猫处于什么状态”的分类检测器不适合直接用于“预测猫接下来会不会攻击”这样的时序任务。做产品时要对模型的输出边界有清醒认知。6.2 扩展方向一视频行为流识别在静态帧基础上可以把多帧关键帧串成行为流。技术上可以引入时序模型比如用SlowFast架构提取短时动作特征或者用轻量级时序模块对连续帧的检测结果做后处理平滑。我在实验中发现简单的“连续N帧投票”就能把单帧模型在视频上的表现提升不少因为情绪状态在相邻帧之间具有天然连续性。这个方向适合想做“实时情绪监测”的朋友。6.3 扩展方向二多模态融合与模型结构改进单靠视觉有一个天然天花板——疼痛的猫和焦虑的猫在图像上太像了。但如果加入音频情况会好很多猫在疼痛时的嚎叫频率、攻击时的哈气声、放松时的呼噜声都是极富区分度的信号。多模态数据集是宠物行为识别很值得探索的方向视觉模态负责空间状态音频模态负责情绪表达两者融合能覆盖更多边缘情况。模型结构方面如果你的目标是参加比赛或者冲精度可以在YOLO检测头上引入注意力机制或Transformer encoder也可以关注Efficient Head这类轻量化分类头、Mamba这类降低序列计算量的结构。但我的实际经验是在数据量只有几千张时模型结构升级带来的收益远不如把标签清洗干净、把难例仲裁做扎实。先把数据做对了再谈结构创新这个顺序不要反过来。这套数据集从采集到训练跑通我最深的体会是模型永远在进步但数据质量决定了模型进步的天花板。最初一版模型mAP只有0.62后来通过重标pain类、修正异常标签同样的YOLOv8n直接跳到0.78。如果你也准备做一个宠物行为数据集我的建议很直接把最多的时间花在标签一致性和难例仲裁上参数调优反而是最后一步的事。最后分享一个小技巧——训练时每10轮存一次验证集预测图把预测错误的图挑出来看一眼你会比看任何指标都更快理解你的模型到底卡在哪里。祝各位在“读懂猫”这条路上少踩几个我踩过的坑。