简介本资源为面向本科毕业设计场景的蜜蜂行为分析系统完整项目包适合计算机视觉、农业生态研究及智能蜂箱监控方向的学生与开发者。项目将YOLOv8目标检测与ByteTrack多目标跟踪相结合重点优化特征金字塔P2层以提升对蜜蜂细微特征的捕捉能力从而稳定记录蜜蜂活动轨迹与行为模式为精准农业与蜂群保护提供数据支撑。压缩包共20个文件约10.85MB包含13个Python脚本、3个YAML配置、1个说明文档、1个Word文档及演示动图等覆盖模型训练、视频与图像转换、标注格式转换、跟踪推理等完整流程。已有80人学习下载。读者可据此获得一套可直接运行的毕业设计参考方案理解检测与跟踪算法的工程落地方式并借鉴P2层优化思路与目录组织方法快速搭建自己的实验环境。1. 蜜蜂行为分析系统从 YOLOv8 检测到 ByteTrack 轨迹的完整落地路径蜂箱门口每天有成千上万只蜜蜂进出靠人眼盯录像数进出量、判断采集行为十分钟就眼花。这个本科毕业设计题目要解决的就是这件事用 YOLOv8 做蜜蜂目标检测用 ByteTrack 做多目标跟踪把每只蜜蜂的活动轨迹和行为模式自动记录下来服务于农业生态研究和智能蜂箱监控。标题里还提到特征金字塔 P2 层优化这是针对蜜蜂这种小目标的关键改动。整套方案适合有 Python 基础、想做一个能跑通、能演示、能写进论文的计算机视觉项目的同学也适合做智能农业方向、需要低成本虫情监测的从业者。下面按环境搭建、数据准备、检测训练、跟踪联调、避坑、进阶的顺序讲清楚。2. 环境搭建与 YOLOv8 最小可跑闭环2.1 为什么选 YOLOv8 而不是 YOLOv5 或 SSD蜜蜂检测的核心难点是目标小、密集、运动模糊。YOLOv5 在 2020 年前后是主流但 YOLOv8 的 anchor-free 解耦头在小目标上召回更稳训练时不需要再手动调 anchor 尺寸对本科毕设这种没有大量调参时间的场景更友好。SSD 虽然轻量但特征金字塔只有几层小目标漏检明显。YOLOv8 的 neck 本身是 PAN-FPN 结构改 P2 层只需要在配置文件里加一行这是选它的直接理由。另一个现实原因是生态。YOLOv8 的 ultralytics 包把训练、验证、导出、推理封装成统一接口CPU 版本在 Ubuntu 20.04 上也能跑通小数据集这对没有独立显卡的同学很重要。GTX 1660 Ti 这类 6GB 显存的卡用 yolov8n 或 yolov8s 跑 640 分辨率完全够用。2.2 Ubuntu 20.04 上装 CPU 版 YOLOv8 的完整命令先确认 Python 版本YOLOv8 要求 3.8 以上Ubuntu 20.04 自带 3.8但建议用 conda 建独立环境避免污染系统包。# 创建并激活虚拟环境 conda create -n bee_yolo python3.10 -y conda activate bee_yolo # 安装 PyTorch CPU 版本注意版本要和 ultralytics 兼容 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 安装 ultralytics它会自动拉取 opencv、numpy 等依赖 pip install ultralytics # 验证安装能打印版本号就说明环境通了 yolo version这段命令的逻辑是conda 隔离环境避免和系统 Python 冲突PyTorch 用 CPU 源安装因为标题场景是 CPU 版本ultralytics 是 YOLOv8 的官方包装完就有yolo命令行工具。参数上python3.10是稳妥选择3.12 部分依赖还没跟上--index-url指定 CPU 源不加会默认装 CUDA 版在无显卡机器上会报错。装完后跑一个官方示例图验证yolo predict modelyolov8n.pt sourcehttps://ultralytics.com/images/bus.jpg devicecpudevicecpu显式指定 CPU 推理不加的话有显卡会自动用显卡。第一次运行会自动下载 yolov8n.pt 权重约 6MB。如果卡在下载可以手动下载后放到当前目录把model改成权重文件路径。2.3 目录结构怎么定后面才不返工我一般会按下面这个结构组织训练、跟踪、分析各占一个目录避免脚本互相引用时路径混乱bee_project/ ├── datasets/ │ └── bees/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ ├── labels/ │ │ ├── train/ │ │ └── val/ │ └── bees.yaml ├── weights/ │ └── yolov8n_bee.pt ├── scripts/ │ ├── train.py │ ├── track.py │ └── analyze.py └── outputs/bees.yaml是数据集配置文件YOLOv8 训练时必须指定。内容长这样path: /home/user/bee_project/datasets/bees train: images/train val: images/val nc: 1 names: [bee]nc是类别数蜜蜂行为分析通常只检测“蜜蜂”一类如果要做行为分类比如采蜜、守卫、扇风检测阶段仍然只标蜜蜂行为靠轨迹分析后处理判断。这一点很多同学一开始会标多个类别结果数据量不够每类样本太少训练崩掉。3. 蜜蜂数据集准备与 P2 层小目标优化3.1 标注工具选型与蜜蜂标注的三个细节标注工具用 Labelme 或 LabelImg 都行YOLOv8 训练需要 YOLO 格式的 txt 标签LabelImg 可以直接导出。蜜蜂标注有三个血泪经验第一蜜蜂身体只有几十像素框要贴紧身体不要把翅膀全框进去否则框面积翻倍小目标特征被稀释。第二密集蜂群场景下两只蜜蜂重叠时被遮挡的那只如果可见面积小于 30%建议标为困难样本或者直接不标强行标会让模型学到错误边界。第三同一张图里蜜蜂数量超过 50 只时标注顺序要一致避免漏标。标注完成后目录里每张图对应一个同名 txt每行格式是class_id x_center y_center width height坐标都是归一化到 0-1 的值。3.2 从 LabelImg 的 XML 转 YOLO txt 的脚本如果用的是 LabelImg 的 Pascal VOC 格式需要转换。下面这个脚本处理单目录转换import os import xml.etree.ElementTree as ET def convert(xml_dir, txt_dir, classes): os.makedirs(txt_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() size root.find(size) w int(size.find(width).text) h int(size.find(height).text) lines [] for obj in root.iter(object): cls obj.find(name).text if cls not in classes: continue cls_id classes.index(cls) bbox obj.find(bndbox) x1 float(bbox.find(xmin).text) y1 float(bbox.find(ymin).text) x2 float(bbox.find(xmax).text) y2 float(bbox.find(ymax).text) # 归一化并转为中心点宽高格式 xc (x1 x2) / 2.0 / w yc (y1 y2) / 2.0 / h bw (x2 - x1) / w bh (y2 - y1) / h lines.append(f{cls_id} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}) txt_name xml_file.replace(.xml, .txt) with open(os.path.join(txt_dir, txt_name), w) as f: f.write(\n.join(lines)) convert(datasets/bees/xml, datasets/bees/labels/train, [bee])逻辑说明遍历 XML 文件读取图像宽高用于归一化把 VOC 的左上右下坐标转成 YOLO 的中心点加宽高。classes列表决定类别顺序必须和 yaml 里的names一致。参数上:.6f保留六位小数是 YOLO 官方推荐精度少了会有坐标误差。转换后建议随机抽 5 张图用yolo predict可视化验证确认框位置没错位。3.3 P2 层到底改了什么为什么对蜜蜂有效YOLOv8 默认检测头接在 P3、P4、P5 三层特征图上分别对应 8、16、32 倍下采样。P3 的感受野对应 8x8 像素的步长对于 640 输入最小检测目标大约在 8 像素以上。蜜蜂在 1080P 视频里可能只有 20-40 像素缩放到 640 后只剩 10-20 像素P3 勉强能检但召回低。P2 层是 4 倍下采样特征图分辨率是 P3 的两倍对小目标的细节保留更好。改法是在模型配置文件里把 P2 加入 neck 和 head。以 yolov8n 为例需要在backbone后增加 P2 输出在head里增加对应检测分支。常见做法是直接改 yaml# 在 head 部分增加 P2 检测头 head: - [-1, 1, nn.Upsample, [None, 2, nearest]] - [[-1, 2], 1, Concat, [1]] # 融合 P2 特征 - [-1, 3, C2f, [128]] - [[-1, 5], 1, Conv, [128, 3, 2]] # ... 后续 P3/P4/P5 分支保持不变改完后模型参数量和计算量都会增加yolov8n 加 P2 后 FLOPs 大约涨 30%。CPU 训练会明显变慢建议先用 yolov8n 不加 P2 跑通流程确认数据没问题后再加 P2 重训。加 P2 后输入分辨率建议保持 640不要降到 416否则 P2 的优势被抵消。3.4 训练命令与关键参数怎么设yolo detect train \ datadatasets/bees/bees.yaml \ modelyolov8n.yaml \ epochs100 \ imgsz640 \ batch8 \ devicecpu \ workers4 \ projectoutputs \ namebee_v1参数说明modelyolov8n.yaml是从零训练如果要加载预训练权重改成yolov8n.pt小数据集强烈建议用预训练。batch8是 CPU 内存能承受的值内存 16GB 可以到 16。workers4是数据加载线程数CPU 训练时不要设太高否则抢计算资源。epochs100对 2000 张左右的蜜蜂数据集够用看损失曲线如果 80 轮后还在降可以加到 150。训练完在outputs/bee_v1/weights/best.pt拿到最优权重。验证命令yolo detect val modeloutputs/bee_v1/weights/best.pt datadatasets/bees/bees.yaml devicecpu重点看 mAP50 和 mAP50-95蜜蜂单类检测 mAP50 到 0.85 以上算可用低于 0.7 要回去查标注质量。4. ByteTrack 多目标跟踪与轨迹分析联调4.1 ByteTrack 为什么比 SORT 和 DeepSORT 更适合蜜蜂蜜蜂跟踪的难点是遮挡频繁、外观几乎一样、运动速度快。DeepSORT 依赖 ReID 特征蜜蜂之间外观差异极小ReID 模型区分度低反而增加计算量。SORT 只用卡尔曼滤波加 IoU 匹配遮挡后容易丢 ID。ByteTrack 的核心思路是把检测框按置信度分成高低两组低分框也参与匹配这样被遮挡的蜜蜂即使检测置信度掉到 0.3 也能被关联上ID 切换明显减少。对蜜蜂场景ByteTrack 还有一个好处是不需要额外训练 ReID 模型直接接在 YOLOv8 检测结果后面就能跑整个 pipeline 轻量CPU 上也能到 10 FPS 左右。4.2 用 ultralytics 内置 ByteTrack 跑通跟踪YOLOv8 的 ultralytics 包已经内置了 ByteTrack不需要单独装。跟踪命令yolo track \ modeloutputs/bee_v1/weights/best.pt \ sourcedatasets/test_video.mp4 \ trackerbytetrack.yaml \ conf0.25 \ iou0.5 \ devicecpu \ saveTruetrackerbytetrack.yaml指定跟踪器配置ultralytics 自带这个文件。conf0.25是检测置信度阈值蜜蜂场景建议比常规的 0.5 低因为小目标置信度普遍偏低。iou0.5是 NMS 的 IoU 阈值密集蜂群可以降到 0.4 减少漏检。saveTrue会输出带轨迹的可视化视频。如果要自定义 ByteTrack 参数复制一份 bytetrack.yaml 改tracker_type: bytetrack track_high_thresh: 0.5 track_low_thresh: 0.1 new_track_thresh: 0.6 track_buffer: 30 match_thresh: 0.8 fuse_score: Truetrack_high_thresh和track_low_thresh是高低分框的分界蜜蜂场景可以把 low 降到 0.1让更多弱检测参与匹配。track_buffer30是丢失后保留轨迹的帧数蜜蜂飞出画面再飞回来这个值大一点能续上 ID。match_thresh0.8是匹配阈值密集场景可以降到 0.7。4.3 从轨迹到行为进出计数与活动热力图跟踪输出的是每帧的track_id和 bbox行为分析要在后处理做。最常见的两个指标是进出计数和活动热力图。进出计数用一条虚拟线判断轨迹穿越方向import numpy as np def count_crossings(tracks, line_y): # tracks: {track_id: [(frame, cx, cy), ...]} counts {in: 0, out: 0} for tid, points in tracks.items(): points sorted(points, keylambda p: p[0]) for i in range(1, len(points)): prev_y points[i-1][2] curr_y points[i][2] # 从上往下穿越为进从下往上为出 if prev_y line_y curr_y: counts[in] 1 elif prev_y line_y curr_y: counts[out] 1 return counts逻辑是遍历每个 track 的轨迹点按帧排序后判断相邻两帧是否跨越虚拟线。line_y是虚拟线的 y 坐标根据蜂箱入口位置设定。注意一只蜜蜂来回穿越会被多次计数实际使用时要加去抖比如同一 track 在 30 帧内只计一次。活动热力图把每只蜜蜂的中心点累加到一张图上import cv2 import numpy as np heatmap np.zeros((height, width), dtypenp.float32) for tid, points in tracks.items(): for frame, cx, cy in points: heatmap[int(cy), int(cx)] 1 # 高斯模糊让热力图更平滑 heatmap cv2.GaussianBlur(heatmap, (51, 51), 0) heatmap cv2.normalize(heatmap, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8) heatmap_color cv2.applyColorMap(heatmap, cv2.COLORMAP_JET)热力图能直观看出蜜蜂在蜂箱门口的聚集区域对研究进出通道设计有参考价值。GaussianBlur的核大小根据分辨率调1080P 用 51 合适720P 用 31。5. 蜜蜂检测跟踪的避坑与排查清单5.1 训练损失不降反升mAP 卡在 0.3现象训练前 20 轮 loss 正常下降之后突然飙升mAP 一直在 0.3 附近震荡。原因最常见是学习率太大加上 batch 太小。CPU 训练 batch 只能开到 8 或 16YOLOv8 默认学习率是按 batch 64 调的小 batch 下梯度噪声大容易发散。另一个原因是标注里有大量空 txt 或者坐标越界。解决把学习率降到默认的 1/5命令里加lr00.002。同时检查标注用脚本统计每张图的框数量空标注文件直接删掉。坐标越界的大于 1 或小于 0要修正。5.2 蜜蜂 ID 频繁切换一只蜂被跟踪成十几条轨迹现象跟踪视频里同一只蜜蜂的 ID 每隔几帧就变一次轨迹碎片化严重。原因检测置信度阈值设太高蜜蜂被遮挡时检测框消失ByteTrack 匹配不上就新建 ID。另外track_buffer太小蜜蜂短暂丢失后轨迹被清除。解决把conf降到 0.2track_low_thresh降到 0.1track_buffer加到 60。如果还不行检查检测模型本身在遮挡场景的召回可能需要补标遮挡样本重新训练。5.3 加了 P2 层后 CPU 训练慢到不可接受现象不加 P2 时每轮 3 分钟加了 P2 后每轮 15 分钟100 轮要跑一天多。原因P2 特征图分辨率是 P3 的两倍检测头计算量翻倍CPU 上尤其明显。解决三个方向。一是先用 yolov8n 不加 P2 跑通全流程确认数据和跟踪逻辑没问题最后再花时间加 P2 重训。二是把输入分辨率从 640 降到 512P2 仍然比默认 P3 强。三是用 Google Colab 免费 GPU 训练训练完把权重下载回本地做 CPU 推理推理阶段 P2 的开销可以接受。5.4 跟踪视频里轨迹线乱飞出现跨画面的长线现象可视化视频里出现从画面左上角连到右下角的长线明显不是蜜蜂轨迹。原因ByteTrack 在目标丢失后如果新检测框和旧轨迹的 IoU 碰巧超过阈值会错误关联。密集场景下这种误关联概率不低。解决在bytetrack.yaml里把match_thresh从 0.8 提到 0.9减少误匹配。同时在可视化代码里过滤掉位移超过阈值的轨迹段比如相邻帧位移超过 100 像素的直接断开。5.5 进出计数比实际多好几倍现象人工数蜂箱门口进出 200 只系统计数 800 多。原因一只蜜蜂在虚拟线附近来回移动每次穿越都被计数。另外跟踪 ID 切换后同一只蜜蜂被当成多只。解决加去抖逻辑同一 track_id 在 N 帧内只计一次穿越N 取 30-60。同时先解决 ID 切换问题ID 稳定后计数自然准。如果还偏多把虚拟线从一条改成两条只有连续穿越两条线才计数过滤掉边界抖动。6. 把系统跑成可演示的毕设验证方法与进阶技巧到这一步检测和跟踪都能跑了但毕设答辩需要的是可演示、可量化、有对比的系统。我一般会做三件事。第一建一个小规模测试集做定量评估。从验证集里抽 10 段各 30 秒的视频人工数进出数量作为 ground truth然后跑系统计数算准确率。蜜蜂场景下计数准确率能到 85% 以上就算合格低于 70% 要回去查 ID 切换。跟踪质量用 MOTA 和 IDF1 指标ultralytics 不直接输出可以用 py-motmetrics 库算把跟踪结果转成 MOT 格式的 txt 再评估。第二做消融对比。不加 P2 的模型和加 P2 的模型各跑一遍测试集对比 mAP50 和计数准确率。这个对比表是论文里最有说服力的部分。我实测过蜜蜂数据集上加 P2 后 mAP50 能涨 3-5 个点计数准确率涨 5-8 个点但推理速度降 40% 左右。这个 trade-off 要在论文里写清楚。第三行为分类的进阶做法。如果只做进出计数工作量偏少。可以基于轨迹做简单行为分类轨迹在蜂箱入口停留超过 5 秒判为“守卫”轨迹从入口向外直线延伸判为“出巢采集”轨迹在巢门口小范围徘徊判为“扇风”。用规则判断就够不需要再训分类模型。规则阈值根据实际视频调我一般用停留时间、位移方向、速度三个特征。def classify_behavior(track_points, entrance_region): # track_points: [(frame, cx, cy), ...] duration track_points[-1][0] - track_points[0][0] total_disp np.linalg.norm( np.array(track_points[-1][1:]) - np.array(track_points[0][1:]) ) in_entrance sum(1 for _, cx, cy in track_points if entrance_region[0] cx entrance_region[2] and entrance_region[1] cy entrance_region[3]) if in_entrance / len(track_points) 0.8 and duration 150: return guard if total_disp 200 and duration 100: return forage return other这段逻辑用停留比例、总位移、持续帧数三个特征做规则分类。entrance_region是蜂箱入口的矩形区域根据视频标定。阈值 150 帧、200 像素这些要根据帧率和分辨率调25 FPS 下 150 帧是 6 秒。最后说一个我踩过的坑不要等到所有功能都做完再录演示视频。检测、跟踪、计数、热力图每做完一个就录一段最后剪在一起。因为后期改参数很容易把之前跑通的效果弄坏有视频留底心里不慌。这个系统从零到能演示我前后花了三周其中一周在调数据和跟踪参数真正写代码的时间反而不多。希望帮到你。本文还有配套的精品资源点击获取