面向智慧牧場的牛行為識別數據集（5000張圖片已劃分、已標註） | AI訓練適用於目標檢測任務
背景
在現代智慧農業（Smart Agriculture）中，牲畜行為識別是提高養殖效率與動物健康監測的重要環節。牛作為主要的經濟牲畜之一，其行為變化往往直接反映健康狀態與生產潛力。
傳統的監測方式主要依賴人工巡查和視頻觀察，不僅耗時耗力，而且受主觀判斷影響較大。隨着人工智能（AI）與計算機視覺（Computer Vision）技術的發展，利用目標檢測算法自動識別牛的行為成為智能牧場建設的核心方向之一。
通過深度學習模型對牛的行為進行自動識別，可以實現：
- 實時監測牛羣行為模式（卧、站立、行走）；
- 自動識別異常狀態（如長期卧地或運動不足）；
- 行為統計分析（輔助飼養策略優化與健康評估）。
本項目發佈的“牛行為檢測數據集”正是面向這些應用設計的，旨在為AI研究者和農牧科技企業提供高質量、標準化的視覺識別數據支持。
數據集獲取
鏈接:https://pan.baidu.com/s/1U-fYytRgShuQUuc00yzpAw?pwd=77pt
提取碼:77pt 複製這段內容後打開百度網盤手機App，操作更方便哦
牛卧、站立、行走數據集介紹
本數據集專為牛的行為識別任務設計，包含了5000張標註清晰的圖像，適用於訓練、驗證和測試模型，幫助高效地檢測牛的三種主要行為：牛卧、牛站立和牛行走。該數據集可廣泛應用於智能農業、動物監控、行為分析等領域。
數據集結構
數據集包含三個主要部分，分別用於訓練、驗證和測試：
main/datasets/
├── train/
├── valid/
└── test/
訓練集 (train)：包含用於模型訓練的圖像數據。
驗證集 (valid)：包含用於模型驗證的圖像數據，幫助調節模型超參數。
測試集 (test)：用於評估最終模型的性能，確保模型的泛化能力。
標籤與類別
數據集中共有三個類別，每個類別對應一種牛的行為：
類別數 (nc): 3
類別名稱 (names): ['牛卧', '牛站立', '牛行走']
這些標籤用於標識圖像中牛的行為狀態，幫助模型識別和分類。
數據集特點
5000張圖像：數據集包含了豐富的牛行為圖像，適合用於深度學習模型的訓練。
高質量標註：每張圖像中的牛的行為已精準標註，採用常見的目標檢測格式（如YOLO格式）。
多樣化場景：數據集中的圖像展示了牛在不同環境中的行為，包括草地、棚舍、牧場等多種場景，增加了模型的泛化能力。
行為分類明確：數據集專注於三種行為：牛卧、牛站立和牛行走，便於行為識別任務。
數據集概述
本數據集共包含 5000 張高質量圖片，均已人工標註三種典型牛行為：
| 類別ID | 類別名稱 | 英文名稱 |
|---|---|---|
| 0 | 牛卧 | lying |
| 1 | 牛站立 | standing |
| 2 | 牛行走 | walking |
所有圖片均以統一分辨率採集，覆蓋多樣化環境，包括草原、牧場、圈舍、陰天、日照等多種自然光照條件。
數據集結構符合主流目標檢測框架（如 YOLOv5、YOLOv8）的標準格式：
main/datasets/
├── train/
├── valid/
└── test/各文件夾中存放對應的圖像文件和同名標籤文件（.txt），其中標籤採用 YOLO 格式，內容示例如下：
<class_id> <x_center> <y_center> <width> <height>例如：
0 0.512 0.433 0.212 0.187
2 0.731 0.462 0.144 0.202數據集詳情
1. 圖像來源與分佈
- 圖像總量：5000 張
- 分辨率範圍：640×640 至 1080×1080
- 數據來源：實地牧場監控視頻幀提取與公開數據合併
-
數據劃分比例：
- 訓練集（train）：70%
- 驗證集（valid）：20%
- 測試集（test）：10%
2. 行為定義與標註規範
- 牛卧（lying）：牛身體貼地，腿部彎曲或側卧姿勢；
- 牛站立（standing）：牛直立，四肢支撐身體；
- 牛行走（walking）：牛處於運動狀態，有明顯步態變化。
每張圖片均通過人工逐幀審核，確保行為標籤準確無誤。標註過程使用 LabelImg 工具完成，標籤文件兼容 YOLOv5、YOLOv8、Detectron2 等主流框架。
適用場景
該數據集適用於農業AI及計算機視覺多個方向的研究與開發：
-
智慧牧場系統
- 實現對牛羣日常行為的自動監測與統計；
- 提供飼餵與健康管理的輔助數據支撐。
-
動物健康監控
- 檢測異常行為（如長時間卧地或活動量不足）；
- 結合物聯網傳感器，可實現疾病早期預警。
-
農業AI教學與研究
- 可用於AI課程中的行為檢測實訓；
- 為研究人員提供標準化、可復現的數據集。
-
AI算法性能驗證
- 可作為目標檢測算法（如YOLO、Faster R-CNN、EfficientDet）的性能測試集；
- 用於對比不同模型的檢測速度與準確度。
目標檢測
為了驗證數據集的實用性，下面以 YOLOv8 為例展示訓練與推理流程。
📘 實戰代碼示例
from ultralytics import YOLO
# 1. 加載預訓練模型
model = YOLO("yolov8n.pt")
# 2. 開始訓練
model.train(
data="./datasets/data.yaml",
epochs=50,
imgsz=640,
batch=16,
name="cow_behavior_detect"
)
# 3. 模型驗證
metrics = model.val()
print(metrics)
# 4. 推理與結果保存
results = model.predict(source="./datasets/test", save=True)配置文件 data.yaml 示例
train: ./datasets/train
val: ./datasets/valid
test: ./datasets/test
nc: 3
names: ['cow_lying', 'cow_standing', 'cow_walking']訓練完成後，YOLO 模型將自動生成檢測框、置信度評分和類別標籤，可直接在推理圖像中可視化輸出。
如果希望進一步優化檢測性能，可以嘗試：
- 替換為 YOLOv8m/v8l 等更強模型；
- 使用數據增強（Data Augmentation）提高魯棒性；
- 微調學習率、批量大小等超參數。
結語
“牛行為檢測數據集”是一個面向智能農業與動物行為識別研究的重要視覺數據資源。
它不僅適用於深度學習模型的訓練與驗證，也為構建智能牧場系統、自動健康監測平台提供了堅實的數據基礎。
未來，我們將進一步擴展數據集規模，加入更多行為類別（如進食、飲水、奔跑等），並提供視頻級標註版本，支持時序行為識別與多模態學習。
讓AI理解牛的行為，是智慧養殖邁向智能時代的重要一步。
