鸡状态检测数据集：COCO标注与YOLOv8训练实战-北京尧图网络

简介这是一份面向家禽养殖监测与计算机视觉研究的高质量鸡状态图像数据集聚焦正常鸡与异常鸡的识别可用于目标检测和图像分类任务从而帮助养殖场及时预警异常状态。压缩包共含2000个文件其中1997张JPG图片为不同场景下的鸡体图像3个JSON文件为COCO格式标注数据整体大小约451.26MB标注信息包含目标类别与边界框位置。数据整体标注规模约3749张训练集图片正常状态识别准确率约91.8%可直接配合YOLO、MMDetection等框架进行模型训练与验证也能用pycocotools快速读取。目前已有410人学习下载适合从事智慧农业、动物行为分析或目标检测算法研究的学生与开发者。用户拿到这份数据集后可省去采集与标注成本直接基于带精细标注的样本开展异常状态识别实验快速验证算法效果。1. 鸡状态数据集识别正常与异常家禽的目标检测标注资源做监控场景下的目标检测最头疼的往往不是模型选型而是数据集和标注格式对不对路。最近我拆了一个专门针对家禽鸡状态识别的数据集3749 张训练图片标注区分正常鸡和异常鸡用 COCO JSON 格式输出平均正常识别率在 91.8% 左右。这个数据集的定位很清晰给养殖场智能监控、家禽健康状态自动巡检这类场景用的目标类别就两个——normal 和 abnormal不需要你去处理几十类的复杂标签体系模型训练和评估的门槛都低很多。适合谁做农业 AI、养殖场视觉监控、边缘端家禽检测的工程师或者拿现成数据练 COCO 格式目标检测流程的初学者。这篇笔记我会从数据特点、标注结构、训练配置到踩坑记录完整拆一遍最后给出验证模型效果的具体方法。2. 数据集的构成与标注规范先看 COCO JSON 里到底有什么2.1 两类目标的定义边界这套数据的核心是二分类目标检测normal正常鸡和 abnormal异常鸡。正常鸡就是我们日常看到的站立、行走、啄食状态下的鸡只异常鸡涵盖的行为和外观特征包括卧地不起、精神萎靡、羽毛蓬乱、缩颈垂翅、行动迟缓等。这里有一个非常关键的判断逻辑需要先理解abnormal 不是一个精细的病症分类而是一个状态集合——只要鸡只表现偏离正常行为模式就归入这一类。这个定义直接决定了标注策略。实际标注的时候标注人员不需要判断鸡具体得了什么病只需要判断这只鸡此刻的状态是否偏离正常。这种做法的好处是标注一致性容易保证因为「正常行为」的共识度比较高坏处是如果后续你要细分疾病类型这套标注就不够用了只能作为状态检测的基座数据。2.2 COCO JSON 标注的文件结构这套数据集采用的是 COCO JSON 格式这是目前目标检测领域最通用的标注格式之一MMDetection、Detectron2、YOLOv5转换后都能直接消费。核心文件一般有三个组成部分{ images: [ { id: 1, file_name: train_00001.jpg, width: 1280, height: 720 } ], annotations: [ { id: 1, image_id: 1, category_id: 1, bbox: [x, y, width, height], area: width * height, iscrowd: 0 } ], categories: [ {id: 1, name: normal}, {id: 2, name: abnormal} ] }这里要特别说明 bbox 的坐标约定COCO 格式的 bbox 是[左上角x, 左上角y, 宽度, 高度]不是中心点坐标。很多人第一次拿 COCO 数据转 YOLO 格式的时候在这里翻车转出来的框偏移一大截。area 字段是 bbox 的宽高乘积但如果你用分割标注area 应该是多边形面积而不是 bbox 面积需要额外计算。2.3 类别映射与数据划分建议原始数据集提供了 3749 张训练图片但并没有固定告诉你验证集怎么切。我一般的做法是按照 811 的比例切成训练、验证、测试三份而且要保证 normal 和 abnormal 在三个子集里的比例和全集基本一致——这个叫分层采样。如果直接随机切可能出现验证集里 abnormal 占比偏低的情况导致验证指标虚高或虚低。类别 ID 的映射也很重要。COCO JSON 里 category_id 是 1 和 2但 YOLO 格式只需要类别索引 0 和 1做转换的时候必须减去 1。这个细节很多人都容易漏训练到一半发现 loss 不降结果回头一看是标签映射错了。3. 数据训练前的关键准备从 COCO 到模型输入格式的转换3.1 为什么不能直接拿 COCO JSON 喂 YOLOYOLO 系列模型训练通常用 TXT 格式的标签文件每行表示一个目标格式是class_id x_center y_center width height注意这里是归一化后的中心点坐标和宽高。而 COCO JSON 给的是像素坐标的左上角点和宽高两者之间需要一套完整的转换逻辑。如果你用的是 MMDetection 或者 Detectron2那可以直接读 COCO JSON不需要转换但如果想用 YOLOv5/YOLOv8/YOLO11 来训练就必须把 COCO 格式转成 YOLO 的 TXT 格式。我这里给出一个我在实际项目里用的转换脚本片段import json import os def coco_to_yolo(coco_json_path, output_dir, img_width, img_height): with open(coco_json_path, r, encodingutf-8) as f: coco_data json.load(f) # 建立 category_id 到 yolo_class_id 的映射这里假设 categories 顺序固定 cat_id_map {} for idx, cat in enumerate(coco_data[categories]): cat_id_map[cat[id]] idx # 建立 image_id 到文件名的映射 img_id_to_name {} for img in coco_data[images]: img_id_to_name[img[id]] img[file_name] # 按图片分组所有标注 anns_by_image {} for ann in coco_data[annotations]: img_id ann[image_id] if img_id not in anns_by_image: anns_by_image[img_id] [] anns_by_image[img_id].append(ann) os.makedirs(output_dir, exist_okTrue) for img_id, anns in anns_by_image.items(): img_name img_id_to_name[img_id] txt_name os.path.splitext(img_name)[0] .txt lines [] for ann in anns: x, y, w, h ann[bbox] # 归一化除以图片宽高 cx (x w / 2) / img_width cy (y h / 2) / img_height nw w / img_width nh h / img_height yolo_cls cat_id_map[ann[category_id]] lines.append(f{yolo_cls} {cx:.6f} {cy:.6f} {nw:.6f} {nh:.6f}) with open(os.path.join(output_dir, txt_name), w, encodingutf-8) as f: f.write(\n.join(lines)) print(f转换完成共处理 {len(anns_by_image)} 张图片的标注) coco_to_yolo(train.json, yolo_labels, 1280, 720)这个脚本的逻辑其实很直接遍历每个 annotation把 bbox 从左上角坐标转成中心点坐标并做归一化。但我实际使用中会加两个额外的防御逻辑一是要检查 bbox 是否超出图片边界因为有些标注工具会产出越界框二是要检查宽高是否为负值出现负值说明原始标注里有脏数据。这两个检查能在训练之前拦截大部分数据质量问题省得训练到一半开始怀疑人生。3.2 训练集与验证集的目录组织转换完成后目录结构需要按照训练框架的约定组织。拿 YOLOv5 来说标准的目录结构是这样的dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml 是整个训练配置的核心里面的关键参数包括path: dataset/ train: images/train val: images/val nc: 2 names: [normal, abnormal]这里的nc是类别数量必须和 names 列表的长度一致。很多人在这个文件上出问题路径写绝对路径导致换机器训练就报错或者 names 顺序和转换脚本里的 class_id 对应不上。我的习惯是用相对路径并且专门写一个脚本去校验 images 和 labels 的文件名一一对应防止有图没标签或有标签没图的情况。3.3 数据增强策略的选择3749 张训练图不算多尤其对目标检测来说。如果不做数据增强模型很容易过拟合。我在这类家禽检测场景里常用的增强策略是Mosaic在训练前中期开启、随机仿射变换、HSV 色域扰动、随机翻转。但这里有一个血泪经验需要提醒Mosaic 增强在训练后期要关掉或者降低概率。YOLOv5 和 YOLOv8 都支持通过超参数控制 Mosaic 的概率一般在最后 10 个 epoch 把 Mosaic 关闭让模型在接近真实分布的数据上微调收敛。不关的话可能会出现验证集 mAP 在最后几个 epoch 震荡不降的情况。4. 模型训练配置与参数调优从 YOLOv8 到 MMDetection 的实战对照4.1 YOLOv8 训练命令与关键参数如果你选用 YOLOv8 来训练这套鸡状态数据集训练命令基本是这个样子yolo detect train \ datadata.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ patience20 \ projectruns/chicken_state \ nameyolov8n_exp1这些参数里我重点说几个实际影响结果的imgsz决定了输入分辨率640 是速度和精度的平衡点但如果你部署在边缘设备比如树莓派或 Jetson Nano建议用 416 或 320 并重新训练而不是直接拿 640 的权重部署——输入尺寸变了模型结构虽然不变但特征尺度分布会不匹配patience是早停 patience20 的意思是最多容忍 20 个 epoch 验证指标不提升就停止训练这个参数能帮你省时间但也别设太小否则可能在 mAP 还在上升期的时候提前掐断。还有一个容易被忽略的参数是cacheTrue开启后会把训练图片缓存到内存或磁盘能显著减少数据加载的瓶颈。3749 张图不大完全可以直接cacheTrue默认是 RAM 缓存。如果你的机器内存不够可以用cachedisk做磁盘缓存。4.2 类别不平衡问题的处理这套数据集的 normal 和 abnormal 数量大概率是不平衡的——正常鸡的样本通常比异常鸡多得多。如果直接训练模型会偏向预测 normalabnormal 的召回率会比较难看。我一般的处理方式有两种。第一种是调整 loss 权重在 YOLOv8 里可以通过自定义 loss 或者用cls参数调节但对不熟悉源码的人来说门槛偏高第二种更实用——在数据层面做处理对 abnormal 类的图片做过采样或者对 abnormal 目标做复制粘贴增强。复制粘贴增强的意思是把 abnormal 类别的目标从原图中裁剪出来贴在另一张图上同时更新标签。这里给出一个简单的 abnormal 过采样脚本思路import os import shutil import random # 统计每个类别的图片数量 def count_class_samples(label_dir): class_count {0: 0, 1: 0} for txt_file in os.listdir(label_dir): with open(os.path.join(label_dir, txt_file), r) as f: for line in f: cls int(line.split()[0]) class_count[cls] class_count.get(cls, 0) 1 return class_count counts count_class_samples(yolo_labels) # 如果 abnormal 目标数量明显少于 normal则对包含 abnormal 的样本做多倍备份 # 实际上更推荐的是在训练时用 sampler 控制采样权重 print(fnormal 目标数: {counts[0]}, abnormal 目标数: {counts[1]})不过说实话我更推荐的是直接在训练框架层面解决在 YOLOv8 的 dataloader 里自定义 sampler或者简单粗暴地把包含 abnormal 的图片在数据集目录里复制几份。后者虽然不优雅但效果直接而且不会改变标签文件结构。4.3 MMDetection 路线如果不用 YOLO 的话有些场景你需要更强的模型可解释性或者要和其他检测任务共用一套代码库那 MMDetection 是更好的选择。用 MMDetection 训练不需要做 COCO 到 YOLO 的格式转换直接把 COCO JSON 和图片目录按照它的格式组织好就行python tools/train.py configs/yolox/yolox_s_8x8_300e_coco.py然后修改数据集路径和类别数。这里要改的是data_root、metainfo里的classes以及num_classes配置。MMDetection 的配置文件层级比较多改的时候要留意是否所有用到num_classes的地方都改了——这个项目的早期版本里有些模型配置会从 pretrained 权重继承类数导致 head 输出维度不匹配报错信息还特别晦涩。4.4 训练过程中的监控指标训练到什么程度算好不要只盯着 loss 曲线loss 降了不代表检测效果好。我看训练状态的核心指标是验证集的 mAP0.5 和 mAP0.5:0.95其次分别看 normal 和 abnormal 两个类别的 AP。特别是 abnormal 的 AP这才是这套数据集的核心价值——如果 normal 的 AP 很高但 abnormal 的 AP 不到 70%说明模型倾向于把所有目标都判成 normal实际部署的时候异常鸡只根本报警不出来。5. 避坑与常见问题3749 张图训练时最容易踩的五个坑5.1 标注框越界导致训练 loss 异常现象训练开始后 loss 数值明显偏大或者出现 NaN。检查输入的标签发现部分 bbox 的 x width 超过了图片宽度或者 y height 超过了图片高度。原因COCO JSON 转 YOLO 格式时没有做边界裁剪。原始标注里偶尔会有超出图像边缘的框可能是标注人员的疏漏也可能是目标本身在图像边缘被裁切了一半。解决在转换脚本里加边界裁剪逻辑——把 x 限制在 [0, img_width] 之间w 限制在 [0, img_width - x] 之间y 和 h 同理。裁剪后如果框的面积小于原面积的 30%直接丢弃这个标注因为它已经失真了。5.2 类别权重失衡导致 abnormal 被吞现象验证集 mAP 看着不错比如 90%但单独看 abnormal 类别的 AP 只有 60%混淆矩阵里大部分 abnormal 目标被预测为 normal。原因abnormal 样本在数据集中占比低模型在 loss 优化过程中对 abnormal 类别的梯度贡献太小。解决先统计两个类别的目标数量如果 abnormal 目标数不足 normal 的 30%需要做类别重加权或数据过采样。我实际测试中把包含 abnormal 的图片复制两到三份参与训练后abnormal 的 AP 能从 62% 提升到 78% 左右但要注意过采样倍数太高容易过拟合验证集上 normal 的 AP 可能会轻微下降。如果过采样倍数超过 4 倍效果反而变差说明模型已经开始记忆特定样本而不是学习泛化特征。5.3 数据划分不均匀导致指标波动现象每次重新切分训练验证集后abnormal 的 AP 波动超过 5 个百分点模型训练结果不稳定。原因随机切分时没有做分层采样导致验证集里 abnormal 目标数量时多时少。解决用 sklearn 的train_test_split配合stratify参数或者自己写分组逻辑——先按图片 ID 做 group再按类别比例分配组合。确保三个子集中每个类别的目标占比和全集一致。5.4 图像分辨率差异导致小目标检测失效现象训练时 imgsz 设的是 640但原始图片里有相当一部分是远距离拍摄的鸡只目标在整幅图中占比很小检测时漏检严重。原因数据集里图像的拍摄距离不统一远处的鸡目标在缩放后只有几十个像素模型难以提取有效特征。解决第一用imgsz1280重新训练YOLOv8 支持大分辨率输入换取小目标召回率的提升第二检查目标尺度的分布统计所有标注框的宽高比和面积分布如果大量目标面积占图面积比小于 0.01就需要考虑切图训练——把大图切成若干小块再训练同时处理跨块目标。切图训练虽然增加工作量但往往是最有效的。5.5 训练后期 mAP 震荡不收敛现象最后 30 个 epoch 验证集 mAP 在 89% 到 92% 之间来回震荡loss 已经不再下降。原因Mosaic 数据增强在小数据集上容易造成分布偏移训练后期模型在这类增强后的数据上「迷路」另外学习率衰减策略可能需要调整。解决关闭 Mosaic 增强YOLOv8 中设置mosaic0.0同时把学习率衰减改成余弦退火在最后 20 个 epoch 内把学习率线性降到接近 0。用这套组合拳大部分情况下能让 mAP 稳定到一个固定值附近而不是持续震荡。6. 模型验证与部署用 mAP、混淆矩阵和实际推理三重确认效果训练完成后最忌讳的事情就是只盯着训练日志里的 mAP 数字就觉得万事大吉。我的习惯是三层验证指标层验证、可视化层验证、真实场景验证。第一层是指标层。用yolo detect val命令跑验证集重点看两个类别的 AP 和混淆矩阵。yolo detect val \ modelruns/chicken_state/yolov8n_exp1/weights/best.pt \ datadata.yaml \ imgsz640 \ conf0.25输出里要重点看per-class AP和confusion matrix。如果 abnormal 类别的 AP 低于 75%我基本不会把这套权重拿去部署会回头检查训练配置和数据划分。第二层是可视化层。直接跑推理把标注预测框保存下来和原图一起看yolo predict \ modelruns/chicken_state/yolov8n_exp1/weights/best.pt \ sourcesample_images/ \ conf0.25 \ saveTrue \ save_txtTrue看什么不是看预测得准不准而是看两类错误一是漏检的 abnormal 长什么样是不是拍摄距离远、光线暗、遮挡严重二是误检的 normal 长什么样是不是某些特殊姿势比如低头啄食被当成了异常。这两种错误形态直接决定了你要不要补数据、调阈值还是改分辨率。有一次我发现误检的样本集中在逆光环境下后来在训练集里补充了逆光图片abnormal 的误检率降了一多半。第三层是真实场景验证。拿模型去跑一段养殖场监控视频统计每帧的检测结果设置一个状态判定逻辑——比如连续 N 帧检测到 abnormal 才触发告警避免单帧误检导致的频繁误报。这个阈值 N 直接影响报警灵敏度和误报率需要根据实际场景调。常见设置是三秒内超过 15 帧检测到 abnormal才输出告警信号。部署层面的实践我会这样处理如果目标是边缘设备先用 TensorRT 对模型做 FP16 量化加速3749 张图训练出来的模型体积不大YOLOv8n 的权重在 6MB 左右量化后推理速度在 Jetson Nano 上能跑到 30ms 每帧。如果目标是服务器端直接用原模型做 batch 推理即可。这套鸡状态数据集加上正确的训练配置绝大部分人收到的正确率在 91% 左右但能不能真正用起来关键还是看数据预处理和类别不均衡的处理是否到位。算法选型反而是最不费脑子的环节。希望这篇拆解能帮你在自己的场景里少走几个弯路。本文还有配套的精品资源点击获取

鸡状态检测数据集：COCO标注与YOLOv8训练实战

相关推荐

经典ASP遗留系统运维实战：源码结构、IIS部署与高频故障排查

Cursor 规则编写效率翻倍：用 TaoToken 统一 Key 打通多模型调试

接口服务限流方案实战：TaoToken 统一 Key 通道下的令牌桶与 QPS 配置

更多资讯

从无标题文档到正式发布：先定内核再取标题的创作流程

斯纳克图书馆管理系统PHP版v6.0实战部署与优化指南

易支付运营版源码部署与支付通道轮询、投诉进件实战解析

基于调频能力裕度的风电场一次调频策略解析

HDFS存储优化实战：纠删码、压缩与小文件治理策略

Oracle 12c SQL查询实战：从v$session到AWR追溯历史执行记录

今日更新

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？