肉鸡健康状态检测数据集：VOC+YOLO双格式与YOLO训练全流程-北京尧图网络

简介面向智慧养殖与家禽健康监测场景这份数据集专为肉鸡健康状态检测任务设计包含4657张jpg实拍图像并提供Pascal VOC与YOLO两种主流格式标注共标注21610个矩形框其中AbNormal类8447框、Normal类13163框类别标签仅两类便于快速开展目标检测模型训练、评估与对比实验。压缩包内文件总数为2000个以1999个xml标注文件和1个txt说明文件为主体整体大小约396.56MB所有标注均通过labelImg工具人工绘制矩形框完成且xml与txt文件中不包含分割路径可直接用于YOLO系列及Faster R-CNN等常见检测框架。已有395人学习浏览适合智慧养殖项目开发者、目标检测初学者以及需要标准化VOC/YOLO数据集的算法工程师使用。此外数据集仅保证标注准确且合理不对训练所得模型权重精度作任何承诺使用时应自行划分训练集与验证集并评估效果。1. 智慧养殖场肉鸡健康状态检测数据集为什么 VOCYOLO 双格式能直接开跑在智慧养殖场的鸡舍里摄像头一天能拍下几万帧画面管理员不可能一直盯着屏幕看哪只鸡状态不对。肉鸡健康状态检测数据集要解决的就是这个检测来源问题用 4657 张真实鸡舍场景图片把 AbNormal 和 Normal 两个类别共标注出 21610 个矩形框让“看起来不正常的鸡”和“正常的鸡”在数据层面被明确分开后续 YOLO 训练才能拿到可消费的监督信号。这个数据集的落地价值在于它同时提供 Pascal VOC 格式的 xml 和 YOLO 格式的 txt解压开就能直接喂给 YOLOv5/YOLOv8 训练管线不需要再花时间写格式转换脚本。适合两类人想用真实数据跑一遍目标检测完整流程的入门者以及正在做养殖巡检方案预研、需要先验证两分类检测到底能不能跑通的工程人员。下载前先给你打个底这份数据只负责标注准确合理不承诺训练出的权重精度这一点后面做验证时要自己心里有数。2. 解包与校验4657 张三件套的结构以及 xml 到 txt 的坐标映射第一次解压这类数据集时最容易踩的坑就是看到几百个 xml 却不知道下一步干什么。这套数据的组织方式很明确每个样本都包含三个同名前缀的文件jpg 是图像xml 是 Pascal VOC 标注txt 是 YOLO 格式标注三者平铺在同一个目录里没有嵌套的 train/val 子目录。摘要里专门写了“不包含分割路径的 txt 文件”这句话很多人一扫而过实际上它决定了训练集和验证集的划分必须自己动手做这个动作留到第 3 章用脚本一次性解决。VOC 和 YOLO 两种格式同时出现背后是工具链的差异。labelImg 这类标注工具默认输出的是 Pascal VOC 的 xml它把文件夹名、文件名、图像尺寸、目标类别、矩形框坐标全部写在结构化标签里适合人类检查和二次修改而 YOLO 训练框架需要的是极简的 txt 行式标注每个框一行加载快、解析简单。很多历史数据集是标注完 xml 后统一转成 txt 再发布的所以两套格式一起给反而是负责任的交付方式。你只需要理解它们的映射关系不需要自己动手转换。2.1 目录结构与 labelImg 的标注交互解压后你看到的目录结构是这样的. ├── 使用前必读.txt ├── firc_chiken_2020.jpg ├── firc_chiken_2020.xml ├── firc_chiken_2020.txt ├── firc_chiken_1999.jpg ├── firc_chiken_1999.xml ├── firc_chiken_1999.txt ├── firc_chiken_2000.jpg ├── firc_chiken_2000.xml ├── firc_chiken_2000.txt └── ... 共 4657 组同名三件套按摘要说明图片数量是 4657xml 数量是 4657txt 数量也是 4657三件套完全对齐。看到这个结构先确认工具链源头数据集摘要写着标注工具为 labelImg这个工具在保存时有两种模式顶部菜单选 PascalVOC 模式会生成 xml切换到 YOLO 模式会导出 txt。很多标注批次是先画框存 xml再整体转 YOLO 格式这也解释了为什么两种格式会同时出现。提示xml 里的 filename 字段是标注时的原始文件名。如果你后续做了批量改名一定要同步更新 xml 的 filename 字段否则很多工具读 xml 时会按 filename 去找图找不到就直接报错。在工程里复刻同一套流程时有两个操作细节值得养成习惯。一是每次打开图片时检查 labelImg 右下角的 Current label 是否还是上一个框的类别不同版本记忆上次类目的方式不同容易把 AbNormal 带到 Normal 的框上这种错标在训练阶段很难发现。二是矩形框要框住整只鸡的轮廓而不是只框头部因为检测器输出的框会喂给后续跟踪算法做 ID 匹配只有整鸡包围盒才稳定只框头部在鸡低头时框会剧烈跳动。2.2 xml 的字段角色与 YOLO 归一化坐标换算随便打开一个 xml 文件你会看到类似下面的结构字段值仅为示意真实数据以你解压出来的文件为准annotation folderfirc_chiken/folder filenamefirc_chiken_2020.jpg/filename path/path/to/firc_chiken_2020.jpg/path source databaseUnknown/database /source size width1920/width height1080/height depth3/depth /size segmented0/segmented object nameAbNormal/name poseUnspecified/pose truncated0/truncated difficult0/difficult bndbox xmin432/xmin ymin265/ymin xmax536/xmax ymax348/ymax /bndbox /object /annotationxml 里保存的是绝对像素坐标size 节点给的是原始图像宽高bndbox 的 xmin、ymin、xmax、ymax 是矩形框四边的像素位置。而 YOLO 的 txt 每一行是五个数值class_id、x_center、y_center、width、height全部归一化到 0 到 1 之间。两者换算关系如下字段XML 中的来源YOLO txt 中的值说明class_idobject/name 映射0AbNormal或 1Normal类名到 id 的顺序必须固定x_center(xmin xmax) / 2除以 width相对整张图的中心点横坐标y_center(ymin ymax) / 2除以 height相对整张图的中心点纵坐标widthxmax - xmin除以 width归一化框宽heightymax - ymin除以 height归一化框高任何一个环节写错比如 xml 用 1920 的宽去归一化而 txt 对应的图片实际是 1280 宽训练时不会崩溃但 mAP 会莫名其妙地低下去。我拿到数据集的第一件事是随机抽三张图核对 xml 的 width、height 和对应 jpg 用 OpenCV 读出来的形状是否一致。这一步几秒钟能过滤掉大量历史数据集里常见的图被缩放过而标注没跟着动的遗留问题。3. 拆分训练集与验证集YOLO 目录组织、拆分脚本与 yaml 参数YOLO 训练不是把 4657 张图直接塞进 train.py 就完事。官方惯例是 images 和 labels 两组目录树各自分成 train 和 val 两个子目录标注文件的路径规则是图片在 images/train/a.jpg标注就在 labels/train/a.txt前缀完全同名后缀从 .jpg 换成 .txt。这条路径约定看起来简单却是新手翻车率最高的地方。不少人只移动了图片xml 和 txt 忘了带走训练时报 label not found 还要回头折腾半天。3.1 拆分脚本复制三件套并输出框数统计我的习惯是先做一次全量扫描再用固定随机种子按 9:1 的比例拆 train/val。下面是可直接运行的拆分脚本保存为 split_dataset.py放在解压后的根目录下执行import os import random import shutil src_dir . out_dir ./poultry_split train_img_dir os.path.join(out_dir, images/train) val_img_dir os.path.join(out_dir, images/val) train_lab_dir os.path.join(out_dir, labels/train) val_lab_dir os.path.join(out_dir, labels/val) for d in [train_img_dir, val_img_dir, train_lab_dir, val_lab_dir]: os.makedirs(d, exist_okTrue) def count_txt_boxes(img_name): txt_path os.path.join(src_dir, os.path.splitext(img_name)[0] .txt) if not os.path.exists(txt_path): return 0 with open(txt_path, encodingutf-8) as f: return len([line for line in f if line.strip()]) def copy_sample(img_name, dest_img_dir, dest_lab_dir): base os.path.splitext(img_name)[0] for suffix, dest_dir in [(.jpg, dest_img_dir), (.xml, dest_lab_dir), (.txt, dest_lab_dir)]: src os.path.join(src_dir, base suffix) if not os.path.exists(src): raise FileNotFoundError(f三件套不齐: {src}) shutil.copy2(src, os.path.join(dest_dir, base suffix)) all_imgs [f for f in os.listdir(src_dir) if f.endswith(.jpg)] random.seed(42) random.shuffle(all_imgs) val_num max(1, len(all_imgs) // 10) val_imgs set(all_imgs[:val_num]) train_boxes sum(count_txt_boxes(img) for img in all_imgs[val_num:]) val_boxes sum(count_txt_boxes(img) for img in val_imgs) print(train 张数:, len(all_imgs) - val_num, val 张数:, val_num) print(train 框数:, train_boxes, val 框数:, val_boxes) for img in all_imgs[val_num:]: copy_sample(img, train_img_dir, train_lab_dir) for img in val_imgs: copy_sample(img, val_img_dir, val_lab_dir) print(拆分完成输出目录:, out_dir)逻辑说明所有 jpg 先读进列表random.seed(42) 固定随机种子任何人重跑一遍都会得到完全一样的划分方便复现对比实验。前 10% 作为验证集剩下 90% 作为训练集。count_txt_boxes 逐行统计同名 txt 的行数因为 YOLO 的 txt 是一行一个框空文件返回 0。copy_sample 把 jpg、xml、txt 三个文件一起复制到目标目录缺任何一个就抛异常而不是静默跳过最怕数据静默缺失导致训练到一半才发现数量对不上。参数说明val_num 的 10% 比例可根据需求调成 20%但验证集太小会导致指标波动很大。这里特意用 shutil.copy2 而不是 shutil.move是为了保留原始数据包的完整三件套后面做数据核验、重跑拆分都不用重新下载。拆分后建议打印的 train 框数与 val 框数比例大致接近 9:1如果某个类别在验证集里完全消失说明随机种子下划分不均匀需要重新打乱或按类别分层抽样。3.2 classes.txt 与 poultry.yaml 的生成拆分完目录后先建类名文件 classes.txt注意 YOLO 的 class_id 从 0 开始顺序必须和数据集的 txt 保持一致。这份数据集只有两行AbNormal Normal再把 classes.txt 的路径写进数据配置文件 poultry.yaml以 YOLOv5 为例train: ./poultry_split/images/train val: ./poultry_split/images/val nc: 2 names: [AbNormal, Normal]关键点说明train 和 val 给的是 images 路径YOLO 会自动去同级的 labels 目录找 txtnames 的顺序与 class_id 一一对应AbNormal 对应 0Normal 对应 1。训练启动命令我用的是 YOLOv5 常规写法python train.py --data poultry.yaml --weights yolov5s.pt --img 640 --epochs 100 --batch 16参数说明--img 640 指训练时把输入图缩放到 640x640鸡舍俯拍图里目标偏小建议先 640 起跑观察不要一上来缩到 320--batch 16 是单卡可控范围显存足够可以提到 32--weights 用 yolov5s.pt 预训练权重能明显加快收敛如果想完全从随机初始化开始就跑 --weights 。训练过程中重点看两个指标一是 loss 是否平稳下降二是验证集 mAP0.5 是否在 30 个 epoch 后还有大幅波动有就说明验证集太小把 9:1 改成 8:2 重新拆一轮。4. 框数分布与部署参数2 类别 21610 框的均衡性怎么看怎么迁移到 YOLOv8拆完数据集、能跑通一轮 YOLOv5 后要冷静看一下类别分布。摘要里的统计数字其实已经包含了建模决策信息AbNormal 框数 8447Normal 框数 13163总框数 21610。把这两个数字放在一起几乎可以直接推出两个对后续实验有影响的结论一个是类别不均衡程度一个是目标密度。4.1 从统计数字推导数据特征与训练策略先算比例13163 除以 8447 约等于 1.56健康鸡的框大约是异常鸡的 1.56 倍。这个不均衡程度在目标检测里属于中等偏良性因为 4657 张图里有 8447 个异常框平均每两张图就能看到一个异常目标不是那种一千张图只有一个正样本的绝望场景。但你的业务场景如果是异常鸡优先召回那 AbNormal 作为少数类就要格外留意训练时不要盲目加总 epoch模型天然会向多数类 Normal 倾斜最后表现为把所有模糊的框都判成 Normal异常召回率上不去。再算目标密度4657 张图21610 个框平均每张图约 4.64 个目标。这个密度说明数据不是单目标干净图而是多目标群养场景。多目标带来两个直接问题一是小目标多一只鸡在俯拍画面里可能只有几十像素宽缩放到 640 后细节损失大二是拥挤场景下框与框重叠严重非极大值抑制的阈值要调得保守一点否则相邻的两只鸡会被合并成一个框输出。针对 AbNormal 少数类工程上常见的处理手段有三个方向。第一是数据增强侧做针对性补充mosaic 增强能让模型多看不同光照和遮挡组合的异常样本第二是损失函数层面给异常类更高的权重YOLOv5 里调节 cls_pw 参数YOLOv8 里可以按类别做 loss 加权第三是推理侧回调把 conf-thres 降低到 0.3 先保证异常框不漏再用规则过滤掉连续几帧都出现的假阳性。这三种方式可以叠加但每次只改一个变量否则你根本不知道是哪个改动起了作用。4.2 迁移到 YOLOv8 的配置与推理参数如果你更习惯 YOLOv8迁移成本很低。poultry.yaml 里的 train、val、nc、names 四个字段完全照搬唯一需要注意的是 v8 对目录结构的约定与 v5 完全一致仍是从 images 找图、从 labels 找同名 txt。v8 训练命令调整为yolo detect train datapoultry.yaml modelyolov8s.pt imgsz640 epochs150 batch16后续如果要导出 ONNX 布到边缘盒子YOLOv8 里一行命令就能完成yolo export modelbest.pt formatonnx imgsz640下面是推理端参数配置参考来源是我在类似养殖项目里积累的常用起点值参数推荐值理由img/imgsz640平衡小目标检测与推理速度batch16单卡 RTX 3060 以上可调 32epochs150带预训练权重100 后观察早停conf-thres0.35现场推理太低会出大量误报iou-thres0.5类内重叠多这里不要给太低训练集/验证集9:1固定随机种子结果可复现推理端的 conf-thres 我一般先给 0.35跑一段现场视频后再数误报数和漏报数根据误报率往 0.4 或 0.5 回调。iou-thres 给 0.5 而不是 0.3是因为鸡只密集时相邻目标的框中心距离可能小于一个身位NMS 阈值太松会把两条不同的鸡合并成一个检测结果。这个参数组合在养殖场俯拍场景下相对稳但不同摄像头安装高度下要重新调一轮。5. 常见问题与避坑4 条坐标越界、标签错位与数据缺失的实操记录这部分的素材来自实际处理类似数据集时的血泪经验每一条都按现象、原因、解决的顺序展开方便你遇到同类问题时直接对号入座。前两条集中在文件完整性和格式转换阶段后两条集中在坐标公式和类名映射阶段覆盖了从解压到训练最常见的翻车点。5.1 文件完整性与格式转换的坑踩坑记录一jpg、xml、txt 数量对齐但训练时缺 label 文件。现象4657 张图都能被 dataloader 读出来训练到一半突然报错 label file not found。原因常见于 Windows 下解压工具版本太老没有解出全部文件或者手动移动文件时只选中了 jpg 和 xml漏了 txt。还有一种情况是部分文件命名有细微差别比如 xml 的 filename 字段写的是 firc_chiken_2020.jpg磁盘上实际文件名是 firc_chiken_2020(1).jpg按 filename 字段找图就会错位。解决以 txt 为基准做一次反向校验遍历所有 txt用 txt 的文件名前缀去查 jpg 和 xml 是否存在。如果 txt 完整但训练仍报缺 label多半是 labels 目录和 images 目录的相对位置摆错了把两级目录结构重新对一遍即可。踩坑记录二某个类别框数统计和摘要不一致少了上百个框。现象自己写脚本统计 txt 行数Normal 只有 12900 左右摘要写的是 13163。原因统计脚本把空文件漏掉或者只扫了部分目录把已经转移过的文件重复计算。还有可能是同一个 xml 里有两个 object但 txt 里只有一行说明转换过程中相邻的两个框被合并过这种情况在密集鸡舍标注里并不少见。解决把统计脚本改成逐文件累加输出每个类别各自的框总数同时打印单张图框数超过 10 的样本重点核对。如果 txt 的框数真的比 xml 少说明转换环节丢框需要回到 xml 重新生成 txt而不是直接改统计脚本去抹平差异。5.2 坐标公式与类名映射的坑踩坑记录三归一化坐标把框宽度错当成图像宽度。现象训练不报错但 loss 前期降得很快、mAP 却起不来画出来的框位置明显错位。原因批量生成 txt 时把 xmax - xmin 的结果除以了整张图像的宽度而正确公式是除以矩形框在原图上的宽度也就是 xmax - xmin 再除以 width。这种错误最容易出现在把 VOC 数据集批量转 YOLO 的脚本里公式中少写一个变量两百行代码跑完根本看不出来。解决随机抽五张图把 txt 里的归一化坐标换算回像素坐标用 OpenCV 在原图上画矩形框肉眼对比 xml 的 bndbox 是否吻合。一次抽检能发现几乎所有坐标公式错误比看 loss 曲线高效得多。踩坑记录四AbNormal 和 Normal 的 class_id 顺序颠倒。现象训练正常跑完推理时模型把健康鸡全部识别成 AbNormal而且置信度很高。原因手写 yaml 时把 names 顺序写成了 [Normal, AbNormal]而 txt 里 0 号实际是 AbNormal。YOLO 训练时不会校验类名和 txt 的 id 是否语义一致它只认数字模型学到的 0 号特征其实是正常鸡推理端却把 0 号输出成 AbNormal结果就是模型越准现场错得越离谱。解决训练前写一个两行的烟雾测试脚本打印验证集某张图 txt 的第一行 class_id再对照 yaml 的 names 数组检查映射关系。更稳妥的做法是直接用摘要里的类别列表生成 names而不是手敲从源头避免拼写和顺序错误。6. 收尾技巧21610 个框的全量核验脚本训练前的最后一道检查训任何模型之前我都强制先跑一遍全量核验脚本 verify_dataset.py尤其当数据是从别人手里转手的资源时。这个脚本只做一件事把 4657 张图的 jpg、xml、txt 全部过一遍核对三件套是否齐全、每个 txt 的框数和每个 xml 的 object 数是否一致、类别名是否落在两个合法类里、所有矩形坐标是否都在图像边界内最后把统计结果和摘要里的 21610 总框数对一次。import os import cv2 import xml.etree.ElementTree as ET from collections import Counter ALLOWED {AbNormal, Normal} src_dir . total Counter() issues [] for img_name in sorted(os.listdir(src_dir)): if not img_name.endswith(.jpg): continue base img_name[:-4] xml_path, txt_path base .xml, base .txt if not (os.path.exists(xml_path) and os.path.exists(txt_path)): issues.append(f{img_name}: 缺 xml 或 txt) continue root ET.parse(xml_path).getroot() h, w cv2.imread(img_name).shape[:2] xml_boxes [] for obj in root.findall(object): box obj.find(bndbox) coords [int(float(box.find(t).text)) for t in (xmin, ymin, xmax, ymax)] xml_boxes.append((obj.findtext(name).strip(), *coords)) txt_lines [l.strip() for l in open(txt_path, encodingutf-8) if l.strip()] if len(xml_boxes) ! len(txt_lines): issues.append(f{img_name}: xml框数 {len(xml_boxes)} ! txt行数 {len(txt_lines)}) for name, xmin, ymin, xmax, ymax in xml_boxes: total[name] 1 if name not in ALLOWED: issues.append(f{img_name}: 未知类别 {name}) if xmin 0 or ymin 0 or xmax w or ymax h or xmax xmin or ymax ymin: issues.append(f{img_name}: 坐标越界 {(xmin, ymin, xmax, ymax)}) print(类别框数:, dict(total), 总框数:, sum(total.values())) print(问题数:, len(issues)) for it in issues[:20]: print(it)逻辑说明脚本以 jpg 为唯一基准找出同名 xml 和 txt缺任何一个就记录问题。再读取图片真实宽高依次做四类检查xml 与 txt 的框数一致、类别合法、坐标为正、边界不越出图像。最后打印类别框数分布如果 Normal 不是 13163、AbNormal 不是 8447、总框数不是 21610就说明数据在流转中发生了丢失或错改。参数说明ALLOWED 这个集合一定要从摘要的类别列表抄不要凭感觉写如果后续新增类别这里也要同步。脚本默认处理平铺目录如果你的图片在 images 子目录、标注在 labels 子目录把 os.listdir 换成递归扫描即可。跑完发现少量坐标越界也不用慌用 cv2 把框 clip 到图像范围内就能继续训练但如果 clip 后框的宽度小于 2 像素直接丢掉那一行标注否则它会变成无意义的噪声样本。从那以后我每次拿到别人的数据集都强制走一遍这个脚本把它固化成了肌肉记忆。摘要给的 21610 总框数和脚本统计对不上、三件套有缺失、坐标越界这些不代表数据集垃圾而是提醒我不能无脑丢进训练差得不多就手动补全边界差得多就回去翻原始压缩包。想直接复现这套流程的话资源就是博文标题里那个 7z 包解压后按第 3 章的脚本拆一遍再跑一轮验证基本就能确定这份数据能不能用、该怎么用了。希望帮到你也祝你的肉鸡健康检测模型第一轮就能跑出个像样的 mAP。本文还有配套的精品资源点击获取

肉鸡健康状态检测数据集：VOC+YOLO双格式与YOLO训练全流程

相关推荐

基于YOLOv8的溺水检测告警系统：从环境搭建到部署避坑

英语作文批改工具，老师们现在都在用啥？

实例详解Python的进程,线程和协程

更多资讯

Oracle EBS标准成本核算制度落地三支柱：主数据、成本类型与差异分摊

YOLOv5+大疆Tello TT实战：从训练到实时检测追踪

Sonora播放数据Scrobble指南：3分钟打通LastFM与ListenBrainz，听歌历史一键同步

中国象棋检测数据集VOC转YOLO训练实战：300张图也能训出可用模型

Agent-Skills：智能体技能化架构设计与工程实践

Agent技能工程：可验证、可监控、可复用的智能体能力单元设计

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？