简介这份资源面向从事智慧养殖、家禽健康监测方向的研究者与算法工程师提供YOLOv5养殖场肉鸡健康状态检测的预训练权重及配套数据集可用于异常与正常两类肉鸡状态的识别任务适合作为课程设计、科研实验或工业落地的起点。压缩包共983个文件约58.62MB以441张jpg图像与435个txt标签为主体另含29个yaml配置、24个py脚本及3个pt权重文件覆盖数据、训练与推理全流程。数据集已按train、val、test划分完毕并附data.yaml标注nc为2、类别为Abnormal与Normalyolov5、yolov7、yolov8、yolov9等算法可直接接入训练。目前已有146人学习读者可借此省去数据整理与配置成本快速复现检测流程并参考作者博文中的检测结果与目录结构理解养殖场场景下的数据组织与模型调参思路。1. 养殖场里那点事为什么肉鸡健康检测值得用 YOLOv5 认真做一遍在规模化养殖场里肉鸡的健康状态直接决定出栏率和用药成本。传统做法靠饲养员巡棚肉眼观察一个人管几万只鸡等发现精神萎靡、羽毛蓬乱、跛行的个体时往往已经扩散了一片。我最早接触这个方向是因为一个做养殖设备的朋友抱怨摄像头装了不少但没人盯着看录像只能事后回放起不到预警作用。后来我们把思路转到目标检测上——让模型自动框出疑似病态个体人只需要复核报警框。YOLOv5 在这个场景里是个务实的选择单阶段检测、推理快、权重文件小、部署到边缘盒子或工控机上都不费劲而且社区里现成的训练脚本和导出工具链足够成熟不用从零造轮子。这篇笔记就围绕「YOLOv5 养殖场肉鸡健康状态检测权重数据集」这条线把数据怎么标、权重怎么训、参数怎么调、坑在哪按我自己跑过的流程讲清楚。适合想把这个方向落地到实际棚舍的工程师也适合刚拿到一份数据集不知道从哪下手的新手。2. 数据集与权重到底长什么样先看清手里的牌2.1 肉鸡健康状态检测的类别定义与标注边界这个任务的核心不是「检测鸡」而是「检测鸡的健康状态」。常见做法是把类别分成几档比如健康、疑似患病、重度病态或者按具体症状分精神萎靡、跛行、羽毛异常、呼吸异常。类别怎么定直接决定后面标注一致性和模型能不能收敛。我一般建议先跟现场兽医对齐把肉眼能稳定判断、且不同人标注差异小的状态留下来。比如「精神萎靡」这种主观描述如果三个人标同一张图能标出三种结果那这个类别就是灾难。更稳的做法是绑定可观察的物理特征低头缩颈超过一定时长、单腿站立、明显跛行步态、羽毛大面积逆立。标注时用矩形框把整只鸡框住不要只框头部或腿部因为 YOLOv5 学的是整体外观特征。如果一只鸡被遮挡超过一半宁可不标也不要猜。2.2 权重文件与数据集目录的对应关系拿到一份「权重数据集」的组合第一件事是确认权重对应的类别数和数据集标签是否一致。我见过太多人直接拿一个 80 类 COCO 预训练权重去训 3 类肉鸡状态结果模型完全不收敛还以为是学习率问题。正确的做法是要么用官方在 COCO 上预训练的 backbone 权重做迁移学习把检测头换成自己的类别数要么直接用别人训好的肉鸡状态权重做微调。数据集目录一般长这样dataset/ ├── images/ │ ├── train/ │ ├── val/ ├── labels/ │ ├── train/ │ ├── val/ └── data.yamldata.yaml里写清楚train、val路径、nc类别数、names类别名。权重文件通常是.pt格式放在weights/下。如果你拿到的权重是.pt但不知道类别顺序可以用下面这段脚本读一下import torch # 加载权重文件map_location 保证在无 GPU 环境也能读 ckpt torch.load(weights/best.pt, map_locationcpu) # 模型结构里通常保存了类别名和类别数 model ckpt[model] print(类别数:, model.nc) print(类别名:, model.names)逻辑说明torch.load把权重读成字典model.nc和model.names是 YOLOv5 在训练时写进模型对象的属性。如果names是[healthy, sick, severe]这种说明权重和你的任务对得上如果是[person, bicycle, ...]那它只是 COCO 预训练权重需要重新训检测头。参数上注意map_location在 CPU 机器上读 GPU 训的权重必须加否则会报 CUDA 相关错误。2.3 数据量够不够一个粗略的判断标准肉鸡状态检测的数据集我个人的经验是每个类别至少 800 到 1000 个标注框且要覆盖不同光照、不同密度、不同日龄。如果某个类别只有两三百框模型大概率会偏向多数类。这时候要么补数据要么用重采样和类别权重去平衡。另外验证集不能只放同一天同一棚的图否则指标虚高上线就翻车。我一般会按棚舍和时间段切分训练集和验证集来自不同天这样验证指标才有参考意义。3. 用 YOLOv5 训一版权重从环境到推理的完整命令3.1 环境准备与依赖安装YOLOv5 对 PyTorch 版本有要求太新或太旧都可能出玄学问题。我一般用 Python 3.8 到 3.10PyTorch 1.12 到 2.0 之间。安装命令如下# 创建虚拟环境避免污染系统 Python python -m venv yolov5_env source yolov5_env/bin/activate # Windows 用 yolov5_env\Scripts\activate # 安装 PyTorch根据 CUDA 版本选对应命令这里以 CUDA 11.8 为例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 克隆 YOLOv5 仓库并安装依赖 git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt逻辑说明虚拟环境是为了隔离依赖避免和系统里其他项目冲突。PyTorch 的 CUDA 版本要和显卡驱动匹配装错了会在训练时报CUDA error: no kernel image is available。requirements.txt里包含了 numpy、opencv、tqdm 等装完可以用python -c import torch; print(torch.cuda.is_available())验证 GPU 是否可用。3.2 修改 data.yaml 与模型配置在data/下新建chicken.yaml内容如下# 训练集和验证集路径可以是绝对路径或相对 yolov5 根目录的路径 train: ../dataset/images/train val: ../dataset/images/val # 类别数和类别名顺序要和标注文件里的 class id 一致 nc: 3 names: [healthy, sick, severe]逻辑说明nc必须等于names的长度否则训练时会在计算损失时报维度不匹配。names的顺序决定了推理结果里类别 id 对应的含义标反了会导致健康鸡被框成病鸡。路径建议用绝对路径相对路径在不同工作目录下容易找不到文件。3.3 启动训练关键参数怎么设训练命令我一般这样写python train.py \ --img 640 \ --batch 16 \ --epochs 100 \ --data data/chicken.yaml \ --weights weights/yolov5s.pt \ --cfg models/yolov5s.yaml \ --hyp data/hyps/hyp.scratch-low.yaml \ --name chicken_exp \ --cache逻辑说明--img 640是输入分辨率肉鸡个体在画面里如果比较小可以提到 1280但显存占用会翻倍。--batch 16是批大小显存不够就降到 8 或 4。--epochs 100是训练轮数小数据集 100 到 300 轮都常见看验证集 mAP 什么时候不再涨。--weights指定预训练权重用yolov5s.pt做迁移学习比从头训收敛快很多。--cfg指定模型结构s 版最轻适合边缘部署如果精度不够可以换 m 或 l。--hyp是超参文件低数据量场景用hyp.scratch-low.yaml里的强增强能缓解过拟合。--cache把图片缓存到内存加快读取但数据集大时注意内存占用。训练过程中重点看几个指标box_loss和obj_loss是否稳定下降mAP0.5在验证集上的走势。如果obj_loss震荡厉害可能是学习率太大或 batch 太小。如果mAP早早饱和然后下降就是过拟合需要加数据或加增强。3.4 推理与导出把权重用起来训完之后用detect.py跑单张图或整个文件夹python detect.py \ --weights runs/train/chicken_exp/weights/best.pt \ --source ../dataset/images/val \ --img 640 \ --conf 0.4 \ --iou 0.5 \ --save-txt \ --save-conf逻辑说明--conf 0.4是置信度阈值低于这个值的框不输出。养殖场场景我一般设 0.35 到 0.5太低会误报太多太高会漏掉病鸡。--iou 0.5是 NMS 的 IoU 阈值控制重叠框的合并。--save-txt把结果存成 YOLO 格式的 txt方便后续统计每张图里病鸡数量。--save-conf在 txt 里带上置信度便于按置信度排序复核。如果要部署到边缘设备可以导出 ONNX 或 TensorRTpython export.py \ --weights runs/train/chicken_exp/weights/best.pt \ --include onnx \ --img 640 \ --batch 1逻辑说明--include onnx导出 ONNX 模型--batch 1是推理时的批大小边缘设备一般单张推理。导出后可以用 onnxruntime 加载推理速度比 PyTorch 快不少。注意导出时的--img要和训练时一致否则精度会掉。4. 避坑与排查那些让我返工三次的细节4.1 标注框把整只鸡框成一条线现象训练 loss 一直不降推理时框歪得离谱。原因标注时用矩形框但拉得太扁或者把多只鸡框在一个框里。YOLOv5 对宽高比极端的目标学习很差。解决标注规范里明确要求框的宽高比在 1:5 到 5:1 之间超出就重新标。多只鸡重叠时分别框不要合并。4.2 验证集 mAP 很高但上线全是误报现象验证集 mAP0.5 到 0.9实际棚舍里跑健康鸡被大量框成病鸡。原因验证集和训练集来自同一时段同一棚光照和背景几乎一样模型学到了背景捷径。解决按棚舍和时间切分数据集验证集必须包含不同天、不同棚、不同光照的图。如果条件允许留一个棚完全不做训练只做测试。4.3 训练到一半显存爆了现象CUDA out of memory训练中断。原因--img或--batch设太大或者--cache把大量图片读进内存后显存碎片化。解决先把--batch减半再把--img从 1280 降到 640。如果还不行去掉--cache用--workers 4控制数据加载进程数。另外训练前用nvidia-smi看有没有其他进程占着显存。4.4 类别不平衡导致病鸡全漏现象健康鸡检测很准病鸡和重度病态几乎检不出。原因健康样本远多于病态样本模型倾向于把不确定的框判成健康。解决在data.yaml里给类别加权重或者在超参里调cls损失系数。更直接的办法是过采样病态样本把病态图片在训练集里复制多份。我一般会把病态样本至少补到健康样本的三分之一。4.5 导出 ONNX 后精度掉一大截现象PyTorch 推理正常ONNX 推理框位置偏移或类别错乱。原因导出时--img和推理时输入尺寸不一致或者 ONNX 的 NMS 实现和 PyTorch 不同。解决导出和推理用同一个--img并在 ONNX 推理脚本里手动实现 NMS不要依赖导出时融合的 NMS。另外检查--dynamic参数边缘设备固定输入尺寸时不要开动态轴。5. 把检测结果变成养殖场能用的报警一个后处理技巧训练和推理只是前半截真正让这套东西在养殖场里跑起来还得把检测框变成可行动的报警。我一般会在detect.py的输出基础上加一层后处理按帧统计病鸡数量连续多帧超过阈值才触发报警避免单帧误报导致饲养员跑断腿。下面这段脚本读 YOLO 格式的 txt 结果按图片分组统计import os from collections import defaultdict # 读取 detect.py 保存的 txt 结果每行格式class_id x_center y_center w h conf def count_sick_per_image(txt_dir, sick_ids(1, 2), conf_thres0.4): stats defaultdict(lambda: defaultdict(int)) for fname in os.listdir(txt_dir): if not fname.endswith(.txt): continue img_id fname.replace(.txt, ) with open(os.path.join(txt_dir, fname), r) as f: for line in f: parts line.strip().split() if len(parts) 6: continue cls_id int(parts[0]) conf float(parts[5]) # 只统计病态类别且置信度超过阈值 if cls_id in sick_ids and conf conf_thres: stats[img_id][cls_id] 1 return stats # 示例连续 5 帧病鸡数超过 3 只就报警 def alarm_rule(stats, frame_order, sick_thres3, consecutive5): counter 0 for img_id in frame_order: total_sick sum(stats[img_id].values()) if total_sick sick_thres: counter 1 else: counter 0 if counter consecutive: return True, img_id return False, None逻辑说明count_sick_per_image遍历 txt 文件按类别和置信度过滤统计每张图里病态个体的数量。alarm_rule按帧顺序检查连续consecutive帧病鸡数超过sick_thres才报警。参数上conf_thres我一般设 0.4sick_thres根据棚舍密度调比如每千只鸡设 3 到 5 只consecutive设 5 到 10 帧对应几秒钟的视频。这样能把单帧抖动过滤掉报警准确率明显提升。还有一个细节如果摄像头是固定机位可以加一个 ROI 掩膜只检测棚舍地面区域把走道和墙壁上的误检去掉。做法是在推理前把画面裁剪到有效区域或者在后处理里按坐标过滤。这个技巧不复杂但能省掉大量人工复核。最后说个我自己的习惯每次训完一版权重我都会拿一段没参与训练的棚舍视频跑一遍人工数一下漏检和误检记在本子上。指标好看不代表现场好用只有亲眼看过报警框落在哪只鸡身上心里才有底。希望帮到你。本文还有配套的精品资源点击获取