本方案通过基准测试六种YOLO模型，用于实时检测牛的行为，以支持动物福利和牧场管理的优化。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本方案通过基准测试六种YOLO模型，用于实时检测牛的行为，以支持动物福利和牧场管理的优化。
实时且准确的牛只行为检测对于改善动物福利和优化畜牧管理至关重要。为实现这一目标，本研究全面评估了六种社区开发的轻量级 YOLO（You Only Look Once）模型——YOLOv8n、YOLOv9t、YOLOv10n、YOLOv11n、YOLOv12n 和 YOLOv13n——在自定义 CBVD-5 数据集上识别五种关键牛只行为（站立、躺卧、采食、饮水和反刍）的能力。该数据集包含多样的光照条件和自然牛舍环境，以反映真实世界中的监测场景。所有模型均采用标准目标检测指标（精确率、召回率、mAP@50 和 mAP@50-95）以及面向部署的指标（包括推理时间、每秒帧数（FPS）、模型大小和训练时长）进行评估，以实现对准确性和效率的平衡分析。YOLOv13n 获得了最高的 mAP@50-95（0.712），而 YOLOv11n 达到了最高的 mAP@50（0.967），并在检测精度与推理速度之间表现出良好的权衡，且收敛稳定。YOLOv10n 展现出最快的推理速度（1.2 ms/帧，约 833 FPS），适用于对延迟敏感的应用场景，如持续牛舍监控。所有模型的体积均保持在 6 MB 以下，实时吞吐量均超过约 300 FPS，证实了其在边缘设备部署中的实用性。研究结果建立了一个可复现的基准框架，用于评估现代 YOLO 变体，为高效、可扩展且以动物福利为导向的畜牧监测系统中的模型选择提供了重要参考。
高效监测牛只行为在精准畜牧业中至关重要，有助于动物福利管理、疾病检测和运营优化。基于视觉的非侵入性方法因其可扩展性和多功能性而具有广阔前景。CBVD-5（包含5类行为的牛只行为视频数据集）等标准化数据集在不同光照条件下提供了多样的行为标注，成为该领域有价值的基准数据集1。在大多数实际农场环境中，摄像头通常固定在中等高度，光照相对稳定，尽管牛只之间偶尔发生的遮挡可能影响检测性能。牲畜行为识别仍面临遮挡、运动变异性以及训练数据稀疏等挑战。为应对这些挑战，先前研究探索了基于传感器的方法2、图像模式建模3以及集成深度学习策略4。目标检测框架如YOLO（You Only Look Once），由Redmon等人首次提出5，及其更先进的版本YOLOv76，因其在检测精度、延迟和计算效率之间良好的平衡而脱颖而出。本研究中，“实时性能”指推理速度超过每秒30帧（FPS），以确保在实际农场环境中实现平滑连续的基于视频的行为追踪。本研究系统评估了YOLOv8n至YOLOv13n在CBVD-5数据集上的表现，重点关注实时行为检测及部署约束。YOLO架构的最新进展，包括开源社区发布的YOLOv87、YOLOv9
访问受限。请登录或开始试用以查看此内容。
1. 数据集准备
注意：本研究未涉及新的动物实验。所有数据均来自公开的 CBVD-5 数据集，该数据集由其原始作者根据机构动物护理指南收集并发布。因此，本研究无需额外的伦理审批。
访问受限。请登录或开始试用以查看此内容。
本节展示了 YOLOv8 至 YOLOv13 模型在 CBVD-5 数据集上用于多行为牛只识别的评估结果。分析重点包括检测精度、训练收敛性、行为分布情况以及在资源受限环境中的部署适用性。数据集质量和类别平衡遵循协议中描述的划分方式（70/20/10），确保五种行为在训练集、验证集和测试集中具有一致的代表性。图 1 显示，标注的牛只行为通常在画面中居中良好。垂直中心坐标略偏低，这与相机角度和牛舍布局相对应。边界框的宽度和高度呈现单峰分布且具有高度相关性，表明各样本中目标尺度一致。
图2展示了YOLOv13n模型的训练动态。在全部391个训练周期中，分类损失、目标性损失和定位损失均平稳下降。验证指标的变化趋势与训练过程一致，最终精确率为93.1%，召回率为93%。该模型在mAP@50上达到96.5%，在mAP@50-95上达到71.5%，表明其具备强大的多类别行为识别能力。在后期训练周期中，性能趋于稳定，证实了训练已收敛。所有YOLO变体均表现出类似的收敛模式，如
访问受限。请登录或开始试用以查看此内容。
所提出的比较框架的整体成功在很大程度上依赖于多个实验步骤，包括高质量的行为标注、多样化的数据增强以及训练过程中稳定的收敛性监控。这些因素确保了模型性能的差异反映的是真实架构差异，而非数据或训练过程中的噪声。本研究系统评估了六种轻量级 YOLO 变体（v8n 至 v13n）在 CBVD-5 数据集上用于多类别牛行为检测的性能。在所有模型中，YOLOv11n 实现了最高的 mAP@50（0.967），而 YOLOv13n 在 mAP@50-95 上表现最佳（0.712）。YOLOv10n 具有最快的推理时间（1.2 ms），而 YOLOv13n 在保持紧凑模型尺寸（5.17 MB）的同时，展现出较强的检测精度和稳定的收敛性。在五种行为类别中，反刍行为的检测难度最大，因其细微且重复的下颌运动产生的运动线索较少，导致其在各类别中的 mAP@50-95 最低。
结果突显了在准确性、速度和模型复杂度之间的不同权衡。在模型优化过程中，由于类别不平衡和反刍样本稀疏，早期训练周期偶尔出现收敛不稳定现象。通过增强数据增强强度（旋转±10°，亮度/对比度±15%）并调整学习率调度策略，提升了训练稳定性。.......
访问受限。请登录或开始试用以查看此内容。
作者声明不存在任何竞争利益。
本工作由马来西亚理科大学桥梁资助项目资助，项目编号：R501-LR-RND003-0000001342-0000。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 大华 DH-NVR2216-HDS3 录像机 | Dahua Technology | https://www.dahuasecurity.com/ | |
| 大华 DH-S3000C-16GT 千兆交换机 | Dahua Technology | https://www.dahuasecurity.com/ | |
| 大华 M/K 监控摄像头（2.8 mm / 3.6 mm 镜头） | Dahua Technology | https://www.dahuasecurity.com/ | |
| Google Colab Pro | https://colab.research.google.com/ | ||
| Matplotlib | Matplotlib Community | https://matplotlib.org/ | |
| NVIDIA A100 GPU | NVIDIA | https://www.nvidia.com/en-us/data-center/a100/ | |
| NumPy | NumPy Community | https://numpy.org/ | |
| OpenCV | OpenCV.org | https://opencv.org/ | |
| Optuna（超参数优化） | Optuna.org | https://optuna.org/ | |
| Pandas | Pandas Community | https://pandas.pydata.org/ | |
| PyTorch（v2.0+） | PyTorch Foundation | https://pytorch.org/ | |
| Python（v3.10） | Python Software Foundation | https://www.python.org/ | |
| Roboflow TSL 数据集 | Roboflow | https://roboflow.com/ | |
| Ubuntu 20.04 LTS | Canonical | https://ubuntu.com/ | |
| Visual Studio Code | Microsoft | https://code.visualstudio.com/ | |
| YOLOv13 | Ultralytics | https://github.com/ultralytics/YOLOv13 | |
| YOLOv9 | Ultralytics | https://github.com/ultralytics/YOLOv9 |
访问受限。请登录或开始试用以查看此内容。