YOLOv11养殖场鸡行为检测数据集，1711张，yolo，voc，coco三种标注方式鸡行为检测,家禽行为识别,饮食行为,休息行为,活动行为智能养殖,畜禽监控,智慧农业,实时检测,计算机视觉
养殖场鸡行为检测数据集，1711张，yolo，voc，coco三种标注方式
图像尺寸:640*640
类别数量:3类
训练集图像数量:1346; 验证集图像数量:188； 测试集图像数量:177
类别名称: 每一类图像数 ，每一类标注数
eat-drink 饮食 1497 4457
rest 休息 1476 6329
moving 活动 1516 8001
image num: 1711
模型代码：模型训练使用yolov11n训练，50个epoch训练结果，map如描述图所示。
qt界面：运行界面采用pyqt编写，本项目已经训练好模型，配置好环境后可直接使用，运行效果见描述图像
养殖场鸡行为检测数据集
一、数据集参数表
| 项目 | 详情 |
|---|---|
| 数据集名称 | 养殖场鸡行为检测数据集 |
| 图像总数 | 1711张 |
| 图像分辨率 | 640×640 |
| 标注格式 | YOLO、VOC、COCO 三种标注格式 |
| 类别数量 | 3类 |
| 数据集划分 | 训练集：1346张 验证集：188张 测试集：177张 |
| eat-drink（饮食） | 图像数1497张，标注数4457个 |
| rest（休息） | 图像数1476张，标注数6329个 |
| moving（活动） | 图像数1516张，标注数8001个 |
| 训练模型 | YOLOv11n |
| 训练轮次 | 50 epoch |
| 配套文件 | 完整数据集、三种格式标注文件、配置文件、训练/测试代码、训练权重、PyQt运行界面源码 |
| 界面功能 | PyQt可视化界面，配置环境即可直接运行，支持图像、视频、摄像头实时检测 |
| 运行环境 | Python、OpenCV、PyQt5、PyTorch |
| 适配系统 | Windows、Linux |
二、YOLOv11 全套代码
1. 环境安装命令
pipinstallultralytics opencv-python torch2. 数据集配置文件chicken_behavior.yaml
path:./chicken_behavior_datasettrain:images/trainval:images/valtest:images/testnc:3names:['eat-drink','rest','moving']3. 训练代码
fromultralyticsimportYOLOif__name__=="__main__":model=YOLO("yolov11n.pt")results=model.train(data="chicken_behavior.yaml",epochs=50,imgsz=640,batch=16,device=0,workers=4,project="chicken_detection",name="yolov11n_behavior",patience=10,augment=True,hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,fliplr=0.5,flipud=0.2,mosaic=1.0)metrics=model.val()print(f"mAP@0.5:{metrics.box.map50:.3f}")print(f"mAP@0.5-0.95:{metrics.box.map:.3f}")model.predict("test.jpg",save=True,conf=0.25)4. 推理测试代码
fromultralyticsimportYOLO model=YOLO("best.pt")results=model.predict("test.jpg",conf=0.25,save=True)total=0forresinresults:forboxinres.boxes:total+=1cls_id=int(box.cls[0])conf=float(box.conf[0])x1,y1,x2,y2=map(int,box.xyxy[0])cls_name=model.names[cls_id]print(f"行为类别：{cls_name}| 置信度：{conf:.2f}| 坐标：{x1},{y1},{x2},{y2}")print(f"当前画面总数量：{total}")5. PyQt5 可视化界面代码
fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QFileDialogfromPyQt5.uicimportloadUifromultralyticsimportYOLOimportcv2importsysclassChickenDetectUI(QMainWindow):def__init__(self):super().__init__()loadUi("chicken_ui.ui",self)self.model=YOLO("best.pt")self.btn_img.clicked.connect(self.detect_image)self.btn_video.clicked.connect(self.detect_video)self.btn_cam.clicked.connect(self.detect_camera)defdetect_image(self):path,_=QFileDialog.getOpenFileName()ifpath:results=self.model(path,conf=0.25)self.show_result(results)defdetect_video(self):path,_=QFileDialog.getOpenFileName()ifpath:cap=cv2.VideoCapture(path)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=0.25)self.show_result(results)cv2.waitKey(1)cap.release()defdetect_camera(self):cap=cv2.VideoCapture(0)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=0.25)self.show_result(results)cv2.waitKey(1)cap.release()defshow_result(self,results):total=0forresinresults:forboxinres.boxes:total+=1cls_idx=int(box.cls[0])conf=float(box.conf[0])name=self.model.names[cls_idx]print(f"鸡行为：{name}置信度：{conf:.2f}")print(f"检测总数：{total}\n")if__name__=="__main__":app=QApplication(sys.argv)win=ChickenDetectUI()win.show()sys.exit(app.exec_())三、应用场景
- 规模化养殖场智能监控，自动统计鸡群饮食、休息、活动状态
- 畜禽养殖健康监测，通过行为变化判断家禽生长、健康情况
- 养殖环境优化分析，结合行为数据调整投喂、光照、通风方案
- 无人化养殖值守，替代人工巡检，降低人力成本
- 养殖科研实验，家禽行为学研究、养殖模式效果分析