隨著智慧農(nóng)業(yè)的快速發(fā)展，利用先進的技術手段對牲畜的行為進行自動化監(jiān)測和管理，已經(jīng)成為現(xiàn)代農(nóng)業(yè)中的重要研究方向之一。在傳統(tǒng)的農(nóng)業(yè)管理模式中，牲畜的行為監(jiān)測通常依賴于人工觀測，耗時耗力且難以實現(xiàn)大規(guī)模實時監(jiān)控。然而，隨著物聯(lián)網(wǎng)、人工智能和深度學習等技術的成熟，利用智能化手段對牲畜進行行為檢測和管理成為可能。本文重點研究并實現(xiàn)了一種基于YOLOV8深度學習模型的山羊行為檢測系統(tǒng)，該系統(tǒng)為智慧農(nóng)業(yè)中的山羊養(yǎng)殖提供了一種高效、智能的解決方案。

該系統(tǒng)利用目標檢測技術，能夠自動識別山羊在圖像或視頻流中的行為狀態(tài)，主要包括站立和躺下兩種典型行為。通過大量的訓練數(shù)據(jù)，系統(tǒng)學習并提取山羊行為的特征，從而在實際應用中能夠準確識別山羊的行為狀態(tài)。系統(tǒng)的核心模型是YOLOV8，這是一種最新的深度學習目標檢測算法，具有高效的特征提取能力和實時檢測性能。與傳統(tǒng)的目標檢測算法相比，YOLOV8不僅在檢測精度上有顯著提升，同時在檢測速度上也有明顯優(yōu)勢，能夠在低延遲的條件下實現(xiàn)對目標的實時跟蹤與識別。

在系統(tǒng)的開發(fā)過程中，本文構建了一個包含大量山羊行為圖像的數(shù)據(jù)集，用于模型的訓練和測試。通過數(shù)據(jù)增強和標簽標注等技術，進一步提升了模型的魯棒性和泛化能力。實驗結(jié)果表明，本文提出的山羊行為檢測系統(tǒng)在目標檢測精度、召回率和處理速度等方面均表現(xiàn)出色。在實驗環(huán)境中，系統(tǒng)在檢測山羊站立和躺下行為的過程中，平均精度（mAP）達到了較高水平，且系統(tǒng)能夠在每秒處理多幀圖像，滿足了實時監(jiān)測的需求。

除了高精度的檢測能力，該系統(tǒng)還具有良好的擴展性和實用性。它不僅可以應用于山羊的行為監(jiān)測，還能夠通過進一步訓練，擴展到其他牲畜種類或更多的行為類別，具有廣泛的應用前景。通過實時監(jiān)測山羊的行為狀態(tài)，系統(tǒng)可以幫助養(yǎng)殖者及時發(fā)現(xiàn)異常行為，如長時間躺臥或不正常的活動，從而提高對牲畜健康和生活環(huán)境的管理效率。此外，系統(tǒng)生成的行為數(shù)據(jù)可以與農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)集成，為智能農(nóng)業(yè)平臺提供有價值的數(shù)據(jù)支持。

本文研究并實現(xiàn)的基于YOLOV8的山羊行為檢測系統(tǒng)，為智慧農(nóng)業(yè)領域提供了一種新的自動化監(jiān)測工具。通過高效的目標檢測算法和深度學習技術，系統(tǒng)能夠?qū)崟r、準確地檢測山羊的行為狀態(tài)，提升了養(yǎng)殖管理的自動化水平，并具有廣泛的應用價值。未來，隨著更多先進技術的引入和數(shù)據(jù)集的進一步擴展，該系統(tǒng)有望在更多農(nóng)業(yè)場景中得到推廣應用，為現(xiàn)代農(nóng)業(yè)的發(fā)展提供更強大的技術支撐。

算法流程

項目數(shù)據(jù)

通過搜集關于數(shù)據(jù)集為各種各樣的骨折相關圖像，并使用Labelimg標注工具對每張圖片進行標注，分2個檢測類別，分別是standing表示”站立”，lying表示”躺臥”。

目標檢測標注工具
（1）labelimg:開源的圖像標注工具，標簽可用于分類和目標檢測，它是用python寫的，并使用Qt作為其圖形界面，簡單好用（雖然是英文版的）。其注釋以 PASCAL VOC格式保存為XML文件，這是ImageNet使用的格式。此外，它還支持 COCO數(shù)據(jù)集格式。
（2）安裝labelimg 在cmd輸入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

結(jié)束后，在cmd中輸入labelimg

初識labelimg

打開后，我們自己設置一下

在View中勾選Auto Save mode

接下來我們打開需要標注的圖片文件夾

并設置標注文件保存的目錄（上圖中的Change Save Dir）
接下來就開始標注，畫框，標記目標的label，然后d切換到下一張繼續(xù)標注，不斷重復重復。

Labelimg的快捷鍵

（3）數(shù)據(jù)準備
這里建議新建一個名為data的文件夾（這個是約定俗成，不這么做也行），里面創(chuàng)建一個名為images的文件夾存放我們需要打標簽的圖片文件；再創(chuàng)建一個名為labels存放標注的標簽文件；最后創(chuàng)建一個名為 classes.txt 的txt文件來存放所要標注的類別名稱。

data的目錄結(jié)構如下：
│─img_data
│─images 存放需要打標簽的圖片文件
│─labels 存放標注的標簽文件
└ classes.txt 定義自己要標注的所有類別（這個文件可有可無，但是在我們定義類別比較多的時候，最好有這個創(chuàng)建一個這樣的txt文件來存放類別）

首先在images這個文件夾放置待標注的圖片。
生成文件如下:

“classes.txt”定義了你的 YOLO 標簽所引用的類名列表。

（4）YOLO模式創(chuàng)建標簽的樣式

存放標簽信息的文件的文件名為與圖片名相同，內(nèi)容由N行5列數(shù)據(jù)組成。
每一行代表標注的一個目標，通常包括五個數(shù)據(jù)，從左到右依次為：類別id、x_center、y_center、width、height。
其中：
–x類別id代表標注目標的類別；
–x_center和y_center代表標注框的相對中心坐標；
–xwidth和height代表標注框的相對寬和高。

注意：這里的中心點坐標、寬和高都是相對數(shù)據(jù)！！！

存放標簽類別的文件的文件名為classes.txt (固定不變)，用于存放創(chuàng)建的標簽類別。

完成后可進行后續(xù)的yolo訓練方面的操作。

模型訓練

模型的訓練、評估與推理

1.YOLOv8的基本原理

YOLOv8是一個SOTA模型，它建立在Yolo系列歷史版本的基礎上，并引入了新的功能和改進點，以進一步提升性能和靈活性，使其成為實現(xiàn)目標檢測、圖像分割、姿態(tài)估計等任務的最佳選擇。其具體創(chuàng)新點包括一個新的骨干網(wǎng)絡、一個新的Ancher-Free檢測頭和一個新的損失函數(shù)，可在CPU到GPU的多種硬件平臺上運行。

YOLOv8是Yolo系列模型的最新王者，各種指標全面超越現(xiàn)有對象檢測與實例分割模型，借鑒了Yolov5、Yolov6、YoloX等模型的設計優(yōu)點，在全面提升改進Yolov5模型結(jié)構的基礎上實現(xiàn)，同時保持了Yolov5工程化簡潔易用的優(yōu)勢。

Yolov8模型網(wǎng)絡結(jié)構圖如下圖所示：

2.數(shù)據(jù)集準備與訓練

本研究使用了包含各種山羊行為相關圖像的數(shù)據(jù)集，并通過Labelimg標注工具對每張圖像中的目標邊框（Bounding Box）及其類別進行標注。然后主要基于YOLOv8n這種模型進行模型的訓練，訓練完成后對模型在驗證集上的表現(xiàn)進行全面的性能評估及對比分析。模型訓練和評估流程基本一致，包括：數(shù)據(jù)集準備、模型訓練、模型評估。本次標注的目標類別為站立和躺臥，數(shù)據(jù)集中共計包含416張圖像，其中訓練集占332張，驗證集占84張。部分圖像如下圖所示：

部分標注如下圖所示：

圖片數(shù)據(jù)的存放格式如下，在項目目錄中新建datasets目錄，同時將檢測的圖片分為訓練集與驗證集放入datasets目錄下。

接著需要新建一個data.yaml文件，用于存儲訓練數(shù)據(jù)的路徑及模型需要進行檢測的類別。YOLOv8在進行模型訓練時，會讀取該文件的信息，用于進行模型的訓練與驗證。
data.yaml的具體內(nèi)容如下：

train: E:/GoatPoseDetection_v8/datasets/images/train 訓練集的路徑
val: E:/GoatPoseDetection_v8/datasets/images/val 驗證集的路徑
#test: E:/GoatPoseDetection_v8/datasets/images/test 測試集的路徑

nc: 2 模型檢測的類別數(shù)，共有2個類別。
names: [‘standing’,’lying’]

這個文件定義了用于模型訓練和驗證的數(shù)據(jù)集路徑，以及模型將要檢測的目標類別。

數(shù)據(jù)準備完成后，通過調(diào)用train.py文件進行模型訓練，epochs參數(shù)用于調(diào)整訓練的輪數(shù)，batch參數(shù)用于調(diào)整訓練的批次大小(根據(jù)內(nèi)存大小調(diào)整，最小為1)。

CPU/GPU訓練代碼如下：

加載名為 yolov8n.pt 的預訓練YOLOv8模型，yolov8n.pt是預先訓練好的模型文件。
使用YOLO模型進行訓練，主要參數(shù)說明如下：
（1）data=data_yaml_path: 指定了用于訓練的數(shù)據(jù)集配置文件。
（2）epochs=150: 設定訓練的輪數(shù)為150輪。
（3）batch=4: 指定了每個批次的樣本數(shù)量為4。
（4）optimizer=’SGD’):SGD 優(yōu)化器。
（7）name=’train_v8′: 指定了此次訓練的命名標簽，用于區(qū)分不同的訓練實驗。

3.訓練結(jié)果評估

在深度學習的過程中，我們通常通過觀察損失函數(shù)下降的曲線來了解模型的訓練情況。對于YOLOv8模型的訓練，主要涉及三類損失：定位損失（box_loss）、分類損失（cls_loss）以及動態(tài)特征損失（dfl_loss）。訓練完成后，相關的訓練過程和結(jié)果文件會保存在 runs/ 目錄下，具體如下：

各損失函數(shù)作用說明：
定位損失box_loss：預測框與標定框之間的誤差（GIoU），越小定位得越準；
分類損失cls_loss：計算錨框與對應的標定分類是否正確，越小分類得越準；
動態(tài)特征損失（dfl_loss）：DFLLoss是一種用于回歸預測框與目標框之間距離的損失函數(shù)。在計算損失時，目標框需要縮放到特征圖尺度，即除以相應的stride，并與預測的邊界框計算Ciou Loss，同時與預測的anchors中心點到各邊的距離計算回歸DFLLoss。這個過程是YOLOv8訓練流程中的一部分，通過計算DFLLoss可以更準確地調(diào)整預測框的位置，提高目標檢測的準確性。

訓練結(jié)果如下：

這張圖展示了YOLOv8模型在訓練和驗證過程中的多個重要指標的變化趨勢，具體如下：

train/box_loss：
（1）這是模型在訓練過程中計算的邊界框損失（Bounding Box Loss）。
（2）隨著訓練的進行，邊界框損失逐漸減小，表明模型越來越精確地定位目標。

train/cls_loss：
（1）這是分類損失（Classification Loss），表示模型在預測類別時的誤差。
（2）分類損失也隨著訓練下降，表明模型在目標類別分類上逐步提高了準確性。

train/dfl_loss：
（1）這是分布焦點損失（Distribution Focal Loss），用來優(yōu)化邊界框的定位。
（2）DFL損失也在逐漸減小，這個損失與邊界框預測的回歸精度有關。

metrics/precision(B)：
（1）訓練過程中精確率（Precision）的變化。
（2）精度（precision）反映模型預測的正例中有多少是實際的正例，趨勢上精度有所提升。

metrics/recall(B)：
（1）召回率（Recall）的變化。
（2）召回率（recall）逐漸增加，表明模型檢測到的目標逐漸增多。

val/box_loss：
（1）驗證集上的邊界框損失。
（2）驗證集的邊界框損失在下降，表明模型不僅在訓練集上收斂，在驗證集上也有較好的泛化能力。

val/cls_loss：
（1）驗證集上的分類損失。
（2）分類損失下降，驗證集上的分類性能也在提高。

val/dfl_loss：
（1）驗證集上的分布焦點損失。
（2）同樣，DFL損失下降，說明模型在邊界框預測方面表現(xiàn)得更好。

metrics/mAP50(B)：
（1）mAP50表示在IoU閾值為0.5時的平均精度（Mean Average Precision）。
（2）驗證集的mAP@0.5在上升，表示模型的目標檢測性能持續(xù)提升。

metrics/mAP50-95(B)：
（1）mAP50-95表示在IoU閾值從0.5到0.95的平均精度。
（2）驗證集的mAP@0.5-0.95也在上升，表明模型在多種IoU閾值下都有較好的檢測效果。

這些圖表反映了您的YOLOv8模型在訓練和驗證集上的逐步改進。損失函數(shù)的減少和mAP的提高表明模型正在有效地學習，檢測性能不斷優(yōu)化。

這張圖展示的是 Precision-Recall 曲線，用于評估模型在不同類別下的檢測性能。以下是詳細解釋：

Precision-Recall 曲線的含義：
（1）Precision（精度）：表示模型預測為正類的樣本中，有多少是真正的正類樣本。
（2）Recall（召回率）：表示所有正類樣本中，有多少被模型正確檢測出來。
（3）Precision-Recall 曲線：隨著模型預測閾值的變化，精度和召回率的關系也隨之變化。理想情況下，精度和召回率都應該接近1。

不同類別的曲線：
（1）藍色實線：表示所有類別的綜合性能，mAP@0.5為0.812，表明在IoU閾值為0.5時，模型的平均精度為81.2%。
（2）淺藍色線條：代表standing（站立）的檢測結(jié)果，mAP為0.864。曲線更接近圖的右上角，說明對于站立類別，模型的檢測效果更好。
（3）橙色線條：代表lying（躺下）的檢測結(jié)果，mAP為0.761，曲線稍微偏離右上角，說明模型在躺下目標的檢測上稍弱一些。

總體評價：
（1）站立（standing）：精度和召回率都比較高，表現(xiàn)優(yōu)于躺下類別。
（2）躺下（lying）：雖然精度和召回率略低于站立類別，但整體表現(xiàn)仍然較好。
（3）綜合表現(xiàn)：mAP@0.5為0.812，說明模型總體上在兩類目標上都有不錯的檢測性能。

這張PR曲線顯示了模型在不同目標類別上的檢測性能。曲線越接近右上角，表示模型在該類別上的性能越好。從圖中可以看出，模型對站立目標的檢測效果要優(yōu)于躺下目標，不過總體檢測性能相當不錯。

4.檢測結(jié)果識別

模型訓練完成后，我們可以得到一個最佳的訓練結(jié)果模型best.pt文件，在runs/train/weights目錄下。我們可以使用該文件進行后續(xù)的推理檢測。
imgTest.py 圖片檢測代碼如下：

加載所需庫：
（1）from ultralytics import YOLO：導入YOLO模型類，用于進行目標檢測。
（2）import cv2：導入OpenCV庫，用于圖像處理和顯示。

加載模型路徑和圖片路徑：
（1）path = ‘models/best.pt’：指定預訓練模型的路徑，這個模型將用于目標檢測任務。
（2）img_path = “TestFiles/imagetest.jpg”：指定需要進行檢測的圖片文件的路徑。

加載預訓練模型：
（1）model = YOLO(path, task=’detect’)：使用指定路徑加載YOLO模型，并指定檢測任務為目標檢測 (detect)。
（2）通過 conf 參數(shù)設置目標檢測的置信度閾值，通過 iou 參數(shù)設置非極大值抑制（NMS）的交并比（IoU）閾值。

檢測圖片：
（1）results = model(img_path)：對指定的圖片執(zhí)行目標檢測，results 包含檢測結(jié)果。

顯示檢測結(jié)果：
（1）res = results[0].plot()：將檢測到的結(jié)果繪制在圖片上。
（2）cv2.imshow(“YOLOv8 Detection”, res)：使用OpenCV顯示檢測后的圖片，窗口標題為“YOLOv8 Detection”。
（3）cv2.waitKey(0)：等待用戶按鍵關閉顯示窗口

此代碼的功能是加載一個預訓練的YOLOv8模型，對指定的圖片進行目標檢測，并將檢測結(jié)果顯示出來。

執(zhí)行imgTest.py代碼后，會將執(zhí)行的結(jié)果直接標注在圖片上，結(jié)果如下：

這段輸出是基于YOLOv8模型對圖片“imagetest.jpg”進行檢測的結(jié)果，具體內(nèi)容如下：

圖像信息：
（1）處理的圖像路徑為：TestFiles/imagetest.jpg。
（2）圖像尺寸為 448×640 像素。

檢測結(jié)果：
（1）模型檢測到圖片中有1個站立的山羊 (standing)。
（2）每張圖片的推理時間4.0毫秒。

處理速度：
（1）4.0ms preprocess：預處理時間。
（2）41.2ms inference：推理時間。
（3）57.1ms postprocess：后處理時間。

顯示了YOLOv8模型成功地檢測到了一張測試圖像中的一個站立的山羊，檢測速度較快，且結(jié)果已保存到指定的文件夾中。

運行效果

– 運行 MainProgram.py

1.主要功能：
（1）可用于實時檢測目標圖片中的骨折;
（2）支持圖片、視頻及攝像頭進行檢測，同時支持圖片的批量檢測；
（3）界面可實時顯示目標位置、目標總數(shù)、置信度、用時等信息;
（4）支持圖片或者視頻的檢測結(jié)果保存。

2.檢測結(jié)果說明：

這張圖表顯示了基于YOLOv8模型的目標檢測系統(tǒng)的檢測結(jié)果界面。以下是各個字段的含義解釋：

用時（Time taken）:
（1）這表示模型完成檢測所用的時間為0.014秒。
（2）這顯示了模型的實時性，檢測速度非?？?。

目標數(shù)目（Number of objects detected）:
（1）檢測到的目標數(shù)目為2，表示這是當前檢測到的第1目標。

目標選擇(下拉菜單)：全部:
（1）這里有一個下拉菜單，用戶可以選擇要查看的目標類型。
（2）在當前情況下，選擇的是“全部”，意味著顯示所有檢測到的目標信息。

類型（Type）:
（1）當前選中的類型為 “站立”，表示系統(tǒng)正在高亮顯示檢測到的“standing”。

置信度（Confidence）:
（1）這表示模型對檢測到的目標屬于“站立”類別的置信度為96.85%。
（2）置信度反映了模型的信心，置信度越高，模型對這個檢測結(jié)果越有信心。

目標位置（Object location）:
（1）xmin: 158, ymin: 29：目標的左上角的坐標(xmin, ymin)，表示目標區(qū)域在圖像中的位置。
（2）xmax: 244, ymax: 295：目標的右下角的坐標(xmax, ymax)，表示目標區(qū)域的邊界。

這張圖表明了一個系統(tǒng)對圖像中的目標進行了檢測，檢測到了兩個目標，并且對其中一個目標“站立”的識別置信度較高。

3.圖片檢測說明

(1)躺臥

(2)站立

點擊打開圖片按鈕，選擇需要檢測的圖片，或者點擊打開文件夾按鈕，選擇需要批量檢測圖片所在的文件夾。
操作演示如下：
（1）點擊目標下拉框后，可以選定指定目標的結(jié)果信息進行顯示。
（2）點擊保存按鈕，會對檢測結(jié)果進行保存，存儲路徑為：save_data目錄下。

檢測結(jié)果：系統(tǒng)識別出圖片中的站立，并顯示檢測結(jié)果，包括總目標數(shù)、用時、目標類型、置信度、以及目標的位置坐標信息。

4.視頻檢測說明

點擊視頻按鈕，打開選擇需要檢測的視頻，就會自動顯示檢測結(jié)果，再次點擊可以關閉視頻。
點擊保存按鈕，會對視頻檢測結(jié)果進行保存，存儲路徑為：save_data目錄下。

檢測結(jié)果：系統(tǒng)對視頻進行實時分析，檢測到站立并顯示檢測結(jié)果。表格顯示了視頻中多個檢測結(jié)果的置信度和位置信息。

這個界面展示了系統(tǒng)對視頻幀中的多目標檢測能力，能夠準確識別站立，并提供詳細的檢測結(jié)果和置信度評分。

5.攝像頭檢測說明

點擊打開攝像頭按鈕，可以打開攝像頭，可以實時進行檢測，再次點擊，可關閉攝像頭。

檢測結(jié)果：系統(tǒng)連接攝像頭進行實時分析，檢測到站立并顯示檢測結(jié)果。實時顯示攝像頭畫面，并將檢測到的行為位置標注在圖像上，表格下方記錄了每一幀中檢測結(jié)果的詳細信息。

6.保存圖片與視頻檢測說明

點擊保存按鈕后，會將當前選擇的圖片(含批量圖片)或者視頻的檢測結(jié)果進行保存。
檢測的圖片與視頻結(jié)果會存儲在save_data目錄下。
保存的檢測結(jié)果文件如下：

圖片文件保存的csv文件內(nèi)容如下，包括圖片路徑、目標在圖片中的編號、目標類別、置信度、目標坐標位置。
注：其中坐標位置是代表檢測框的左上角與右下角兩個點的x、y坐標。

（1）圖片保存

（2）視頻保存

– 運行 train.py
1.訓練參數(shù)設置

（1）data=data_yaml_path: 使用data.yaml中定義的數(shù)據(jù)集。
（2）epochs=150: 訓練的輪數(shù)設置為150輪。
（3）batch=4: 每個批次的圖像數(shù)量為4（批次大小）。
（4）name=’train_v8′: 訓練結(jié)果將保存到以train_v8為名字的目錄中。
（5）optimizer=’SGD’: 使用隨機梯度下降法(SGD)作為優(yōu)化器。

雖然在大多數(shù)深度學習任務中，GPU通常會提供更快的訓練速度。
但在某些情況下，可能由于硬件限制或其他原因，用戶需要在CPU上進行訓練。

溫馨提示：在CPU上訓練深度學習模型通常會比在GPU上慢得多，尤其是像YOLOv8這樣的計算密集型模型。除非特定需要，通常建議在GPU上進行訓練以節(jié)省時間。

2.訓練日志結(jié)果

這張圖展示了使用YOLOv8進行模型訓練的詳細過程和結(jié)果。

訓練總時長：
（1）模型在訓練了150輪后，總共耗時0.310小時。

R (召回率, Recall)：
（1）all: 0.738，表示所有目標的召回率為73.8%，意味著實際存在的目標中，73.8%的目標被成功檢測到。
（2）standing: 0.798，站立目標的召回率為79.8%。
（3）lying: 0.678，躺下目標的召回率為67.8%。

mAP50 (平均精度 @ IoU=50%)：
（1）all: 0.812，表示在IoU=0.5的閾值下，所有目標的平均精度為81.2%。
（2）standing: 0.864，站立目標的平均精度為86.4%。
（3）lying: 0.761，躺下目標的平均精度為76.1%。

mAP50-95 (平均精度 @ IoU=50%-95%)：
（1）all: 0.652，表示在IoU=0.5到0.95多個閾值下，所有目標的平均精度為65.2%。
（2）standing: 0.717，站立目標的mAP50-95為71.7%。
（3）lying: 0.587，躺下目標的mAP50-95為58.7%。

推理速度：
（1）模型推理速度為17.62幀每秒，處理速度非?？?#xff0c;適用于實時檢測。

結(jié)果保存：
（1）Results saved to runs\detect\train_v8：驗證結(jié)果保存在 runs\detect\train_v8 目錄下。

完成信息：
（1）Process finished with exit code 0：表示整個驗證過程順利完成，沒有報錯。

該模型在站立目標的檢測精度和召回率較高，而躺下目標的召回率略低一些，但整體性能表現(xiàn)良好，尤其是精度和速度方面。這些結(jié)果表明模型能夠很好地檢測目標，適合應用于實際場景中的目標檢測任務。