基于深度学习+AI的牛多目标行为目标检测与预警系统（Python源码+数据集+UI可视化界面+YOLOv11训练结果）

1、背景介绍

针对规模化养殖提质、动物疫病防控、畜禽产品溯源、养殖安全管控需求，面向规模化牛场养殖、散养区巡检、草原牧区管控、畜禽防疫监测等场景，研发基于深度学习+AI的牛多目标行为检测与预警系统具有重要现实意义。随着规模化养殖产业升级、动物防疫体系完善与畜禽产品质量安全要求提升，牛作为重要的畜禽养殖品种，其饮水（drinking）、行走（walking）、采食（feeding）、站立（standing）、觅食（foraging）、卧地（lying）、排泄（excreting）、争斗（fighting）、奔跑（running）、爬跨（mounting）等多类行为的实时精准监测，是保障牛群健康、提升养殖效率、防范疫病传播、规范养殖管理的核心环节，而牛群养殖场景中个体密集、环境复杂（草原杂草遮挡、牛舍光线昏暗、雨雪沙尘干扰）、行为姿态多变、相似行为易混淆等问题带来的检测精度低、行为识别滞后、异常管控不及时等管理痛点日益凸显，年均因牛群行为检测不及时、识别不准确引发的疫病扩散、牛群应激损伤、养殖损失、产品质量隐患等问题频发，严重影响规模化养殖效益、动物防疫成效与畜禽产品安全。

传统牛群行为监测依赖人工巡查、视频人工判读、简单传感器采集与特征匹配，受人力成本高、巡查效率低、主观判断偏差大、复杂场景适配性差、夜间及恶劣天气无法正常监测等因素制约，难以实现对牛群多目标、多行为的全天时、全天候、全范围精准检测与实时预警，而AI智能分析技术可依靠深度学习算法自动挖掘牛群各类行为的动作特征、姿态规律与场景关联信息，精准捕捉饮水、争斗、爬跨等不同行为的细微差异，有效区分相似行为（如采食与觅食、站立与行走），实现复杂养殖环境、恶劣天气、密集群体等场景下的牛多目标行为精准识别，突破传统监测技术难以适配复杂养殖场景、捕捉异常行为、实现规模化管控的瓶颈。

将深度学习目标检测算法与AI智能分析、视频采集设备（场端监控、移动巡检设备）、养殖管控终端、防疫预警平台结合，能够精准识别牛群个体及饮水（drinking）、行走（walking）、采食（feeding）、站立（standing）、觅食（foraging）、卧地（lying）、排泄（excreting）、争斗（fighting）、奔跑（running）、爬跨（mounting）等各类行为，有效区分牛群与养殖环境中的杂物、不同行为的动作差异，借助AI智能分析的实时性、自动化、规模化优势，以及视频采集设备的全域覆盖能力，实现对养殖区域全域的牛群个体定位、多行为自动识别、行为类型分类、异常行为预警（如异常争斗、长时间不饮水采食、异常奔跑等），同步推送预警信息至养殖管理终端、防疫管控中心与养殖负责人，提升规模化养殖管理、动物疫病防控、养殖安全管控等工作的智能化、全域化与精准处置能力。

该系统对强化规模化养殖精细化管理、提升动物疫病防控效能、减少养殖损失、降低人工管理成本、保障畜禽产品质量安全具有重要应用价值，为规模化养殖、草原牧区管控、畜禽防疫等领域的规范化管理、智能化防控提供高效、可靠的技术支撑，助力破解牛多目标行为检测难、相似行为识别准度低、异常预警滞后、规模化管控效率低的技术难题，保障牛群健康生长、提升养殖产业效益、规范畜禽养殖秩序。

2、算法结构

目标检测是一种基于目标集合和统计特征的图像分割，主要包括分类问题和检测定位问题。目标检测算法以深度学习为基准的主要有两大类：基于回归分析的单阶段目标检测和基于候选区域的两阶段目标检测。

基于回归分析的单阶段目标检测算法在检测目标时采用一个网络进行端到端的目标检测，直接对图像进行计算生成检测结果，检测速度快，但检测精度低。主要代表是YOLO系列和SSD系列。2015年，Joseph等人提出了一种新的目标算法YOLO，其思想是将一张图片分成多个网格，让每个网格负责预测中心点落在当前网格中的物体。该方法目标检测速度快、可以避免背景错误并能学到物体的泛化特征，但存在定位不准、精度低和对小物体检测效果不好的问题。Joseph在接下来的几年从骨干网络和跨尺度特征融合等方面对YOLO进行优化改进，相继提出了YOLOv2和YOLOv3。2016年，Liu等人提出了结合YOLO检测速度快和Faster R-CNN的锚框思想的SSD算法，并使用多尺度特征图进行检测，在满足检测速度要求的同时还大幅提高了模型的检测精度，但由于小尺寸的目标多用较低层级的锚框来训练，较低层级的特征非线性程度不够，无法训练到足够的精确度，所以仍存在小目标的检测效果差的问题。

基于候选区域的两阶段目标检测是先对图像提取候选框，然后对候选框进行分类回归操作得到检测结果，检测精度较高，但检测速度较慢，训练时间长且误报高。主要代表算法有R-CNN系列、SPP-Net和FPN。Girshick等人在2014年提出了两阶段目标检测算法R-CNN，通过选择性搜索的方法提取出候选区域，然后将候选区域变换为标准的方形尺寸并使用改进的AlexNet筛选出有效的候选区域，最后通过支持向量机进行分类并对有效的候选区域进行线性回归获得边界框，该算法有着较高的准确性并提高了特征对样本的表示能力，但由于图像尺寸限制造成目标失真变形并且存在冗余计算、检测速度慢。针对这个问题，He等人提出了SPP-Net，在卷积层和全连接层之间增添一个空间金字塔池化模块，不仅可以对候选区域进行变换为任意比例的区域特征提取，而且可以减少候选区域的重复计算，该算法不仅提高了目标检测的精度，同时又提升了目标检测速度，但训练过程仍是多阶段的，而且无法实现端到端训练。2015年，Girshick等人结合R-CNN和SPP-Net的特点提出了Fast R-CNN，通过卷积层对整张图像和候选区域进行特征提取，并使用感兴趣池化层和Softmax分别取代空间金字塔池化模块和SVM，同时提高了精度和速度，但由于选择性搜索算法只能使用CPU，仍无法实现实时检测。Ren等人针对此问题在同年提出了Faster R-CNN，Faster R-CNN最大的特点是首次提出了一个全新的候选区域网络（Region Proposal Network, RPN），该算法不仅可以端到端训练，而且可以在GPU上实时性检测，但由于anchor的使用，仍对小目标的检测效果并不理想。Lin等人于2017年在Faster R-CNN基础上提出了特征金字塔网络检测算法FPN，通过多层特征融合，大大提高了小目标物体的检测效果。

为了契合对检测性能与实时性的更高要求，本文选用以 YOLOv11 为根基的单阶段目标检测算法作为基准。YOLOv11 模型作为迭代升级的实时目标检测框架，凭借其更为迅猛的检测速率以及大幅提升的检测精度，在同类算法中展现出显著优势，其网络结构如图所示。本文深入研究的算法正是在 YOLOv11 的基础上开展改进与优化工作，旨在进一步强化目标检测的准确性与实时性，从而更好地适配特定应用场景的复杂多样需求。

3、数据集

本算法研究数据集来源于公开数据集CowBehaviorDataset进行实验，CowBehaviorDataset数据集信息如图所示。本文共选取的3218张图像，每张图像的大小为640x640像素，包括不同光照强度、不同角度的图像。然后通过在线标注工具MakeSense（https://www.makesense.ai/）进行标注，将标注后的图像划分为2253张图像作为训练集，644张图像作为训练集，321张图像作为测试集。

# 目录结构

# 目录结构
# 目录结构
CowBehaviorDataset
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/    
    └── test/

# 适用算法
"yolov26/yolov13/yolov12/yolov11/yolov10/yolov8/yolov5等YOLO系列"

# 类别
drinking
walking
feeding
standing
foraging
lying
excreting
fighting
running
mounting

# yaml文件配置
path: CowBehaviorDataset # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test: images/test # test images (optional)
# Classes
names: ["drinking",
    "walking",
    "feeding",
    "standing",
    "foraging",
    "lying",
    "excreting",
    "fighting",
    "running",
    "mounting",]

4、评价指标

本文选取的评估指标包括综合精确率Precision和召回率Recall的F1-Score、平均精度均值mAP、计算量GFLOPs和权重大小Model Size等。mAP表示IoU阈值取0.5时的值。具体计算公式如下。

式中：TP为真正例，FP为假正例，FN为假负例，AP为平均精度，P为精确率，R为召回率。

5、实验环境

本实验的环境在Window操作系统上进行，采用的深度学习框架为Pytorch 2.6.0+126，编程语言为Python 3.10.0，CUDA版本12.6，GPU为NVIDIA GeForce RTX 4060，显存为8GB。在模型训练过程中，模型的批处理大小BatchSize设为32，总次数Epochs设为50，初始学习率被设置为0.01，动量参数因子为0.937，优化器权重衰减系数设为0.0005，以使其更快收敛并获得更好的性能。

6、训练脚本

# train.py
from ultralytics import YOLO
if __name__ == '__main__':
    # 初始训练
    model = YOLO(r"yolov11n.yaml")
    model.load("yolo11n.pt")
    results = model.train(data=r"data.yaml", 
                          epochs=50, 
                          imgsz=640, 
                          batch=32, 
                          workers=4, 
                          device=0, 
                          name="train")

7、实验结果

8、系统实现

YOLO目标检测系统主要包括登录页面和主页面，其中主页面集成了三大核心检测功能，各功能操作便捷、检测高效，具体介绍如下：

登录页面：作为系统入口，用户需输入正确的账号密码完成登录，验证通过后方可进入主页面使用各项检测功能，保障系统使用安全性，防止未授权访问。

主页面：为核心操作区域，集中展示图片检测、视频检测、摄像头实时检测三大功能入口，界面简洁直观，方便用户快速找到所需功能，后续各项检测操作均在主页面内完成。

✅ 图片检测：支持单张图片输入检测，用户上传图片后，YOLO模型将快速对图像进行分析，精准识别图像中的各类目标，自动在图像中框选目标位置，并同步返回检测框坐标及目标类别信息，让检测结果直观可见，适用于单帧图像的快速目标识别场景。

✅ 视频检测：支持各类常见格式视频文件输入，检测过程中，YOLO模型会对视频中的每一帧进行逐帧分析、精准识别，在每帧画面中标记出检测到的目标，最终可输出带有目标框的完整视频文件，也可进行实时画面展示，广泛应用于视频监控、动态场景分析等需求场景。

✅ 摄像头实时检测：支持连接USB摄像头，实现实时目标监测功能。YOLO模型可实时捕捉摄像头传输的视频流，同步进行目标检测与识别，即时在画面中显示检测结果，提供快速、精准的即时反馈，适用于安防监控、无人驾驶、智能交通等对实时性要求较高的应用场景。

此外，系统所有检测功能均支持deepseek ai对检测结果进行AI分析，可进一步挖掘检测数据的深层信息，提升检测结果的实用性和解读效率，为用户提供更全面的检测服务。

登录界面

主界面

9、应用场景

基于深度学习+AI的牛多目标行为检测与预警系统，聚焦drinking（饮水）、walking（行走）、feeding（喂食）、standing（站立）、foraging（觅食）、lying（躺卧）、excreting（排泄）、fighting（打架）、running（奔跑）、mounting（爬跨）十大类牛只核心行为目标，依托高清监控设备、红外成像设备全天时、全场景、无死角监测的优势，结合AI智能分析可精准捕捉牛只各类行为的动作特征、姿态差异与行为规律，穿透夜间昏暗、棚舍遮挡、恶劣天气（雨雪、雾霾）等干扰的特性，搭配深度学习算法的高效识别、精准判定与实时预警能力，广泛应用于各类规模化养殖、畜牧防疫、养殖精细化管理及动物福利监管场景：规模化养殖场监测可精准识别场内所有牛只的各类行为，实时统计各类行为频次、定位异常行为牛只、研判牛只健康状态与养殖环境适配度，破解传统人工巡检耗时耗力、监测不全面、异常行为发现不及时、牛只健康隐患难排查的痛点；散养区域巡航可实现偏远散养、山地散养牛只的全域无死角监测，快速定位牛只觅食、饮水、打架等核心行为，同步推送异常行为（打架、爬跨）预警信息至养殖管理人员终端，助力及时掌握牛只活动状态，防范因牛只行为监测不及时导致的群体争斗受伤、疾病传播、养殖效益下降等问题；畜牧防疫管控可精准识别牛只异常行为（如异常奔跑、躺卧不起、拒食等），实时捕捉牛只行为异常变化，为畜牧防疫排查提供精准依据，弥补传统防疫人工排查效率低、漏判误判率高、疫情初期难以发现的短板。

此外，在规模化养殖、畜牧防疫、动物福利监管等监管范围广、养殖环境复杂、人工监测难度大的场景，可依托固定监控全覆盖、移动巡航灵活补盲的双重优势，精准识别不同养殖区域牛只行为的分布规律、频次特征，实时跟踪牛只行为变化、健康状态波动，同步推送预警信息与养殖管理指引，弥补人工监测盲区、降低养殖管理与防疫防控成本；在精细化养殖场景中，可快速区分牛只正常行为与异常行为、合理行为与违规行为（如过度争斗、异常爬跨），精准定位牛只养殖过程中的行为异常与健康隐患，同步推送预警信息与处置建议，助力管理人员及时干预，防范因牛只行为异常导致的伤病、减产、疫情传播等问题，保障养殖秩序与养殖效益；在畜牧防疫防控场景中，可通过监测牛只群体行为的变化规律、个体行为异常，精准定位防疫重点管控对象，同步推送预警信息与防疫处置建议，助力强化畜牧防疫防控、防范疫情传播扩散，避免因牛只行为异常监测疏漏导致的防疫隐患与养殖损失；在动物福利监管场景中，可汇总分析不同养殖区域牛只行为的分布特点、行为频次，为养殖环境优化、饲养方式改进、动物福利提升提供数据支撑，推动畜牧养殖向精细化、智能化、规范化转型。该系统全方位满足各类养殖场景下牛多目标行为的精准检测、异常判定、实时预警与动态管理需求，破解传统牛只行为监管识别不准、异常判定滞后、人工成本过高、适配复杂养殖环境能力弱的痛点，为规模化养殖、畜牧防疫、动物福利监管等领域的规范化管理、精准防控、效能提升、成本降低提供智能化科技支撑，显著提升畜牧养殖的综合管理水平与养殖效益。

10、源码获取（网盘地址）

[猫脸码客：catcode2020]