种鸡智能监测

01课题概况

养殖场环境下，鸡只存在高密度堆叠、互相遮挡、姿态多变、光照差异大等困难， 常规监控手段难以做到个体级别的连续观测。本课题围绕两条数据主线，构建可落地的检测与监测方案。

要解决什么问题

规模化鸡舍的日常管理目前大量依赖人工：数鸡、看精神状态、找病鸡、观察采食。 在几千到几万只的鸡舍里，这些工作靠人几乎不可能做到连续、个体级别的观测：

• 只能抽样，做不到普查 —— 一名饲养员要管上万只鸡，巡视一圈只能看个大概， 鸡舍深处的个体根本照看不到
• 人工进场会惊扰鸡群 —— 人一走进去，鸡只聚集、踩踏、短时停止采食， 观测行为本身就改变了被观测对象
• 夜间与短时异常抓不到 —— 异常往往发生在无人时段， 而人工巡检一天只有几次，时间窗口太粗
• 判断标准因人而异 —— 「精神好不好」靠经验，换个人结论就不同， 无法沉淀成可量化、可复现的指标

本课题的目标是用摄像头 + 检测算法替代「人的眼睛」，让系统自动回答三个问题：

为什么用目标检测模型，而不是别的办法

「感知鸡群」有很多条技术路径，但它们能回答的问题层次完全不同 —— 这也是本课题最终选择目标检测的原因：

这层递进关系可以一句话说清： 分类只管「整张图里大概有什么」，只有检测才会为每一个个体单独给出一个框。 而计数、定位、个体跟踪，以及在框内做温度反演、姿态判断 —— 全都依赖「一个个体一个框」这个输出。 所以检测是整个技术链路的前置环节，也是本课题的核心； 它内部具体怎么算，见 第 05 节。

为什么以 YOLO 系列为主线，还要横向对比这么多模型

• 速度与精度平衡好：单阶段、端到端，一次前向就出结果， 符合养殖场「实时连续监测」的需求 —— 不像两阶段方法要先产生候选区域再逐个分类
• 统一接口才能公平对比：Ultralytics 把 v5 / v8 / v9 / v10 等不同代际 收敛到同一套 API 与同一条训练流程上，使「换模型」变成改一行的操作。 这是能做出 25 组可比实验的前提 —— 否则不同代码库的训练细节差异会淹没模型本身的差异
• 规格齐全，覆盖两种部署路线：n / s 等小规格面向 Edge AI 边缘设备， 更大规格面向标准算力服务器，同一算法家族内可按算力预算选型
• 但选型不能照搬论文结论：文献里报出的高精度大多来自常规尺度的目标， 而本课题的目标又小又密。在这种极端场景下哪个模型更稳、哪类改进更有效， 必须实测才知道 —— 这正是 第 06 节基准表存在的意义

已开展的工作

• 梳理并整理两套公开数据集的目录规范、标注格式与元数据说明
• 搭建统一的 Ultralytics 训练工程，标准化数据集接入方式
• 完成 25 组检测模型的完整训练（200 轮）与验证，覆盖 YOLOv5 / v8 / v9 / v10 全系列与 RT-DETR 三种主干
• 汇总各模型的 P / R / mAP@50 / mAP@50-95，形成可对比的基准表
• 沉淀调参经验与数据增强策略，供后续多模态与轻量化研究复用

02数据集

两套数据集分别对应笼养蛋鸡的精细化多模态观测与规模化肉鸡的复杂场景检测， 在采集设备、场景尺度、标注规模上互为补充。

BClayinghens · 笼养蛋鸡 RGB-TIR 数据集

Sensors 2024, 24(19), 6385

DOI 10.3390/s24196385 · 北京市农林科学院信息技术研究中心 等

数据集包含 61,133 张蛋鸡可见光与热红外图像，每张 TIR 图像都配有一张对应的 RGB 图像， 并通过坐标校正实现位置对齐。可见光图像标注了 63,693 个鸡头标签， 可直接用于鸡头目标检测模型训练；结合配对的 TIR 数据即可分析鸡头温度信息。 面向任务包括鸡头目标检测、目标跟踪、姿态估计、行为识别、个体识别、鸡头温度检测与健康评估。

采集条件

• 时间跨度：2022 年 4 月 – 2024 年 7 月，5 个鸡舍分时段共 60 次采集，原始图像 30,993 张
• 鸡舍结构：10 列 × 8 层笼架，每 4 层设隔断；每笼 6–8 只蛋鸡，日龄 200–300 天
• 巡检方式：巡检机器人沿磁导航轨道运行，速度 3–30 m/min 十档可调， 单轮扫描约 960 个笼位，数据回传云端；升降机构行程 514–2519 mm
• 采集设备：HONOR ANN-AN00 手机（2592×1944）；机器人载可见光相机 LRCP20680_1080P（1920×1080）； 机器人载红外热像仪 FLIR A300（9 Hz，320×240）
• 配准方式：RGB 与 TIR 相机由采集系统集中控制，两次拍摄间隔约 1 秒，后期做坐标校正对齐

数据增强策略

为模拟不同鸡舍的光照差异、笼层高度差异与相机成像差异，数据集构建阶段采用了多种增强： R 通道随机增强（ΔR ∈ [10, 100]）、色相与亮度调整、高斯噪声（σ = 51）、 拉普拉斯噪声与泊松噪声，以提升模型鲁棒性。

数据下载 原始数据体积较大（约 6 GB 量级），未随本页发布。 官方下载：百度网盘（提取码 MAWH）； 训练好的权重文件 best.pt 另见 此链接（提取码 MAWH）。

03工具链

实验基于 Ultralytics 统一框架，用同一套数据接入方式横向对比多种检测架构， 保证结果可比。

横向对比的模型清单

04方法与配置

两类架构代表了当前目标检测的两条主流技术路线，本课题在同一数据与同一超参下进行对照实验。

技术路线对比

统一训练超参

以下配置取自训练产出的 args.yaml，所有模型保持一致，以确保对比公平。

数据增强设置

增强以几何变换与色彩扰动为主，不引入 mixup / copy-paste，避免在高密度遮挡场景下产生不真实样本。

05检测算法是怎么算出来的

上一节讲了「用什么架构、配什么参数」，这一节回答一个更底层的问题： 把一张 640×640 的鸡舍图片丢进去，程序凭什么能吐出「这里有一只鸡，框在 (x1,y1,x2,y2)」？ 下面每一步都对着本课题实际在用的 yolo26n 说明 —— 文中的结构参数是把你自己训练出的 best.pt 打开实测出来的， 不是抄的通用教程，所以能和你 results.csv 里的数字一一对上。

从图片到特征图：逐级下采样

卷积网络没法直接「看」640×640 的原图，它要先把图逐级缩小、同时把通道加厚， 把像素变成一个更能表达语义的「特征图」。你的模型经过四次下采样，得到三个尺度的特征图：

输入图片        640 × 640 × 3
      ↓  Backbone 逐级下采样（stride 2 → 4 → 8 → 16 → 32）
P3 特征图        80 × 80          ← stride 8，格子最小，负责小目标
P4 特征图        40 × 40          ← stride 16，中等目标
P5 特征图        20 × 20          ← stride 32，格子最大，负责大目标
      ↓  Neck（FPN + PAN）把三个尺度互相融合
         自顶向下：把小尺度的语义信息传下来
         自底向上：把大尺度的位置信息传上去
      ↓  Detect 检测头
输出张量         1 × 5 × 8400

stride（步长）的意思是一个格子对应原图上多少像素。 stride 8 就是「特征图上一个点，代表原图 8×8 的一块区域」。 所以代码里做检测时，格子的坐标要乘回 stride 才能还原成原图像素坐标 —— 这一条在后面讲解码时会再用到。

8400 个候选点是怎么数出来的

输出张量里那个 8400 不是随便设的，它就是三个尺度上格子数的总和：

换句话说，模型对每张图会一口气给出 8400 个「我认为这里有东西」的候选框。 一张图里只有 200 多只鸡，所以 8400 个候选里绝大多数是错的， 整个训练过程本质上就是在教模型「哪些点该响应、哪些点该闭嘴」。

输出张量里每一位是什么

把那串 1 × 5 × 8400 拆开看，三个数字的含义完全不同：

从「距离」还原成框：解码

模型输出的是 4 个距离，要用两步才能变成人看得懂的框。 第一步先生成锚点（anchor point），也就是每个格子的中心：

锚点生成    make_anchors(..., grid_cell_offset=0.5)
            格子 (i, j) 的中心 = (i + 0.5, j + 0.5)，再乘 stride 还原成像素坐标
            偏移取 0.5 而不是 0，是为了让锚点落在格子正中间

解码        dist2bbox(距离, 锚点)
            左上角 x1 = px − l        左上角 y1 = py − t
            右下角 x2 = px + r        右下角 y2 = py + b

为什么不直接让网络回归 x1,y1,x2,y2？两个原因：

• 尺度无关：同一个卷积核要在 stride 8 和 stride 32 上都工作。 如果直接回归绝对坐标，大尺度和小尺度的数值范围差了 4 倍， 权重很难同时学好。改回归「距离」，三个尺度就在同一个量纲上
• 锚点本身就是先验：网络只需要学「往左扩多少、往右扩多少」这种修正量， 起点已经很接近正确答案，学起来容易得多

训练时的三项损失

损失函数就是「老师给的评分标准」。你的训练日志里每轮会打印三个损失， 它们各自管一件事，数值大小完全不能互相比较：

8400 个点里挑谁负责哪只鸡

这是整个训练里最容易被忽略、但影响最大的一步。 假设图里有 220 只鸡，8400 个候选点不可能全都算作「答对」—— 总得先决定哪些点「应该」输出这只鸡的框，这一步叫标签分配。

本课题用的分配器叫 TaskAlignedAssigner，打分公式是：

对齐分数 = (类别预测分数)1.0 × (IoU)6.0
           ↑ 分类项 α=1.0        ↑ 定位项 β=6.0

然后：对每个真实目标，按对齐分数取 top-k 个候选点，让它们负责这个目标。

关键在 α 和 β 的差距：β = 6 远大于 α = 1， 意思是位置重合度比类别判断重要得多。 这也符合直觉 —— 一个框位置都对不上的候选点，类别再自信也没有价值。

分配完之后还有一个细节：

• 被选中的候选点，它的目标分数不是简单的 0/1，而是按对齐分数加权过的「软标签」 （代码里 target_scores * norm_align_metric）。 越对齐，监督信号越强
• 如果同一个候选点被多个真实目标同时选中，就判给重叠度最高的那一个， 避免一个点要同时负责两只鸡

为什么 YOLO26 有两个检测头

这是本课题模型最有意思的设计，也是「YOLO26 号称不需要 NMS」的技术根源。 你的模型里其实有两套并行的检测头：

训练时两个分支一起更新，但组合权重是动态变化的：

训练初期    one2many 权重 0.8 ┃ one2one 权重 0.2   ← 先靠一对多快速学出雏形
训练末期    one2many 权重 0.1 ┃ one2one 权重 0.9   ← 再转向一对一，学「少报乱报」
            按轮数线性衰减，不是固定比例

推理收尾：过滤与去重

验证和实际使用时，网络输出还要再过几步才会变成最终结果：

1. 置信度过滤：低于 conf 阈值的候选框直接丢掉。 验证时阈值放得极低（0.001），是为了画出完整的 PR 曲线，不是最终使用值
2. 数量截断 max_det：一张图最多保留多少个框。 默认是 300，本课题改成了 600 —— 因为本数据集单图最多有 1,151 个目标（验证集 594 个），用默认值会把真框直接砍掉， 表现为召回率被无辜压低、指标失真
3. NMS 去重（end2end 关闭时）： 把互相高度重叠的框合掉，只留分数最高的。 判断「重叠到什么程度算重复」由 iou 阈值控制，默认 0.7
4. 坐标换算：把框从 640×640 的输入尺度还原回原图尺寸

这套实现对你课题的含义

06基准结果

下表由各模型训练目录下的 results.csv 自动汇总（取 200 轮训练过程中的最优值）， 按 mAP@50 降序排列。各指标的具体含义见 名词解释。

结果观察

• 整体水平很高：25 个模型中有 18 个 mAP@50 超过 0.97，说明鸡头目标在形态与纹理上特征显著，检测任务本身难度集中在小目标与遮挡边界。
• 小模型性价比突出：YOLOv5-n、YOLOv8-n 这类最轻量规格的 mAP@50 已达 0.9751，与同系列最大规格基本持平（差距在 0.002 以内），边缘部署优先考虑小模型。
• mAP@50 与 mAP@50-95 排名并不一致：YOLOv9-m 的 mAP@50 最高，但高 IoU 阈值下 YOLOv8-x / v8-l 更优，说明后者的框定位精度更好。若下游任务依赖精确边界（如温度反演取像素区域），应参考 mAP@50-95 而非 mAP@50。
• RT-DETR 组略低：mAP@50 集中在 0.959–0.969，且训练曲线收敛更平缓，符合 DETR 系在中小数据集上需要更长训练的特点。
• YOLOv10 的取舍在部署链路：v10-n 的 mAP@50-95（0.6451）反而低于 v8-n（0.6891），即框定位精度并没有提升；v10 的价值在于去除了 NMS，端到端推理更简洁。

07指标与名词解释

上表那些数字到底在衡量什么、训练命令里的一堆参数各自管什么 —— 这一节把它说清楚。 只看结论的话，记住一句就够：mAP@50 看“有没有找到”，mAP@50-95 看“框得准不准”。

评测指标

TP / FP / FN真阳性 / 假阳性 / 假阴性

以某个 IoU 阈值判定“命中”后：TP = 检测框对了（框住了真实目标）， FP = 误检（没有目标的地方也报了一个框）， FN = 漏检（有目标但没检到）。后面几个指标本质上都是这三种数量的不同组合。

IoU交并比

预测框与真实框的交集面积 ÷ 并集面积，取值 0～1。它用来判定两个框“算不算同一个目标”， 也是 mAP@50 / mAP@50-95 里那个 50 的含义来源。

Precision精确率

TP / (TP + FP)。含义：报出来的框里，有多少是真的。 误检多，精确率就低。本课题中最高为 0.9647（YOLOv8-m）。

Recall召回率

TP / (TP + FN)。含义：该找到的目标里，找到了多少。 漏检多，召回率就低。与精确率往往此消彼长，靠置信度阈值权衡。本课题中最高为 0.9582（YOLOv5-s）。

AP平均精度

把置信度阈值从高到低扫一遗，每步得一组精确率/召回率，画出 P–R 曲线， 曲线下的面积就是 AP（单个类别）。results.csv 里的 P_curve.png、PR_curve.png 就是它。

mAP@50IoU=0.5 时的平均精度

在 IoU 阈值 0.5 下（框与目标的重量超过一半就算命中）统计各类 AP 再取平均。 条件宽松，主要反映目标有没有被大略找到。因为只要粗定位就对，高密度遮挡场景下这个值容易很高。

mAP@50-95IoU=0.5~0.95 的平均

IoU 阈值从 0.5 到 0.95、步长 0.05 取 10 个，每个各算一次 mAP 再平均。 要求框贴得够紧才得分，所以比 mAP@50 严格得多、数值也低得多， 是更能区分模型优劣的指标。

conf置信度阈值

只保留得分高于该值的检测框。调高 → 误检减少、漏检增多；调低反之。 AP/mAP 的计算会遍历所有阈值，所以训练时设为 null 不影响指标。

NMS非极大值抑制

同一个目标往往被多个相近的框命中，NMS 按得分保留最高的、抑制重叠过大的其余框。 YOLO 系需要这一步；RT-DETR 靠端到端集合预测，不需要 NMS，这也是它部署链路更简洁的原因。

max_det单图最大检出数

一张图最多保留多少个框。高密度场景下这个值设得太小会直接截断召回率，本课题均为 300。

box_loss / cls_loss / dfl_loss训练回归损失

训练日志里的三个损失项：box 控框的位置回归，cls 控类别分类， dfl 是 YOLOv8 起引入的分布焦点损失（把边界回归得更精细）。三者持续下降才说明在学东西。

训练超参

epochs训练轮数

整个训练集被完整过一遗算 1 轮。本课题固定 200 轮，保证各模型对比公平。

batch批大小

一次前向/反向传播送入网络的图像数。显存不足时优先降它（每次减半）， 比降 imgsz 对精度的影响小。 注意批大小还受标注密度影响：每个目标框都要占显存， 所以「每图几百个框」的数据集能开的 batch 会远小于「每图几个框」的通用数据集。

imgsz输入尺寸

训练时把图像短边缩放到该边长（长边等比缩放，再补边成正方形）。 调大能提升小目标效果，但显存和周时成平方增长。本课题统一用 640。

optimizer / lr0 / lrf优化器与学习率

optimizer 本次用 SGD（随机梯度下降）；lr0 是初始学习率， lrf 是最终学习率系数，实际末段学习率 = lr0 × lrf。 本课题为 0.01 与 0.01，即从 0.01 线性退火到 0.0001。

momentum / weight_decay动量与权重衰减

momentum（0.937）让梯度下降带惯性、抑平震荡； weight_decay（0.0005）是 L2 正则，惩罚过大权重、抑制过拟合。

warmup_epochs学习率预热

前 3 轮把学习率从极低值线性升到 lr0。 随机初始化的模型刚开局输出很乱，直接上大学习率容易把权重带飞。

patience早停耐心值

连续多少轮验证指标没提升就提前停训。本课题设 50； 实际各模型都跑满 200 轮，说明还没碰到早停。

close_mosaic末期关闭拼接增强

最后 10 轮关掉 mosaic。mosaic 拼出来的图与真实图像分布不一致， 末期关掉能让模型在真实分布上收收尾，通常带来小幅提升。

amp自动混合精度

用 FP16 算大部分运算、关键处保留 FP32。省显存、提速，对精度影响很小。

pretrained预训练权重

从 COCO 等大集上训好的权重开始微调，而非从零初始化。小数据集上几乎是必需的。

workers / device / seed工程参数

workers 数据加载线程数（8）；device 使用的 GPU 编号（单卡 0）； seed 与 deterministic 固定随机种子并开启确定性算法，保证实验可复现。

数据增强

mosaic四图拼接

随机取四张图拼成一张。一次前向就见到四个不同场景， 相当于变相增大 batch，并让模型习惯目标出现在画面任意位置。

fliplr / flipud水平 / 垂直翻转

按概率随机翻转。水平翻转（0.5）对鸡只外观几乎无损，是性价比最高的增强； 垂直翻转（0.0）会产生现实中不存在的倒立姿态，因此本课题关闭。

hsv_h / hsv_s / hsv_v色彩扰动

分别扰动色相、饱和度、明度。用于模拟不同鸡舍的光照色温差异 （0.015 / 0.7 / 0.4）。

translate / scale / degrees / shear几何变换

平移（0.1）、缩放（0.5）、旋转（0）、剪切（0）。 缩放幅度调到 0.5 是为了覆盖鸡只体型从小到大的尺度差异。

auto_augment / erasing自动增强与随机擦除

randaugment 自动从增强空间中采样策略； erasing（0.4）随机遮掉一块区域，模拟鸡只互相遮挡。

mixup / copy_paste图像混叠与目标粘贴

两者均设为 0。前者会把两张图按比例叠加，在高密度遮挡场景下会生成不真实样本； 后者主要用于实例分割。

检测架构与数据集术语

one-stage / two-stage单阶段 / 两阶段

单阶段（YOLO 系）直接回归出框与类别，速度快； 两阶段（Faster R-CNN 系）先生成候选区域再分类，更准但慢。 养殖场景要求实时与边缘部署，所以本课题以单阶段为主。

RT-DETR / DETR端到端 Transformer 检测

把检测看作集合预测问题，用 Transformer 一次输出固定数量的框， 通过匈牙利匹配与真值一一对应，因此不需要 NMS。

label assignment标签分配

训练时决定哪个预测框负责哪个真实框。YOLOv8/v10 用的是 TAL（Task-Aligned Assigner，按分类与回归的联合质量动态分配）， 这比早期静态的 anchor 匹配更灵活。

anchor-based / anchor-free锦点机制

前者预设一堆不同尺寸比例的参考框；后者直接从特征点回归。 YOLOv8/v10 与 RT-DETR 均属 anchor-free，超参更少。

RGB-TIR可见光 + 热红外

同一场景分别用可见光相机与热像仪采集。 鸡只生病时体温先变化、外观未必有变化，所以热红外对健康监测比 RGB 更敏感。

YOLO 标注格式归一化中心点框

每行一个目标：class cx cy w h，后四个都是除以图宽高后的 0～1 浮点数。 用中心点而非左上角，是为了缩放时坐标跟着变。

single_cls单类别模式

把所有权重按同一类处理。本课题数据只有“鸡头/鸡”一类，所以此项虽为 false 也不影响结果。

08如何开始训练

这一节是 PyCharm + Anaconda 的傻瓜式教学：从新建项目到训练出模型， 每一步都给可直接复制的命令和预期看到的结果。只要每步输出对得上， 就不用管背后的原理。第一次跑通约 20 分钟。

全流程速查

熟练之后，整件事就是「装两个包、跑四个脚本」：

# PyCharm 底部 Terminal（会自动带上 (环境名) 前缀）
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128
pip install ultralytics

# 然后按顺序在 PyCharm 里运行
check_dataset.py     # 数据体检：图片数 / 标签数 / 类别分布
split.py             # 按 9:1 划分 train / val
data.yaml            # 手写：告诉框架数据在哪、有几类
train.py             # 正式训练 200 轮

PyCharm 完整步骤（Windows + Anaconda）

从零到训练出模型的完整流程，针对 Windows + Anaconda + PyCharm 写成。 每一步都给可复制的命令和预期结果，示例按 RTX 5070 Ti + J:\poultry 这套配置写， 你按自己的实际路径替换即可。

nvidia-smi

# RTX 50 系 / Blackwell（驱动 CUDA ≥ 12.8）—— 50 系只能选这行
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128

# RTX 20/30/40 系，驱动 CUDA ≥ 12.1
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

python -c "import torch;print(torch.__version__, torch.cuda.is_available(), torch.cuda.get_device_name(0))"

pip install ultralytics
yolo checks

winget install 7zip.7zip

# PowerShell 里调用带空格的 exe 路径要加 &
& "C:\Program Files\7-Zip\7z.exe" x "J:\研究生种鸡\Broiler Chicken Detection\data.rar" -oJ:\poultry\raw -y

# check_dataset.py —— 统计图片数、标签数、类别分布，并列出异常
import pathlib, collections

ROOT = pathlib.Path("raw")          # 或 dataset
IMG_EXT = {".jpg", ".jpeg", ".png", ".bmp"}

def find_splits(root):
    img, lab = root / "images", root / "labels"
    if (img / "train").is_dir():                       # 已划分 train/val
        return [(s, img / s, lab / s) for s in ("train", "val")]
    return [("all", img, lab)]                          # 还没划分

for name, img_dir, lab_dir in find_splits(ROOT):
    if not img_dir.is_dir():
        print(f"[{name}] 找不到目录 {img_dir}"); continue
    imgs = [p for p in img_dir.iterdir() if p.suffix.lower() in IMG_EXT]
    labs = {p.stem: p for p in lab_dir.glob("*.txt")} if lab_dir.is_dir() else {}

    types = collections.Counter()
    missing, empty, bad = [], [], []
    for im in imgs:
        lab = labs.get(im.stem)
        if lab is None:
            missing.append(im.name); continue
        lines = [l for l in lab.read_text().splitlines() if l.strip()]
        if not lines:
            empty.append(im.name); continue
        for l in lines:
            parts = l.split()
            if len(parts) != 5:
                bad.append(f"{lab.name}: 列数不对 -> {l}"); continue
            try:
                c = int(parts[0]); x, y, w, h = map(float, parts[1:])
                if not all(0 <= v <= 1 for v in (x, y, w, h)):
                    bad.append(f"{lab.name}: 坐标越界 -> {l}")
                else:
                    types[c] += 1
            except ValueError:
                bad.append(f"{lab.name}: 数字解析失败 -> {l}")

    print(f"[{name}] 图片 {len(imgs)}  有标注 {len(imgs)-len(missing)-len(empty)}  "
          f"背景图 {len(empty)}  缺标签 {len(missing)}  异常 {len(bad)}")
    print(f"        类别分布(编号: 框数) {dict(sorted(types.items()))}")
    for title, lst in (("缺标签", missing), ("异常", bad)):
        for x in lst[:5]:
            print(f"        {title}: {x}")
        if len(lst) > 5:
            print(f"        {title}: ... 还有 {len(lst)-5} 条")

# split.py
import random, shutil, pathlib

SRC   = pathlib.Path("raw")        # 原始 images/ 与 labels/
DST   = pathlib.Path("dataset")    # 输出目录
RATIO = 0.9                        # 训练集比例

imgs = sorted((SRC / "images").glob("*.jpg"))
random.seed(0); random.shuffle(imgs)
cut = int(len(imgs) * RATIO)

for split, group in (("train", imgs[:cut]), ("val", imgs[cut:])):
    (DST / "images" / split).mkdir(parents=True, exist_ok=True)
    (DST / "labels" / split).mkdir(parents=True, exist_ok=True)
    for p in group:
        shutil.copy(p, DST / "images" / split / p.name)
        lab = SRC / "labels" / (p.stem + ".txt")
        if lab.exists():
            shutil.copy(lab, DST / "labels" / split / lab.name)

print(f"训练 {cut} 张, 验证 {len(imgs) - cut} 张")

J:\poultry\dataset\
├── data.yaml
├── images\
│   ├── train\        训练图像
│   └── val\          验证图像
└── labels\
    ├── train\        与训练图像同名的 .txt
    └── val\          与验证图像同名的 .txt

path: J:/poultry/dataset
train: images/train
val: images/val

names:
  0: chicken

J:\poultry\runs\detect\smoke\train_batch0.jpg

SMOKE   = False         # True = 冒烟测试; False = 正式训练
EPOCHS  = 200           # ★ 轮数
BATCH   = 16            # ★ 批大小(见下方说明, 不是越大越好)
WORKERS = 4             # ★ 数据加载进程数(每个都是独立进程, 很吃内存)
MODEL   = "yolo26n.pt"  # 换模型只改这一行

from ultralytics import YOLO

if __name__ == "__main__":          # Windows 上必须有, 见下方说明
    short = EPOCHS < 50
    model = YOLO(MODEL)
    model.train(
        data="data.yaml",
        epochs=1 if SMOKE else EPOCHS,
        imgsz=320 if SMOKE else 640,
        batch=4 if SMOKE else BATCH,
        fraction=0.02 if SMOKE else 1.0,
        device=0,
        optimizer="SGD", lr0=0.01, lrf=0.01,
        momentum=0.937, weight_decay=0.0005,
        warmup_epochs=0.5 if short else 3.0,
        patience=50,
        close_mosaic=0 if short else 10,
        max_det=600,                 # ★ 见下方"最有杀伤力的一个默认值"
        amp=True, seed=0, deterministic=True,
        workers=WORKERS,
        name="smoke" if SMOKE else f"exp_{MODEL.replace('.pt','')}_{EPOCHS}ep",
    )

WARNING Dataset images contain up to 594 objects (val=594), but max_det=300.
This mismatch can cap recall and produce invalid validation metrics.

# 1) 在验证集上重新评测, 得到与页面成绩表同口径的指标
yolo detect val model=runs/detect/exp_yolo26n_200ep/weights/best.pt data=data.yaml

# 2) 用新图做预测(单张 / 目录 / 视频都行)
yolo detect predict model=runs/detect/exp_yolo26n_200ep/weights/best.pt source=test_images save=true

# 3) 导出为 TorchScript, 便于部署到边缘设备
yolo export model=runs/detect/exp_yolo26n_200ep/weights/best.pt format=torchscript

# 1) 先把当前目录切到网站仓库
cd I:\PythonProject9\server

# 2) 先试运行 —— 默认只预览, 不改任何文件
python tools/build_poultry_metrics.py "J:/poultry/results"

# 3) 确认无误后再真正写入
python tools/build_poultry_metrics.py "J:/poultry/results" --write
bash tools/deploy.sh          # 写入后还要部署才会上线

# A) 直接用训练框架的输出目录(每个模型一个子目录)
J:\poultry\runs\detect\
├── exp_yolo26n_1ep\results.csv
└── exp_yolo26n_2ep\results.csv

# B) 自己汇总到一个文件夹，全部平铺（推荐）
J:\poultry\results\
├── exp_yolo26n_1ep_maxdet300.csv
└── exp_yolo26n_1ep_maxdet600.csv

报错速查表

新手阶段绝大多数报错都在下面这张表里，按报错关键词对号入座：

09训练产物的用途解读

一次训练会生成 20 个文件（约 20 MB）。文件名都是英文缩写，第一次看到很容易一脸茫然。 这一节把它们按「你什么时候会用到」分成三类，逐个说明用途。 下面的数字都来自本课题在 PIO 数据集上的真实运行结果，可以直接对照。

先看清文件都放在哪

训练涉及的所有文件都在下面这几个位置，先建立整体印象：

J:\poultry\
├── raw\                       ← 训练数据（images\ + labels\，共 1487 张图）
├── data.yaml                  ← 数据配置：数据在哪、有几类
├── train.py                   ← 训练脚本（顶部四个开关：轮数/批大小/进程数/模型）
├── check_dataset.py           ← 数据体检脚本（每次换数据后跑一次）
│
├── runs\detect\<运行名>\       ← ★ 完整训练产物（20 个文件，约 20 MB）
│   ├── weights\best.pt        ★ 最终要用的权重
│   ├── weights\last.pt        ★ 续训用的权重
│   ├── results.csv            逐轮指标（下面 results\ 里那份的原件）
│   └── ...另外 17 个文件
│
├── results\                   ← ★ 汇总的 results.csv（几百字节）
│   └── <运行名>.csv
│
├── datasets\coco8\            ← 框架自带示例数据（8 张图，与本研究无关，可删）
└── weights\yolo26n.pt         ← 下载的预训练权重

结果分两层存放，各有各的用途

为什么要分两层、而不是把 CSV 也留在 runs 里？三个原因：

• 可以自己挑选：训练目录里会混进框架跑官方示例留下的 run （比如在 coco8 上训的 train）， 汇总到一个文件夹就能把这类无关结果排除掉，不让它污染对比表
• 可读性好：results\ 里全是 CSV，一眼看全； 而 runs\ 里每个目录混着 20 个文件，几十次训练后就难翻了
• 文件名可控：平铺时文件名就是网站上表格里显示的模型名， 所以可以起成 exp_yolo26n_200ep_b16 这样能看出配置的名字

results.csv 里一行代表什么

这个文件每轮一行，所以跑 200 轮就是「表头 + 200 行」。 只训 1 轮时，整个文件就只有两行 —— 下面是某次真实运行的全部内容：

epoch  time    train/box_loss  train/cls_loss  metrics/precision(B)  metrics/recall(B)  metrics/mAP50(B)  metrics/mAP50-95(B)
1      37.39   2.486           3.240           0.5725                0.6916             0.6445            0.2906

逐列含义：

① 判断模型行不行

先看结果数字：results.csv

这是唯一需要抄进论文的文件。只训 1 轮的实测值：

指标的完整定义见 06 指标与名词解释。

再看图：val_batch*_pred.jpg vs _labels.jpg

这两个文件是成对的：_labels 是真值，_pred 是模型预测。 并排打开就能一眼看出漏检和误检在哪。 判断「模型到底会不会认鸡」，看这个比看数字快得多。

论文里放的那张图：BoxPR_curve.png

横轴召回率、纵轴精确率。曲线下的面积就是 AP，图上图例会直接给出数值。 本课题 1 轮的实测：

曲线的形状也有信息量：本课题这条曲线在召回率 0.5 之前精确率一直保持接近 1， 之后才快速下滑 —— 说明「有把握的框基本是对的，多报的框不可信」。

② 诊断问题出在哪

误检多还是漏检多：confusion_matrix.png

读法只有一句话：行 = 预测，列 = 真值，对角线 = 正确。本课题 1 轮的实测：

注意 63,910 + 9,949 = 73,859，正好等于验证集的标注总数 —— 这两个数可以直接用来算召回率。

部署时该用哪个置信度阈值：BoxF1_curve.png

横轴是你设的 conf 阈值，纵轴是 F1。曲线的最高点就是最优阈值。 本课题 1 轮的实测：

这个数字很说明问题：最优阈值高达 0.943，意思是「只有置信度超过 0.94 的框才可信」。 训练充分的模型这个最优值一般在 0.2~0.4 之间。 它印证了混淆矩阵的结论 —— 低分框基本都是噪声。

收敛情况：results.png

损失和指标随轮数的曲线，一张图看完训练过程。 只训 1 轮时每条曲线只有一个点，看不出任何趋势，跑到几十轮以后才有意义。 判断标准：三个损失整体下降、mAP 持续上升、验证损失没有在中途翘头（翘头就是过拟合）。

③ 辅助与过程文件（注意：不都是模型结果）

labels.jpg —— 最容易误解的一个

三个子图分别是：

本课题 PIO 数据集的实测：

• 类别 Pollo 共 253,429 个框（训练集），单类别
• 框的中心点铺满整张图，分布均匀
• 框的宽度集中在 0.025、高度在 0.03~0.05（归一化值）

train_batch0~2.jpg —— 检查数据增强

这是经过 Mosaic 拼接和颜色扰动之后、真正送进网络的样本。 用途是确认增强没把数据搞坏：框有没有跟着图像一起变换、颜色是否失真过度、 拼接处有没有出现不合理的裁切。 如果发现大量框错位，说明标签格式有问题，要回训练前排查。

args.yaml —— 实验的可复现凭证

本次训练用的全部参数（几十项）。三个用途： ① 复现实验（别人照着这份参数就能重跑）； ② 写论文方法部分（超参直接从这里抄，不用回忆）； ③ 续训（框架会读回这份参数）。 不要删，也不要用新实验覆盖旧实验的目录。

速查：我想干什么 → 看哪个文件

10资料与文件

本课题相关的原始资料与产出文件索引。

论文

本地文件位置

以下资料保存在课题工作盘 J:\研究生种鸡\ 下：