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yolovoccoco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 4457rest 休息 1476 6329moving 活动 1516 8001image 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.yamlpath:./chicken_behavior_datasettrain:images/trainval:images/valtest:images/testnc:3names:[eat-drink,rest,moving]3. 训练代码fromultralyticsimportYOLOif__name____main__:modelYOLO(yolov11n.pt)resultsmodel.train(datachicken_behavior.yaml,epochs50,imgsz640,batch16,device0,workers4,projectchicken_detection,nameyolov11n_behavior,patience10,augmentTrue,hsv_h0.015,hsv_s0.7,hsv_v0.4,fliplr0.5,flipud0.2,mosaic1.0)metricsmodel.val()print(fmAP0.5:{metrics.box.map50:.3f})print(fmAP0.5-0.95:{metrics.box.map:.3f})model.predict(test.jpg,saveTrue,conf0.25)4. 推理测试代码fromultralyticsimportYOLO modelYOLO(best.pt)resultsmodel.predict(test.jpg,conf0.25,saveTrue)total0forresinresults:forboxinres.boxes:total1cls_idint(box.cls[0])conffloat(box.conf[0])x1,y1,x2,y2map(int,box.xyxy[0])cls_namemodel.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.modelYOLO(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:resultsself.model(path,conf0.25)self.show_result(results)defdetect_video(self):path,_QFileDialog.getOpenFileName()ifpath:capcv2.VideoCapture(path)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsself.model(frame,conf0.25)self.show_result(results)cv2.waitKey(1)cap.release()defdetect_camera(self):capcv2.VideoCapture(0)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsself.model(frame,conf0.25)self.show_result(results)cv2.waitKey(1)cap.release()defshow_result(self,results):total0forresinresults:forboxinres.boxes:total1cls_idxint(box.cls[0])conffloat(box.conf[0])nameself.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__:appQApplication(sys.argv)winChickenDetectUI()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