随着智慧农业的快速发展，利用先进的技术手段对牲畜的行为进行自动化监测和管理，已经成为现代农业中的重要研究方向之一。在传统的农业管理模式中，牲畜的行为监测通常依赖于人工观测，耗时耗力且难以实现大规模实时监控。然而，随着物联网、人工智能和深度学习等技术的成熟，利用智能化手段对牲畜进行行为检测和管理成为可能。本文重点研究并实现了一种基于YOLOV8深度学习模型的山羊行为检测系统，该系统为智慧农业中的山羊养殖提供了一种高效、智能的解决方案。

该系统利用目标检测技术，能够自动识别山羊在图像或视频流中的行为状态，主要包括站立和躺下两种典型行为。通过大量的训练数据，系统学习并提取山羊行为的特征，从而在实际应用中能够准确识别山羊的行为状态。系统的核心模型是YOLOV8，这是一种最新的深度学习目标检测算法，具有高效的特征提取能力和实时检测性能。与传统的目标检测算法相比，YOLOV8不仅在检测精度上有显著提升，同时在检测速度上也有明显优势，能够在低延迟的条件下实现对目标的实时跟踪与识别。

在系统的开发过程中，本文构建了一个包含大量山羊行为图像的数据集，用于模型的训练和测试。通过数据增强和标签标注等技术，进一步提升了模型的鲁棒性和泛化能力。实验结果表明，本文提出的山羊行为检测系统在目标检测精度、召回率和处理速度等方面均表现出色。在实验环境中，系统在检测山羊站立和躺下行为的过程中，平均精度（mAP）达到了较高水平，且系统能够在每秒处理多帧图像，满足了实时监测的需求。

除了高精度的检测能力，该系统还具有良好的扩展性和实用性。它不仅可以应用于山羊的行为监测，还能够通过进一步训练，扩展到其他牲畜种类或更多的行为类别，具有广泛的应用前景。通过实时监测山羊的行为状态，系统可以帮助养殖者及时发现异常行为，如长时间躺卧或不正常的活动，从而提高对牲畜健康和生活环境的管理效率。此外，系统生成的行为数据可以与农业物联网系统集成，为智能农业平台提供有价值的数据支持。

本文研究并实现的基于YOLOV8的山羊行为检测系统，为智慧农业领域提供了一种新的自动化监测工具。通过高效的目标检测算法和深度学习技术，系统能够实时、准确地检测山羊的行为状态，提升了养殖管理的自动化水平，并具有广泛的应用价值。未来，随着更多先进技术的引入和数据集的进一步扩展，该系统有望在更多农业场景中得到推广应用，为现代农业的发展提供更强大的技术支撑。

算法流程

项目数据

通过搜集关于数据集为各种各样的骨折相关图像，并使用Labelimg标注工具对每张图片进行标注，分2个检测类别，分别是standing表示”站立”，lying表示”躺卧”。

目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

结束后，在cmd中输入labelimg

初识labelimg

打开后，我们自己设置一下

在View中勾选Auto Save mode

接下来我们打开需要标注的图片文件夹

并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。

Labelimg的快捷键

（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。

data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）

首先在images这个文件夹放置待标注的图片。
生成文件如下:

“classes.txt”定义了你的 YOLO 标签所引用的类名列表。

（4）YOLO模式创建标签的样式

存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；
–x_center和y_center代表标注框的相对中心坐标；
–xwidth和height代表标注框的相对宽和高。

注意：这里的中心点坐标、宽和高都是相对数据！！！

存放标签类别的文件的文件名为classes.txt (固定不变)，用于存放创建的标签类别。

完成后可进行后续的yolo训练方面的操作。

模型训练

模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一个SOTA模型，它建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数，可在CPU到GPU的多种硬件平台上运行。

YOLOv8是Yolo系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了Yolov5、Yolov6、YoloX等模型的设计优点，在全面提升改进Yolov5模型结构的基础上实现，同时保持了Yolov5工程化简洁易用的优势。

Yolov8模型网络结构图如下图所示：

2.数据集准备与训练

本研究使用了包含各种山羊行为相关图像的数据集，并通过Labelimg标注工具对每张图像中的目标边框（Bounding Box）及其类别进行标注。然后主要基于YOLOv8n这种模型进行模型的训练，训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致，包括：数据集准备、模型训练、模型评估。本次标注的目标类别为站立和躺卧，数据集中共计包含416张图像，其中训练集占332张，验证集占84张。部分图像如下图所示：

部分标注如下图所示：

图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入datasets目录下。

接着需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。
data.yaml的具体内容如下：

train: E:/GoatPoseDetection_v8/datasets/images/train 训练集的路径
val: E:/GoatPoseDetection_v8/datasets/images/val 验证集的路径
#test: E:/GoatPoseDetection_v8/datasets/images/test 测试集的路径

nc: 2 模型检测的类别数，共有2个类别。
names: [‘standing’,’lying’]

这个文件定义了用于模型训练和验证的数据集路径，以及模型将要检测的目标类别。

数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小(根据内存大小调整，最小为1)。

CPU/GPU训练代码如下：

加载名为 yolov8n.pt 的预训练YOLOv8模型，yolov8n.pt是预先训练好的模型文件。
使用YOLO模型进行训练，主要参数说明如下：
（1）data=data_yaml_path: 指定了用于训练的数据集配置文件。
（2）epochs=150: 设定训练的轮数为150轮。
（3）batch=4: 指定了每个批次的样本数量为4。
（4）optimizer=’SGD’):SGD 优化器。
（7）name=’train_v8′: 指定了此次训练的命名标签，用于区分不同的训练实验。

3.训练结果评估

在深度学习的过程中，我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练，主要涉及三类损失：定位损失（box_loss）、分类损失（cls_loss）以及动态特征损失（dfl_loss）。训练完成后，相关的训练过程和结果文件会保存在 runs/ 目录下，具体如下：

各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。

训练结果如下：

这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势，具体如下：

train/box_loss：
（1）这是模型在训练过程中计算的边界框损失（Bounding Box Loss）。
（2）随着训练的进行，边界框损失逐渐减小，表明模型越来越精确地定位目标。

train/cls_loss：
（1）这是分类损失（Classification Loss），表示模型在预测类别时的误差。
（2）分类损失也随着训练下降，表明模型在目标类别分类上逐步提高了准确性。

train/dfl_loss：
（1）这是分布焦点损失（Distribution Focal Loss），用来优化边界框的定位。
（2）DFL损失也在逐渐减小，这个损失与边界框预测的回归精度有关。

metrics/precision(B)：
（1）训练过程中精确率（Precision）的变化。
（2）精度（precision）反映模型预测的正例中有多少是实际的正例，趋势上精度有所提升。

metrics/recall(B)：
（1）召回率（Recall）的变化。
（2）召回率（recall）逐渐增加，表明模型检测到的目标逐渐增多。

val/box_loss：
（1）验证集上的边界框损失。
（2）验证集的边界框损失在下降，表明模型不仅在训练集上收敛，在验证集上也有较好的泛化能力。

val/cls_loss：
（1）验证集上的分类损失。
（2）分类损失下降，验证集上的分类性能也在提高。

val/dfl_loss：
（1）验证集上的分布焦点损失。
（2）同样，DFL损失下降，说明模型在边界框预测方面表现得更好。

metrics/mAP50(B)：
（1）mAP50表示在IoU阈值为0.5时的平均精度（Mean Average Precision）。
（2）验证集的mAP@0.5在上升，表示模型的目标检测性能持续提升。

metrics/mAP50-95(B)：
（1）mAP50-95表示在IoU阈值从0.5到0.95的平均精度。
（2）验证集的mAP@0.5-0.95也在上升，表明模型在多种IoU阈值下都有较好的检测效果。

这些图表反映了您的YOLOv8模型在训练和验证集上的逐步改进。损失函数的减少和mAP的提高表明模型正在有效地学习，检测性能不断优化。

这张图展示的是 Precision-Recall 曲线，用于评估模型在不同类别下的检测性能。以下是详细解释：

Precision-Recall 曲线的含义：
（1）Precision（精度）：表示模型预测为正类的样本中，有多少是真正的正类样本。
（2）Recall（召回率）：表示所有正类样本中，有多少被模型正确检测出来。
（3）Precision-Recall 曲线：随着模型预测阈值的变化，精度和召回率的关系也随之变化。理想情况下，精度和召回率都应该接近1。

不同类别的曲线：
（1）蓝色实线：表示所有类别的综合性能，mAP@0.5为0.812，表明在IoU阈值为0.5时，模型的平均精度为81.2%。
（2）浅蓝色线条：代表standing（站立）的检测结果，mAP为0.864。曲线更接近图的右上角，说明对于站立类别，模型的检测效果更好。
（3）橙色线条：代表lying（躺下）的检测结果，mAP为0.761，曲线稍微偏离右上角，说明模型在躺下目标的检测上稍弱一些。

总体评价：
（1）站立（standing）：精度和召回率都比较高，表现优于躺下类别。
（2）躺下（lying）：虽然精度和召回率略低于站立类别，但整体表现仍然较好。
（3）综合表现：mAP@0.5为0.812，说明模型总体上在两类目标上都有不错的检测性能。

这张PR曲线显示了模型在不同目标类别上的检测性能。曲线越接近右上角，表示模型在该类别上的性能越好。从图中可以看出，模型对站立目标的检测效果要优于躺下目标，不过总体检测性能相当不错。

4.检测结果识别

模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。
imgTest.py 图片检测代码如下：

加载所需库：
（1）from ultralytics import YOLO：导入YOLO模型类，用于进行目标检测。
（2）import cv2：导入OpenCV库，用于图像处理和显示。

加载模型路径和图片路径：
（1）path = ‘models/best.pt’：指定预训练模型的路径，这个模型将用于目标检测任务。
（2）img_path = “TestFiles/imagetest.jpg”：指定需要进行检测的图片文件的路径。

加载预训练模型：
（1）model = YOLO(path, task=’detect’)：使用指定路径加载YOLO模型，并指定检测任务为目标检测 (detect)。
（2）通过 conf 参数设置目标检测的置信度阈值，通过 iou 参数设置非极大值抑制（NMS）的交并比（IoU）阈值。

检测图片：
（1）results = model(img_path)：对指定的图片执行目标检测，results 包含检测结果。

显示检测结果：
（1）res = results[0].plot()：将检测到的结果绘制在图片上。
（2）cv2.imshow(“YOLOv8 Detection”, res)：使用OpenCV显示检测后的图片，窗口标题为“YOLOv8 Detection”。
（3）cv2.waitKey(0)：等待用户按键关闭显示窗口

此代码的功能是加载一个预训练的YOLOv8模型，对指定的图片进行目标检测，并将检测结果显示出来。

执行imgTest.py代码后，会将执行的结果直接标注在图片上，结果如下：

这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果，具体内容如下：

图像信息：
（1）处理的图像路径为：TestFiles/imagetest.jpg。
（2）图像尺寸为 448×640 像素。

检测结果：
（1）模型检测到图片中有1个站立的山羊 (standing)。
（2）每张图片的推理时间4.0毫秒。

处理速度：
（1）4.0ms preprocess：预处理时间。
（2）41.2ms inference：推理时间。
（3）57.1ms postprocess：后处理时间。

显示了YOLOv8模型成功地检测到了一张测试图像中的一个站立的山羊，检测速度较快，且结果已保存到指定的文件夹中。

运行效果

– 运行 MainProgram.py

1.主要功能：
（1）可用于实时检测目标图片中的骨折;
（2）支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
（3）界面可实时显示目标位置、目标总数、置信度、用时等信息;
（4）支持图片或者视频的检测结果保存。

2.检测结果说明：

这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释：

用时（Time taken）:
（1）这表示模型完成检测所用的时间为0.014秒。
（2）这显示了模型的实时性，检测速度非常快。

目标数目（Number of objects detected）:
（1）检测到的目标数目为2，表示这是当前检测到的第1目标。

目标选择(下拉菜单)：全部:
（1）这里有一个下拉菜单，用户可以选择要查看的目标类型。
（2）在当前情况下，选择的是“全部”，意味着显示所有检测到的目标信息。

类型（Type）:
（1）当前选中的类型为 “站立”，表示系统正在高亮显示检测到的“standing”。

置信度（Confidence）:
（1）这表示模型对检测到的目标属于“站立”类别的置信度为96.85%。
（2）置信度反映了模型的信心，置信度越高，模型对这个检测结果越有信心。

目标位置（Object location）:
（1）xmin: 158, ymin: 29：目标的左上角的坐标(xmin, ymin)，表示目标区域在图像中的位置。
（2）xmax: 244, ymax: 295：目标的右下角的坐标(xmax, ymax)，表示目标区域的边界。

这张图表明了一个系统对图像中的目标进行了检测，检测到了两个目标，并且对其中一个目标“站立”的识别置信度较高。

3.图片检测说明

(1)躺卧

(2)站立

点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹。
操作演示如下：
（1）点击目标下拉框后，可以选定指定目标的结果信息进行显示。
（2）点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下。

检测结果：系统识别出图片中的站立，并显示检测结果，包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。

4.视频检测说明

点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。

检测结果：系统对视频进行实时分析，检测到站立并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。

这个界面展示了系统对视频帧中的多目标检测能力，能够准确识别站立，并提供详细的检测结果和置信度评分。

5.摄像头检测说明

点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。

检测结果：系统连接摄像头进行实时分析，检测到站立并显示检测结果。实时显示摄像头画面，并将检测到的行为位置标注在图像上，表格下方记录了每一帧中检测结果的详细信息。

6.保存图片与视频检测说明

点击保存按钮后，会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。
检测的图片与视频结果会存储在save_data目录下。
保存的检测结果文件如下：

图片文件保存的csv文件内容如下，包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注：其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。

（1）图片保存

（2）视频保存

– 运行 train.py
1.训练参数设置

（1）data=data_yaml_path: 使用data.yaml中定义的数据集。
（2）epochs=150: 训练的轮数设置为150轮。
（3）batch=4: 每个批次的图像数量为4（批次大小）。
（4）name=’train_v8′: 训练结果将保存到以train_v8为名字的目录中。
（5）optimizer=’SGD’: 使用随机梯度下降法(SGD)作为优化器。

虽然在大多数深度学习任务中，GPU通常会提供更快的训练速度。
但在某些情况下，可能由于硬件限制或其他原因，用户需要在CPU上进行训练。

温馨提示：在CPU上训练深度学习模型通常会比在GPU上慢得多，尤其是像YOLOv8这样的计算密集型模型。除非特定需要，通常建议在GPU上进行训练以节省时间。

2.训练日志结果

这张图展示了使用YOLOv8进行模型训练的详细过程和结果。

训练总时长：
（1）模型在训练了150轮后，总共耗时0.310小时。

R (召回率, Recall)：
（1）all: 0.738，表示所有目标的召回率为73.8%，意味着实际存在的目标中，73.8%的目标被成功检测到。
（2）standing: 0.798，站立目标的召回率为79.8%。
（3）lying: 0.678，躺下目标的召回率为67.8%。

mAP50 (平均精度 @ IoU=50%)：
（1）all: 0.812，表示在IoU=0.5的阈值下，所有目标的平均精度为81.2%。
（2）standing: 0.864，站立目标的平均精度为86.4%。
（3）lying: 0.761，躺下目标的平均精度为76.1%。

mAP50-95 (平均精度 @ IoU=50%-95%)：
（1）all: 0.652，表示在IoU=0.5到0.95多个阈值下，所有目标的平均精度为65.2%。
（2）standing: 0.717，站立目标的mAP50-95为71.7%。
（3）lying: 0.587，躺下目标的mAP50-95为58.7%。

推理速度：
（1）模型推理速度为17.62帧每秒，处理速度非常快，适用于实时检测。

结果保存：
（1）Results saved to runs\detect\train_v8：验证结果保存在 runs\detect\train_v8 目录下。

完成信息：
（1）Process finished with exit code 0：表示整个验证过程顺利完成，没有报错。

该模型在站立目标的检测精度和召回率较高，而躺下目标的召回率略低一些，但整体性能表现良好，尤其是精度和速度方面。这些结果表明模型能够很好地检测目标，适合应用于实际场景中的目标检测任务。