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，yolo，voc，coco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 4457
rest 休息 1476 6329
moving 活动 1516 8001
image 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

二、YOLOv11 全套代码

1. 环境安装命令

pipinstallultralytics opencv-python torch

2. 数据集配置文件chicken_behavior.yaml

path:./chicken_behavior_datasettrain:images/trainval:images/valtest:images/testnc:3names:['eat-drink','rest','moving']

3. 训练代码

fromultralyticsimportYOLOif__name__=="__main__":model=YOLO("yolov11n.pt")results=model.train(data="chicken_behavior.yaml",epochs=50,imgsz=640,batch=16,device=0,workers=4,project="chicken_detection",name="yolov11n_behavior",patience=10,augment=True,hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,fliplr=0.5,flipud=0.2,mosaic=1.0)metrics=model.val()print(f"mAP@0.5:{metrics.box.map50:.3f}")print(f"mAP@0.5-0.95:{metrics.box.map:.3f}")model.predict("test.jpg",save=True,conf=0.25)

4. 推理测试代码

fromultralyticsimportYOLO model=YOLO("best.pt")results=model.predict("test.jpg",conf=0.25,save=True)total=0forresinresults:forboxinres.boxes:total+=1cls_id=int(box.cls[0])conf=float(box.conf[0])x1,y1,x2,y2=map(int,box.xyxy[0])cls_name=model.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.model=YOLO("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:results=self.model(path,conf=0.25)self.show_result(results)defdetect_video(self):path,_=QFileDialog.getOpenFileName()ifpath:cap=cv2.VideoCapture(path)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=0.25)self.show_result(results)cv2.waitKey(1)cap.release()defdetect_camera(self):cap=cv2.VideoCapture(0)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=0.25)self.show_result(results)cv2.waitKey(1)cap.release()defshow_result(self,results):total=0forresinresults:forboxinres.boxes:total+=1cls_idx=int(box.cls[0])conf=float(box.conf[0])name=self.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__":app=QApplication(sys.argv)win=ChickenDetectUI()win.show()sys.exit(app.exec_())

三、应用场景

1. 规模化养殖场智能监控，自动统计鸡群饮食、休息、活动状态
2. 畜禽养殖健康监测，通过行为变化判断家禽生长、健康情况
3. 养殖环境优化分析，结合行为数据调整投喂、光照、通风方案
4. 无人化养殖值守，替代人工巡检，降低人力成本
5. 养殖科研实验，家禽行为学研究、养殖模式效果分析