企业官网建设流程全解析

基于 YOLO11 的规模化禽舍鸡只行为视觉监测平台：从模型到 Streamlit 全流程实战

关键词：YOLO11、智慧养殖、家禽行为识别、Streamlit、目标检测、Ultralytics

一、背景

1.1 行业痛点

中国是全球最大的肉鸡 / 蛋鸡养殖国，规模化禽舍单栋的存栏量普遍在数万只以上。在这种"高密度 + 全封闭"的养殖环境里，鸡只的行为状态是判断其健康程度、饲喂效率与福利水平的最直观指标：

1. 靠人工巡检的局限：饲养员每天最多 2~3 次巡舍，很难捕捉到"某一栏鸡进食量突然下降""某区域长时间无活跃个体"等关键异常；
2. 传统传感器精度差：靠饮水器流量、料盘称重等间接指标推算行为，存在严重的时滞与噪声；
3. 数据无法量化为生产力指标：行为数据没结构化，营养师 / 兽医也难以基于"今天进食占比 vs 站立占比"这种维度反向优化饲喂方案。

把摄像头 + AI 视觉感知接到禽舍后，用一台普通工控机就能 7×24 实时统计鸡群的进食 / 休息 / 站立比例，进而对接到饲喂控制器、环境调控器，是当前禽业数字化的标准动作。本项目就是这条路线下的一个完整落点：基于 YOLO11n，识别进食 / 休息 / 站立三类典型鸡只行为，并提供一个开箱即用的 Streamlit 可视化界面。
视频演示与源码 下载

https://www.bilibili.com/video/BV1qKaT6PE9J

包含：
📦 完整项目源码
📦 预训练模型权重
🗂️ 数据集数据集

1.2 项目运行效果

1.3 项目介绍

核心创新点：

功能概览：

• 🍚单图检测：上传禽舍画面 → 实时返回带框图 + 行为类别 / 置信度 / 坐标明细
• 📚批量检测：单次最多 200 张，输出汇总表 + 行为分布柱状图 + zip 下载
• 🎬视频检测：mp4 / avi / mov / mkv 通通可读，逐帧推理后落盘新视频
• 📷摄像头实时检测：可对接禽舍 IPC 的 RTSP 流，做实时行为感知

3 种行为类别：

技术栈：

二、设计框架

2.1 系统架构

┌──────────────────────────────────────────┐ │ Streamlit Web 前端（单页 SPA） │ │ · 养殖控制台 / 单图 / 批量 / 视频 / 摄像头 │ │ · 侧栏 · 阈值 · 行为类别图鉴 · 模型缓存 │ └────────────────────┬─────────────────────┘ │ Python 调用 ▼ ┌──────────────────────────────────────────┐ │ 推理服务层（infer_image_path 等） │ │ · bytes / Path / frame → tensor │ │ · 推理结果 → 标注图 + DataFrame │ └────────────────────┬─────────────────────┘ │ ▼ ┌──────────────────────────────────────────┐ │ YOLO11n 推理引擎（model/best.pt） │ │ Backbone (C2f+SPPF) → Neck (FPN/PAN) │ │ → Decoupled Head（DFL + cls） │ └──────────────────────────────────────────┘ │ ▼ （可对接：饲喂控制器 / 环境调控器 / 健康预警）

2.2 YOLO11 网络结构

输入 640×640×3 │ ▼ [Backbone] Conv → C2f → Conv → C2f → Conv → C2f → Conv → C2f → SPPF 多尺度卷积 + 跨阶段特征融合，对密集小目标更稳 │ ▼ [Neck] FPN 上采样 + PAN 下采样：P3 / P4 / P5 三级金字塔 密集小鸡 → P3 层；大鸡 / 近景 → P4/P5 │ ▼ [Head] Decoupled Head（cls 头 / reg 头解耦） 回归头采用 DFL（Distribution Focal Loss） Anchor-Free，输出 (cx, cy, w, h, cls × 3) │ ▼ [NMS] iou=0.7, conf=0.30 → 最终检测框

2.3 检测流程

禽舍摄像头帧 / 单张图片 │ ▼ Letterbox 640×640 + RGB │ ▼ YOLO11n forward │ ▼ Detect Head 输出 (cls × 3) │ ▼ conf 过滤 + NMS │ ▼ result.plot() 画框 + "进食/休息/站立" │ ▼ Streamlit 双列展示 + DataFrame + 行为分布柱状图 │ ▼ （可扩展：行为占比时间序列 → 饲喂 / 环境调控）

三、代码结构（核心 50 行 + 解析）

项目目录：

鸡行为检测/ ├── app/streamlit_app.py # Web 入口 ├── configs/project.yaml # 行业话术 / UI / 训练 / 推理参数 ├── model/best.pt # 训练好的 YOLO11n 权重 ├── scripts/ # train / validate / export 等 ├── data/dataset/ # 训练 / 验证 / 测试集 └── 鸡行为检测/ # 原始数据集（含 train / valid / test 切分）

最核心的 50 行——模型加载 + 单图推理 + Streamlit 单图 Tab：

# === 1. 模型加载（带 streamlit 资源缓存，避免每次刷新重载）=============@st.cache_resource(show_spinner=False)defload_model(model_path:str)->YOLO:returnYOLO(model_path)# === 2. 单图推理：路径 → 标注图 + 检测明细 DataFrame ===================definfer_image_path(model:YOLO,image_path:Path,conf:float):result=model.predict(str(image_path),conf=conf,verbose=False)[0]annotated=result.plot()# BGR ndarray，已画框rows=[]ifresult.boxesisnotNone:forboxinresult.boxes:cls_id=int(box.cls.item())x1,y1,x2,y2=[float(v)forvinbox.xyxy[0].tolist()]rows.append({"class_id":cls_id,"class_name":result.names[cls_id],# "进食" / "休息" / "站立""confidence":round(float(box.conf.item()),4),"x1":round(x1,1),"y1":round(y1,1),"x2":round(x2,1),"y2":round(y2,1),})# BGR → RGB 给 Streamlit；rows 转 DataFrame 给表格组件returnannotated[:,:,::-1],pd.DataFrame(rows)# === 3. bytes → 临时文件 → 复用同一函数 ================================defrun_image_inference(model:YOLO,image_bytes:bytes,conf:float,suffix=".jpg"):withtempfile.NamedTemporaryFile(delete=False,suffix=suffix)asf:f.write(image_bytes);tmp=Path(f.name)try:returninfer_image_path(model,tmp,conf)finally:tmp.unlink(missing_ok=True)# === 4. Streamlit 单图 Tab：上传 → 推理 → 双列展示 =====================model=load_model(str(MODEL_PATH))uploaded=st.file_uploader("上传鸡舍画面",type=IMAGE_UPLOAD_TYPES)conf=st.sidebar.slider("置信度阈值",0.05,0.95,DEFAULT_CONF,0.01)ifuploadedisnotNone:annotated,df=run_image_inference(model,uploaded.getvalue(),conf,suffix=Path(uploaded.name).suffix)col1,col2=st.columns(2)col1.image(uploaded,caption="原图")col2.image(annotated,caption="检测结果（带行为标签）")st.dataframe(detections_to_display(df))render_detection_analysis(df)

5 段解析：

1. @st.cache_resource把YOLO(model_path)的耗时锁在第一次访问，对 7×24 长时间运行的禽舍监控场景尤其重要——一次启动一直跑。
2. result.plot()直接返回带颜色框 + 行为类别 + 置信度的BGR ndarray，3 种行为对应 3 种颜色（呼应 UI 配置里的behaviors段），即使一张图上有几十只鸡也能一眼分清谁在干嘛。
3. 把每个box的cls / conf / xyxy拍成dict，再拼成DataFrame——后续表格、CSV 下载、行为占比柱状图、长时间维度趋势全部复用同一份结构。
4. run_image_inference走临时文件而非 numpy 数组，是为了让 Ultralytics 内部的 EXIF / orientation 处理逻辑生效，对禽舍顶装 / 侧装摄像头不同朝向都更稳。
5. Streamlit 的cache_resource + file_uploader + dataframe组合，让一个产品级行为监测页面只需 11 行代码——这就是 Streamlit 在养殖 AI 场景能快速出活的核心原因。

四、训练效果

模型在自建的鸡只行为数据集上训练 200 epoch（YOLO11n、640 输入、batch 16），最优一轮指标如下：

从训练曲线看，box / cls / dfl 三路 loss 在前 50 epoch 快速收敛，之后稳步下降；mAP@0.5 在第 100 epoch 后突破 0.95，最终稳定在 0.96 左右；归一化混淆矩阵中"进食 / 休息 / 站立"三类对角线均在 0.9 以上，仅"休息"与"站立"在小部分边界姿态（趴卧但抬头）上存在轻微互混，这与人类肉眼判断的混淆模式一致。

值得一提的是mAP@0.5:0.95 高达 0.915——这意味着即使在严格 IoU 阈值下，模型对鸡只检测框中心位置的回归依然非常稳定，能够支撑后续基于位置的统计分析（如"站立鸡只在采食槽方向的密集程度"）。

五、项目总结

做对了什么：

• 把"鸡只检测 + 行为分类"合并成一个 3 类检测任务，避免了"先检测目标再分类行为"的两阶段管线，整体延迟降低、部署更简单；
• 选择 YOLO11n 而非更大的 v8s/v8m，模型 6 MB、CPU 单图 80 ms 内完成推理，可在禽舍边缘工控机离线运行，不依赖云端；
• 用一份project.yaml把"行业话术 / UI 主题色 / 训练超参 / 推理阈值 / 行为定义"全部收口，迁移到鸭、鹅、猪等其他畜禽的行为监测只需替换数据集与重新训练。

还能怎么做：

• 接入 ByteTrack 多目标跟踪，让每只鸡获得稳定 ID，从"群体行为占比"升级为"个体行为时长统计"；
• 把行为占比时间序列对接饲喂控制器，实现"休息比例突然升高 → 自动降低料量"的反馈闭环；
• 异常预警：当"站立 + 进食"占比连续 N 分钟低于阈值时，主动推送饲养员复核——这是当前畜禽福利监测最有商业价值的方向之一。