尧图网站建设 
简介本资源是面向计算机视觉初学者与科研人员的热带雨林灵长类动物目标检测专用数据集聚焦秃头僧面猴、披毛吼猴、赤猴、松鼠猴四类濒危物种识别任务适用于YOLOv5至YOLOv11等主流YOLO系列算法的模型训练与性能验证可支撑生态保护AI应用开发、小样本检测研究及课程实验设计。压缩包共1810个文件含600张高质量JPG图像、600份YOLO格式.txt与VOC格式.xml双标注文件、1份预配置data.yaml及1份说明文档.docx结构规范、开箱即用总大小86.5MB。目前已有13人学习下载资源已按标准划分train/val集并提供完整目录组织与标签映射说明便于快速接入训练流程、对比多版本YOLO性能差异或作为细粒度灵长类识别任务的基准测试集。 把YOLO这种目标检测算法扔进热带雨林去追踪一群猴子画风跟常规的车辆行人检测完全不一样。我最近刚好在整理一套灵长类动物目标检测数据集——600张热带雨林场景实拍图像标注了秃头僧面猴、披毛吼猴、赤猴、松鼠猴四个类别格式直接对齐YOLO训练需求。这篇文章就把这套数据集背后的制作思路、标注规范、训练调优和踩坑经验完整捋一遍给做野生动物目标检测、生态监测或者刚接触YOLO数据集的同学一个可以直接参考的实操样本。这套数据集的特殊之处在于目标不是常见的车辆行人而是四类灵长类动物。热带雨林的环境复杂度远高于普通监控场景树叶遮挡、光线骤变、动物毛色与背景高度接近这些都会在数据集构建和模型训练阶段引发连锁问题。所以这篇博文不只讲“怎么标”更会讲“为什么这么标”“训练时参数为什么这么设”把项目从零到一的整个决策过程拆开讲清楚。1. 项目背景与设计思路1.1 为什么做一套灵长类目标检测数据集野生动物保护和行为学研究里统计一个区域里猴群的数量、活动范围、种群结构是特别高频的需求。传统做法是研究人员扛着望远镜去样线数猴子人累不说数据还带很强的主观性。后来相机陷阱普及了一张SD卡里能存几千张触发照片但人工筛选这些照片又成了新瓶颈。于是目标检测模型成了刚需——用模型自动识别照片里的动物个体再统计出现频次和活动时间。我这次选择四类灵长类是考虑到物种形态差异带来的检测难度梯度。秃头僧面猴的识别关键是脸部红色无毛区域披毛吼猴浑身黑色长毛且体型较大赤猴是红棕色毛、经常在地面活动松鼠猴体型小、面部有黑白花纹。这四类目标分别代表了不同体量、不同颜色通道、不同活动高度用来验证检测模型很有代表性。另一个现实原因是现有公开数据集里灵长类的覆盖很少。像COCO虽然有一些动物类别但基本是猫狗鸟这类常见宠物和园养动物真正贴近野外实拍场景的灵长类数据少得可怜。即便有也多是单一物种。所以做一套多类别、野外实拍、带完整标注的灵长类数据集不光是这个项目要用后续做生态监测的人也能复用。1.2 为什么选YOLO而不是Faster R-CNN或SSD目标检测算法可选范围其实不小两阶段的有Faster R-CNN一阶段的有YOLO、SSD、EfficientDet。我最终选YOLO核心原因是三个维度第一是推理速度。野外部署往往需要跑在边缘设备上比如树上的太阳能边缘计算盒、无人机机载终端。这些设备算力有限Faster R-CNN这类两阶段方法在同等硬件上的帧率很难看而YOLO轻量版本在Jetson Nano这类板子上还能跑到10到15帧实用性完全不同。第二是训练效率。数据集只有600张数据量不算大。YOLO的端到端单阶段结构配合预训练权重迁移在小数据集上的收敛速度明显好于两阶段方法。实测跑200轮YOLOv8s在GTX 3060上大概2到3小时能跑完换Faster R-CNN要翻倍不止。第三是社区生态。YOLO的工程化程度很高Ultralytics框架已经把数据增强、训练、验证、导出集成在一起做一个训练配置就能跑通全流程。这对搞生态研究、不一定有深厚深度学习背景的团队来说很友好。当然YOLO不是没有短板。小目标检测一直是它的相对弱项而猴子特别是松鼠猴在远距离拍摄时占的画面比例非常小。这个短板在后面通过数据增强加SAHI切片推理做了针对性弥补后面会详细说。1.3 600张图对四分类任务来说够不够600张图、四个类别平均每类150张。坦白讲这个规模在深度学习里属于“小数据集”直接从头训练一个深层网络几乎必挂但配合迁移学习和数据增强是有机会训练出可用的检测模型的。为什么小数据集在这里还能搏一把因为迁移学习。拿在COCO上预训练好的YOLO权重作为初始参数模型已经学到了边缘、纹理、形状这些底层视觉特征我们只需要在灵长类数据上微调高层语义部分。预训练权重相当于一个已经认识世界的“成年人”你只需要教他区分几种猴子而不是从婴儿开始教他看东西。另外600张图像如果标注质量高、目标分布均匀实际效果会比1200张标注马虎的数据更好。数据标注领域有句话叫“垃圾进垃圾出”在小数据集上尤其成立。所以我在标注阶段投入了大量时间下面专门用一节来讲标注细节。2. 数据集制作与标注细节2.1 图像采集与初筛标准图像来源主要是三个渠道研究团队在保护区布设的相机陷阱、无人机低空巡飞拍摄、以及人工手持设备跟踪拍摄。三种渠道覆盖了不同视角——相机陷阱贴近地面、无人机是俯视、人工拍摄是中近距离平视这样能保证模型看到的目标尺度多样化。原始素材远不止600张大概采集了3000多张初筛时砍掉了一大半。淘汰标准有四个硬性条件第一是模糊图直接淘汰。猴子动作快特别是松鼠猴和赤猴跳跃摆动频繁很多帧都有运动模糊这类图强行标注只会教模型学到错误特征。第二是目标过小的图淘汰。如果一只松鼠猴在640×640画幅中的高度小于15像素标注出来的框基本是猜的对训练没有正面帮助。第三是严重遮挡的图淘汰目标是整个身体被遮挡超过70%的无法确认类别留着只会制造标注噪声。第四是真实类别有疑问的淘汰比如远处拍到一只猴但无法确认是披毛吼猴还是其它黑色猴类这种情况宁可不标。最后保留600张。这个数字不是随手定的而是我在小规模预试验时发现约600张带高质量标注的数据配合YOLOv8s预训练权重已经能让mAP0.5达到65%左右再增加数据边际收益递减反而标注成本上升明显。所以在数据量和标注成本之间取了这个平衡点。2.2 标注工具与格式转换流程标注工具我用了两个分阶段使用。初步框选用LabelImg它的操作逻辑简单界面直观适合快速拉框。但是LabelImg对大型数据集的目录管理和多人协作支持不好所以标注到一半我换成了CVAT主要看中它的云端标注、多人分配和自动保存功能。不管用哪个工具最终都要转换成YOLO格式。YOLO的标注格式是每个图像对应一个同名txt文件每一行表示一个目标class_id x_center y_center width height其中坐标值是归一化到0到1之间的浮点数。拿一张640×480的图像举例如果一个秃头僧面猴的真实边界框左上角坐标是(160, 120)右下角是(320, 240)那对应的YOLO格式就是0 0.375 0.375 0.25 0.25计算过程是x_center(160320)/2/6400.375y_center(120240)/2/4800.375width(320-160)/6400.25height(240-120)/4800.25。这一步是基础中的基础但经常有人搞混导致训练时报维度错误。从CVAT导出时可以直接导出YOLO格式但LabelImg默认导出的是Pascal VOC的XML格式需要写个脚本转换。我用Python简单处理了一下import os import xml.etree.ElementTree as ET def convert_voc_to_yolo(xml_path, out_dir, class_list): tree ET.parse(xml_path) root tree.getroot() img_name root.find(filename).text img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) yolo_path os.path.join(out_dir, img_name.replace(.jpg, .txt)) with open(yolo_path, w) as f: for obj in root.iter(object): cls_name obj.find(name).text cls_id class_list.index(cls_name) xmin int(obj.find(bndbox/xmin).text) ymin int(obj.find(bndbox/ymin).text) xmax int(obj.find(bndbox/xmax).text) ymax int(obj.find(bndbox/ymax).text) x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h width (xmax - xmin) / img_w height (ymax - ymin) / img_h f.write(f{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n) class_list [bald_saki_monkey, mantled_howler_monkey, patas_monkey, squirrel_monkey] convert_voc_to_yolo(annotation.xml, labels, class_list)注意转换脚本里最容易坑人的是路径匹配。YOLO训练时是按图片路径找对应txt的txt文件名必须和图片名完全一致包括无扩展名的部分。2.3 四类灵长类的标注难点与规范标注这件事看起来是体力活实际上需要非常清晰的规范。四类猴子的特征差异明显但野外环境下特征会被光线、角度和遮挡大幅削弱这就需要在标注前制定统一的边界框规则。我的规则是尽量框“完整可见的动物主体”包括躯干、四肢和头部不把尾巴强行算进框内。为啥不把尾巴算进去因为尾巴细长且经常摆动框住尾巴会引入大比例的背景像素拉低模型定位精度。有些做法是把尾巴也算进去但这种框内噪声在热带雨林这个场景里会显著拖累loss收敛。第二条规定是如果出现了“多只同类动物紧密挨在一起”的情况目标间的边界不够清晰就为每一只可见个体单独画框。如果两只个体重叠太严重比如一只松鼠猴趴在另一只身上导致边界无法分辨此时可以合并成一个框但要避免只框一只而漏掉另一只因为漏标会被当成阴性样本给训练带来错误梯度。第三条规定是针对披毛吼猴的。这种猴子毛色黑、树冠背景深绿边界对比度很低。标注时不要只框身体主体要适当向外扩展5%到10%的边界让框内包含一点背景轮廓帮助模型锁定目标的整体轮廓。这是我从实际结果中试出来的——太贴身的框反而会让模型分不清目标在哪里。再补充一点类别判断的经验。秃头僧面猴在图像里最明显的标志是红色面部这个红色在雨林背景里非常跳标注时即使只看到半张脸也能判类。披毛吼猴的判类要点是蓬松黑色长毛和粗壮身体但黑色在逆光下容易跟其他深色猴子混淆需要结合体型判断。赤猴特征是土红色毛色且多见在地面或低矮灌木活动行为模式可以辅助判类。松鼠猴是四个里面体型最小的面部黑白配色加一条比身体还长的黑尾在画面里往往只有头部清晰标注时宁可框小一点也要框住头部特征这对分类最有帮助。3. YOLO训练实操过程3.1 环境配置与数据划分训练基于Ultralytics YOLOv8环境配置其实很省事只要Python 3.9以上、PyTorch 2.0以上、CUDA可用即可。我用的版本组合是Python 3.10 PyTorch 2.1.0 CUDA 11.8GPU是RTX 3060 12G这个配置跑YOLOv8s绰绰有余。安装只需要一行命令pip install ultralytics数据集的目录结构建议严格按YOLO约定来组织primate-dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── primate.yaml划分比例我用了480:80:40train占80%val占13%出头test占不到7%。可能有人说测试集太少但项目更看重的不是刷点而是验证模型的野外可用性所以我把测试集单独留了一部分完全没参与训练调参的图像用于最后的模拟考核。数据集配置文件核心内容如下path: ./primate-dataset train: images/train val: images/val test: images/test nc: 4 names: 0: bald_saki_monkey 1: mantled_howler_monkey 2: patas_monkey 3: squirrel_monkey这里要提醒一句类别ID顺序一旦确定就不要改。如果训练到一半发现类别顺序乱了再去动标注文件几乎等于重训。3.2 训练参数设置与调优我的训练脚本是在Ultralytics默认参数基础上做小幅改动的训练入口其实一段参数就说完from ultralytics import YOLO model YOLO(yolov8s.pt) results model.train( dataprimate.yaml, epochs200, imgsz640, batch16, lr00.01, optimizerSGD, patience30, hsv_h0.015, hsv_s0.7, hsv_v0.4, flipud0.1, scale0.5, translate0.2, mosaic1.0, )这里几个参数是有讲究的。lr0设为0.01是因为小数据集下学习率过大容易直接把预训练权重洗坏SGD优化器虽然收敛慢但泛化能力在数据量少时优于AdamW。patience设为30意思是连续30轮验证集mAP没有提升就提前停止这能节省大量等待时间。hsv_v设到0.4有几个原因热带雨林的光照变化极端树冠下的暗光、透过叶隙的强光斑都要求模型对亮度变化有抗性。实际训练时验证集mAP开始随增强强度提升但当hsv_v超过0.5后反而下降说明增强过度导致颜色分布失真。所以0.4是一个我在准确率和泛化之间折中的值。flipud也就是随机上下翻转设为0.1没有用默认的0.5。原因是相机陷阱的视角基本都是平视或俯视猴子不太可能出现在倒置的构图里上下翻转一半会让模型学到不真实的姿态分布。水平翻转fliplr则保持默认0.5因为在野外左右方向出现的概率确实均等。训练结束后模型会自动保存在runs/detect/train/weights/目录下best.pt是验证集上表现最好的权重last.pt是最后一轮的权重。我建议只用best.pt做后续推理别拿last.pt。3.3 评估指标与结果分析训练完成后重点关注四个指标mAP0.5、mAP0.5:0.95、Precision和Recall。这组数据在我这个项目里的表现大概是这样的具体数值依赖数据和随机种子仅供参考类别PrecisionRecallmAP0.5mAP0.5:0.95秃头僧面猴0.780.710.790.49披毛吼猴0.650.580.630.36赤猴0.730.660.710.42松鼠猴0.540.480.520.28mAP0.5表示IoU阈值在0.5时的平均精度mAP0.5:0.95则把IoU从0.5到0.95以0.05为步长取平均更严格。松鼠猴的指标明显低于其他三类原因也很直白体型小、在画面里的像素占比低标注框小导致定位误差占比大。后来用SAHI切片推理之后松鼠猴的mAP0.5提升到了0.65左右这个后面会细讲。披毛吼猴的Recall低主要问题确实是目标与背景对比度太低黑色的毛在树冠阴影里经常“隐身”。这类问题靠调参很难根治更有效的办法是在数据层面增加一些曝光偏低的图像让模型见过更多暗光下的黑猴。实操心得看到某个类别指标偏低时不要急着加数据或调参先用模型跑几十张家底图靠人工看预测结果定位问题。我一开始以为松鼠猴检测不好是数据太少后来看图才发现是模型把它和远处模糊的赤猴混了问题维度完全不同。4. 常见问题与排查技巧4.1 小目标漏检从扩图到SAHI切片推理小目标检测是YOLO的老问题。松鼠猴在无人机视角下可能只有20×20像素而YOLO在640×640输入上做检测下采样32倍后的特征图一个20像素的目标对应不到1个网格信息量完全不够。我解决这个问题分了两个阶段。第一阶段是训练阶段把imgsz从640提升到960让目标在输入图像里占更多像素。代价是显存占用和训练时间上升3060的12G显存跑batch需要从16降到8。我测过imgsz960的mAP比640提升约5%但显存吃紧后期放弃了。第二阶段是推理阶段用SAHI切片辅助推理。SAHI把大图切成512×512的切片每个切片单独过模型再将结果拼接回去。这样松鼠猴在每个切片里相对尺寸变大检测率明显上升。切片重叠率我设为0.2也就是相邻切片有20%重叠防止目标恰好被切在边界上导致漏检。from sahi import AutoDetectionModel from sahi.predict import get_sliced_prediction detection_model AutoDetectionModel.from_pretrained( model_typeyolov8, model_pathbest.pt, confidence_threshold0.3, image_size512, devicecuda, ) result get_sliced_prediction( imagedrone_frame_042.jpg, detection_modeldetection_model, slice_height512, slice_width512, overlap_height_ratio0.2, overlap_width_ratio0.2, )用SAHI推理后松鼠猴的召回率从0.48提升到0.63代价是推理时间从单张40毫秒增加到约800毫秒。对离线分析场景完全可接受但如果是实时监测就得权衡了。4.2 类别间误检赤猴与松鼠猴的混淆训练初期赤猴和松鼠猴的混淆比较严重。原因在于低分辨率图像里两只猴子的主体轮廓相似——都是一个深色躯干加一条长尾巴。赤猴的红色毛和松鼠猴的黑白脸都在小像素下不明显。我用了三个手段来压制混淆。第一检查标注框看有没有标注漏了尾巴导致类别特征缺失。实际上我的标注规范里就不含尾巴这虽然避免了大框背景但客观上让模型少了一个区分特征。所以我在标注松鼠猴时如果画面够清晰会尽量让框包含一点头部区域靠头部黑白纹路做区分。第二对赤猴类别做了加权。我在数据集中发现赤猴样本相对少只有大约110张而披毛吼猴有160张不平衡不算极端但训练时通过ClsLoss的类别权重稍微拉高了赤猴的权重让模型对赤猴的错分代价加大。第三迁移学习时不冻结骨干让预训练特征充分适配这两类猴子的颜色分布。有些教程建议冻结前10层骨干我试过在小数据集上冻结反而让分类头学得不够充分整体精度掉了3%。在小数据场景让全网络参与微调往往比保守冻结更有效。4.3 小数据集过拟合怎么判断和应对600张图训练时很担心过拟合。一个比较明显的信号是训练集loss持续下降、验证集loss却在某个epoch后反弹。另一个信号是训练集mAP接近1.0而验证集mAP止步不前。应对策略按优先级排序。先是数据增强这是无成本提升泛化的手段。我已经开了mosaic、hsv扰动、随机平移和缩放。mosaic特别值得一提Ultralytics默认mosaic会在训练后期自动关闭这是为了避免大目标被切片成残缺块误导。如果发现验证集性能在后期异常波动可以手动把mosaic改为0来对比。其次是交叉验证。由于数据量小我做了5折交叉验证来评估模型的稳定性。每一折用480张训练、80张验证最终5个模型的mAP方差约为3%说明数据划分基本一致。交叉验证虽然训练成本翻5倍但对评估小数据集模型真实性很有价值。最后是早停。patience30这个参数本质上就是防过拟合的。如果训练到第80轮时验证集已经连续30轮没提升训练会提前结束避免在后面的过拟合区间浪费算力。4.4 标注格式与路径排查训练过程中最常遇到的一类报错是“image not found”或“Label shape mismatch”基本都是数据路径和标注格式问题。我踩过一次很典型的坑。在CVAT里导出标注时图片文件名带下划线和连续数字导出后的txt文件名自动补了一个后缀比如img_001.jpg对应的是img_001_txt标签。YOLO在读取时严格按照同名匹配导致一半标签没被读取训练时模型直接跳过这些图。排查了半天才发现是文件名不匹配。所以训练前一定要做一个一致性校验import os img_dir primate-dataset/images/train label_dir primate-dataset/labels/train imgs set(os.path.splitext(f)[0] for f in os.listdir(img_dir)) labels set(os.path.splitext(f)[0] for f in os.listdir(label_dir)) print(缺标签的图, len(imgs - labels)) print(缺图的标签, len(labels - imgs))这个脚本几秒钟就能跑完能在训练前发现大部分数据问题。我还习惯在标注完成后抽查5%的图用可视化脚本把框画回原图人工过一遍框位置是否准确。这个动作虽然费时间但能避免标注错误被模型默默吸收掉。常见问题速查表现象可能原因排查方法训练loss不降标注类别ID混乱抽查txt和原图某些图没参与训练文件名不匹配上述一致性校验mAP0.5正常但mAP0.5:0.95很低框定位精度差可视化检查边界框偏移召回率高但精度低大量误检降低置信度阈值看误报样本5. 推理阶段优化与后续扩展5.1 模型导出与边缘设备部署训练结束后我通常用两种方式做推理部署。一种是在线Python推理适合研究阶段的批量处理另一种是导出为ONNX或TensorRT部署到边缘设备。导出ONNX很简单yolo export modelbest.pt formatonnx imgsz640导出后可以用ONNX Runtime跑推理不依赖PyTorch环境部署时方便很多。如果目标设备是NVIDIA Jetson还可以转成TensorRT用半精度FP16推理速度比ONNX快不少。不过这里要注意TensorRT对模型里一些算子的支持有时会出兼容问题。我的做法是先导出ONNX用onnxruntime测一遍输出确认无差异后再转TensorRT。边缘设备的内存也要提前估好YOLOv8s的FP16 TensorRT引擎大概占100MB显存在Jetson Nano上跑可以到12帧左右基本满足相机陷阱的实时检测需求。5.2 从600张到更多数据飞轮打法600张数据集只是起点。我建议用训练好的模型做半自动标注扩充更多训练数据。具体做法是让模型对一批未标注的新图像做预测把置信度高于0.7的预测结果自动变成标注再人工复查低置信度的部分。这样标注新数据的成本能降低一半以上。扩充数据时注意保持分布多样。如果新图像全来自同一个相机点位模型可能再次过拟合到该点位的背景和光照。我在扩充时会有意识地混入不同时间、不同天气、不同拍摄角度的图像。热带的雨天图像、晨雾图像、正午强光图像对大模型的鲁棒性提升非常明显。还有一个小技巧是构建负样本。数据集中加入一定量完全不含猴子的雨林背景图并保证这些图没有标注文件。YOLO会把它们当负样本训练显著降低误检率。我加入30张纯背景图后模型的误检从每100帧5次降到了不到2次。需要注意的是负样本要加在train和val里test里不要加负样本否则会虚高精度指标。6. 写在最后的实操体会这套600张灵长类数据集的完整流程走下来我最大的体会是目标检测项目里数据集的重要性其实超过了模型结构的选择。同样的YOLOv8s标注规范调整前后mAP能差10个点以上同样的数据集训练参数稍微激进一点就可能过拟合。算法是骨架数据是血肉这个道理在野外场景里被放得很大。再分享一个最后才会被注意到的小技巧整理数据集时把标注文件的编码统一成UTF-8 without BOM。Windows下保存的txt默认可能是GBK或带BOM的UTF-8YOLO训练读标签时偶尔会解析异常导致个别样本训练报错。统一编码这一件事能省掉后期很多莫名其妙的坑。如果你手里也有一批野生动物影像数据不妨按这里的思路先做一个小规模标注试验用50张图跑通流程再决定要不要扩展到全套。数据标注是高成本劳动流程先验证再放量是效率最高的做法。本文还有配套的精品资源点击获取 从零构建灵长类动物目标检测数据集：YOLO在热带雨林场景实战解析
简介本资源是面向计算机视觉初学者与科研人员的热带雨林灵长类动物目标检测专用数据集聚焦秃头僧面猴、披毛吼猴、赤猴、松鼠猴四类濒危物种识别任务适用于YOLOv5至YOLOv11等主流YOLO系列算法的模型训练与性能验证可支撑生态保护AI应用开发、小样本检测研究及课程实验设计。压缩包共1810个文件含600张高质量JPG图像、600份YOLO格式.txt与VOC格式.xml双标注文件、1份预配置data.yaml及1份说明文档.docx结构规范、开箱即用总大小86.5MB。目前已有13人学习下载资源已按标准划分train/val集并提供完整目录组织与标签映射说明便于快速接入训练流程、对比多版本YOLO性能差异或作为细粒度灵长类识别任务的基准测试集。 把YOLO这种目标检测算法扔进热带雨林去追踪一群猴子画风跟常规的车辆行人检测完全不一样。我最近刚好在整理一套灵长类动物目标检测数据集——600张热带雨林场景实拍图像标注了秃头僧面猴、披毛吼猴、赤猴、松鼠猴四个类别格式直接对齐YOLO训练需求。这篇文章就把这套数据集背后的制作思路、标注规范、训练调优和踩坑经验完整捋一遍给做野生动物目标检测、生态监测或者刚接触YOLO数据集的同学一个可以直接参考的实操样本。这套数据集的特殊之处在于目标不是常见的车辆行人而是四类灵长类动物。热带雨林的环境复杂度远高于普通监控场景树叶遮挡、光线骤变、动物毛色与背景高度接近这些都会在数据集构建和模型训练阶段引发连锁问题。所以这篇博文不只讲“怎么标”更会讲“为什么这么标”“训练时参数为什么这么设”把项目从零到一的整个决策过程拆开讲清楚。1. 项目背景与设计思路1.1 为什么做一套灵长类目标检测数据集野生动物保护和行为学研究里统计一个区域里猴群的数量、活动范围、种群结构是特别高频的需求。传统做法是研究人员扛着望远镜去样线数猴子人累不说数据还带很强的主观性。后来相机陷阱普及了一张SD卡里能存几千张触发照片但人工筛选这些照片又成了新瓶颈。于是目标检测模型成了刚需——用模型自动识别照片里的动物个体再统计出现频次和活动时间。我这次选择四类灵长类是考虑到物种形态差异带来的检测难度梯度。秃头僧面猴的识别关键是脸部红色无毛区域披毛吼猴浑身黑色长毛且体型较大赤猴是红棕色毛、经常在地面活动松鼠猴体型小、面部有黑白花纹。这四类目标分别代表了不同体量、不同颜色通道、不同活动高度用来验证检测模型很有代表性。另一个现实原因是现有公开数据集里灵长类的覆盖很少。像COCO虽然有一些动物类别但基本是猫狗鸟这类常见宠物和园养动物真正贴近野外实拍场景的灵长类数据少得可怜。即便有也多是单一物种。所以做一套多类别、野外实拍、带完整标注的灵长类数据集不光是这个项目要用后续做生态监测的人也能复用。1.2 为什么选YOLO而不是Faster R-CNN或SSD目标检测算法可选范围其实不小两阶段的有Faster R-CNN一阶段的有YOLO、SSD、EfficientDet。我最终选YOLO核心原因是三个维度第一是推理速度。野外部署往往需要跑在边缘设备上比如树上的太阳能边缘计算盒、无人机机载终端。这些设备算力有限Faster R-CNN这类两阶段方法在同等硬件上的帧率很难看而YOLO轻量版本在Jetson Nano这类板子上还能跑到10到15帧实用性完全不同。第二是训练效率。数据集只有600张数据量不算大。YOLO的端到端单阶段结构配合预训练权重迁移在小数据集上的收敛速度明显好于两阶段方法。实测跑200轮YOLOv8s在GTX 3060上大概2到3小时能跑完换Faster R-CNN要翻倍不止。第三是社区生态。YOLO的工程化程度很高Ultralytics框架已经把数据增强、训练、验证、导出集成在一起做一个训练配置就能跑通全流程。这对搞生态研究、不一定有深厚深度学习背景的团队来说很友好。当然YOLO不是没有短板。小目标检测一直是它的相对弱项而猴子特别是松鼠猴在远距离拍摄时占的画面比例非常小。这个短板在后面通过数据增强加SAHI切片推理做了针对性弥补后面会详细说。1.3 600张图对四分类任务来说够不够600张图、四个类别平均每类150张。坦白讲这个规模在深度学习里属于“小数据集”直接从头训练一个深层网络几乎必挂但配合迁移学习和数据增强是有机会训练出可用的检测模型的。为什么小数据集在这里还能搏一把因为迁移学习。拿在COCO上预训练好的YOLO权重作为初始参数模型已经学到了边缘、纹理、形状这些底层视觉特征我们只需要在灵长类数据上微调高层语义部分。预训练权重相当于一个已经认识世界的“成年人”你只需要教他区分几种猴子而不是从婴儿开始教他看东西。另外600张图像如果标注质量高、目标分布均匀实际效果会比1200张标注马虎的数据更好。数据标注领域有句话叫“垃圾进垃圾出”在小数据集上尤其成立。所以我在标注阶段投入了大量时间下面专门用一节来讲标注细节。2. 数据集制作与标注细节2.1 图像采集与初筛标准图像来源主要是三个渠道研究团队在保护区布设的相机陷阱、无人机低空巡飞拍摄、以及人工手持设备跟踪拍摄。三种渠道覆盖了不同视角——相机陷阱贴近地面、无人机是俯视、人工拍摄是中近距离平视这样能保证模型看到的目标尺度多样化。原始素材远不止600张大概采集了3000多张初筛时砍掉了一大半。淘汰标准有四个硬性条件第一是模糊图直接淘汰。猴子动作快特别是松鼠猴和赤猴跳跃摆动频繁很多帧都有运动模糊这类图强行标注只会教模型学到错误特征。第二是目标过小的图淘汰。如果一只松鼠猴在640×640画幅中的高度小于15像素标注出来的框基本是猜的对训练没有正面帮助。第三是严重遮挡的图淘汰目标是整个身体被遮挡超过70%的无法确认类别留着只会制造标注噪声。第四是真实类别有疑问的淘汰比如远处拍到一只猴但无法确认是披毛吼猴还是其它黑色猴类这种情况宁可不标。最后保留600张。这个数字不是随手定的而是我在小规模预试验时发现约600张带高质量标注的数据配合YOLOv8s预训练权重已经能让mAP0.5达到65%左右再增加数据边际收益递减反而标注成本上升明显。所以在数据量和标注成本之间取了这个平衡点。2.2 标注工具与格式转换流程标注工具我用了两个分阶段使用。初步框选用LabelImg它的操作逻辑简单界面直观适合快速拉框。但是LabelImg对大型数据集的目录管理和多人协作支持不好所以标注到一半我换成了CVAT主要看中它的云端标注、多人分配和自动保存功能。不管用哪个工具最终都要转换成YOLO格式。YOLO的标注格式是每个图像对应一个同名txt文件每一行表示一个目标class_id x_center y_center width height其中坐标值是归一化到0到1之间的浮点数。拿一张640×480的图像举例如果一个秃头僧面猴的真实边界框左上角坐标是(160, 120)右下角是(320, 240)那对应的YOLO格式就是0 0.375 0.375 0.25 0.25计算过程是x_center(160320)/2/6400.375y_center(120240)/2/4800.375width(320-160)/6400.25height(240-120)/4800.25。这一步是基础中的基础但经常有人搞混导致训练时报维度错误。从CVAT导出时可以直接导出YOLO格式但LabelImg默认导出的是Pascal VOC的XML格式需要写个脚本转换。我用Python简单处理了一下import os import xml.etree.ElementTree as ET def convert_voc_to_yolo(xml_path, out_dir, class_list): tree ET.parse(xml_path) root tree.getroot() img_name root.find(filename).text img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) yolo_path os.path.join(out_dir, img_name.replace(.jpg, .txt)) with open(yolo_path, w) as f: for obj in root.iter(object): cls_name obj.find(name).text cls_id class_list.index(cls_name) xmin int(obj.find(bndbox/xmin).text) ymin int(obj.find(bndbox/ymin).text) xmax int(obj.find(bndbox/xmax).text) ymax int(obj.find(bndbox/ymax).text) x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h width (xmax - xmin) / img_w height (ymax - ymin) / img_h f.write(f{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n) class_list [bald_saki_monkey, mantled_howler_monkey, patas_monkey, squirrel_monkey] convert_voc_to_yolo(annotation.xml, labels, class_list)注意转换脚本里最容易坑人的是路径匹配。YOLO训练时是按图片路径找对应txt的txt文件名必须和图片名完全一致包括无扩展名的部分。2.3 四类灵长类的标注难点与规范标注这件事看起来是体力活实际上需要非常清晰的规范。四类猴子的特征差异明显但野外环境下特征会被光线、角度和遮挡大幅削弱这就需要在标注前制定统一的边界框规则。我的规则是尽量框“完整可见的动物主体”包括躯干、四肢和头部不把尾巴强行算进框内。为啥不把尾巴算进去因为尾巴细长且经常摆动框住尾巴会引入大比例的背景像素拉低模型定位精度。有些做法是把尾巴也算进去但这种框内噪声在热带雨林这个场景里会显著拖累loss收敛。第二条规定是如果出现了“多只同类动物紧密挨在一起”的情况目标间的边界不够清晰就为每一只可见个体单独画框。如果两只个体重叠太严重比如一只松鼠猴趴在另一只身上导致边界无法分辨此时可以合并成一个框但要避免只框一只而漏掉另一只因为漏标会被当成阴性样本给训练带来错误梯度。第三条规定是针对披毛吼猴的。这种猴子毛色黑、树冠背景深绿边界对比度很低。标注时不要只框身体主体要适当向外扩展5%到10%的边界让框内包含一点背景轮廓帮助模型锁定目标的整体轮廓。这是我从实际结果中试出来的——太贴身的框反而会让模型分不清目标在哪里。再补充一点类别判断的经验。秃头僧面猴在图像里最明显的标志是红色面部这个红色在雨林背景里非常跳标注时即使只看到半张脸也能判类。披毛吼猴的判类要点是蓬松黑色长毛和粗壮身体但黑色在逆光下容易跟其他深色猴子混淆需要结合体型判断。赤猴特征是土红色毛色且多见在地面或低矮灌木活动行为模式可以辅助判类。松鼠猴是四个里面体型最小的面部黑白配色加一条比身体还长的黑尾在画面里往往只有头部清晰标注时宁可框小一点也要框住头部特征这对分类最有帮助。3. YOLO训练实操过程3.1 环境配置与数据划分训练基于Ultralytics YOLOv8环境配置其实很省事只要Python 3.9以上、PyTorch 2.0以上、CUDA可用即可。我用的版本组合是Python 3.10 PyTorch 2.1.0 CUDA 11.8GPU是RTX 3060 12G这个配置跑YOLOv8s绰绰有余。安装只需要一行命令pip install ultralytics数据集的目录结构建议严格按YOLO约定来组织primate-dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── primate.yaml划分比例我用了480:80:40train占80%val占13%出头test占不到7%。可能有人说测试集太少但项目更看重的不是刷点而是验证模型的野外可用性所以我把测试集单独留了一部分完全没参与训练调参的图像用于最后的模拟考核。数据集配置文件核心内容如下path: ./primate-dataset train: images/train val: images/val test: images/test nc: 4 names: 0: bald_saki_monkey 1: mantled_howler_monkey 2: patas_monkey 3: squirrel_monkey这里要提醒一句类别ID顺序一旦确定就不要改。如果训练到一半发现类别顺序乱了再去动标注文件几乎等于重训。3.2 训练参数设置与调优我的训练脚本是在Ultralytics默认参数基础上做小幅改动的训练入口其实一段参数就说完from ultralytics import YOLO model YOLO(yolov8s.pt) results model.train( dataprimate.yaml, epochs200, imgsz640, batch16, lr00.01, optimizerSGD, patience30, hsv_h0.015, hsv_s0.7, hsv_v0.4, flipud0.1, scale0.5, translate0.2, mosaic1.0, )这里几个参数是有讲究的。lr0设为0.01是因为小数据集下学习率过大容易直接把预训练权重洗坏SGD优化器虽然收敛慢但泛化能力在数据量少时优于AdamW。patience设为30意思是连续30轮验证集mAP没有提升就提前停止这能节省大量等待时间。hsv_v设到0.4有几个原因热带雨林的光照变化极端树冠下的暗光、透过叶隙的强光斑都要求模型对亮度变化有抗性。实际训练时验证集mAP开始随增强强度提升但当hsv_v超过0.5后反而下降说明增强过度导致颜色分布失真。所以0.4是一个我在准确率和泛化之间折中的值。flipud也就是随机上下翻转设为0.1没有用默认的0.5。原因是相机陷阱的视角基本都是平视或俯视猴子不太可能出现在倒置的构图里上下翻转一半会让模型学到不真实的姿态分布。水平翻转fliplr则保持默认0.5因为在野外左右方向出现的概率确实均等。训练结束后模型会自动保存在runs/detect/train/weights/目录下best.pt是验证集上表现最好的权重last.pt是最后一轮的权重。我建议只用best.pt做后续推理别拿last.pt。3.3 评估指标与结果分析训练完成后重点关注四个指标mAP0.5、mAP0.5:0.95、Precision和Recall。这组数据在我这个项目里的表现大概是这样的具体数值依赖数据和随机种子仅供参考类别PrecisionRecallmAP0.5mAP0.5:0.95秃头僧面猴0.780.710.790.49披毛吼猴0.650.580.630.36赤猴0.730.660.710.42松鼠猴0.540.480.520.28mAP0.5表示IoU阈值在0.5时的平均精度mAP0.5:0.95则把IoU从0.5到0.95以0.05为步长取平均更严格。松鼠猴的指标明显低于其他三类原因也很直白体型小、在画面里的像素占比低标注框小导致定位误差占比大。后来用SAHI切片推理之后松鼠猴的mAP0.5提升到了0.65左右这个后面会细讲。披毛吼猴的Recall低主要问题确实是目标与背景对比度太低黑色的毛在树冠阴影里经常“隐身”。这类问题靠调参很难根治更有效的办法是在数据层面增加一些曝光偏低的图像让模型见过更多暗光下的黑猴。实操心得看到某个类别指标偏低时不要急着加数据或调参先用模型跑几十张家底图靠人工看预测结果定位问题。我一开始以为松鼠猴检测不好是数据太少后来看图才发现是模型把它和远处模糊的赤猴混了问题维度完全不同。4. 常见问题与排查技巧4.1 小目标漏检从扩图到SAHI切片推理小目标检测是YOLO的老问题。松鼠猴在无人机视角下可能只有20×20像素而YOLO在640×640输入上做检测下采样32倍后的特征图一个20像素的目标对应不到1个网格信息量完全不够。我解决这个问题分了两个阶段。第一阶段是训练阶段把imgsz从640提升到960让目标在输入图像里占更多像素。代价是显存占用和训练时间上升3060的12G显存跑batch需要从16降到8。我测过imgsz960的mAP比640提升约5%但显存吃紧后期放弃了。第二阶段是推理阶段用SAHI切片辅助推理。SAHI把大图切成512×512的切片每个切片单独过模型再将结果拼接回去。这样松鼠猴在每个切片里相对尺寸变大检测率明显上升。切片重叠率我设为0.2也就是相邻切片有20%重叠防止目标恰好被切在边界上导致漏检。from sahi import AutoDetectionModel from sahi.predict import get_sliced_prediction detection_model AutoDetectionModel.from_pretrained( model_typeyolov8, model_pathbest.pt, confidence_threshold0.3, image_size512, devicecuda, ) result get_sliced_prediction( imagedrone_frame_042.jpg, detection_modeldetection_model, slice_height512, slice_width512, overlap_height_ratio0.2, overlap_width_ratio0.2, )用SAHI推理后松鼠猴的召回率从0.48提升到0.63代价是推理时间从单张40毫秒增加到约800毫秒。对离线分析场景完全可接受但如果是实时监测就得权衡了。4.2 类别间误检赤猴与松鼠猴的混淆训练初期赤猴和松鼠猴的混淆比较严重。原因在于低分辨率图像里两只猴子的主体轮廓相似——都是一个深色躯干加一条长尾巴。赤猴的红色毛和松鼠猴的黑白脸都在小像素下不明显。我用了三个手段来压制混淆。第一检查标注框看有没有标注漏了尾巴导致类别特征缺失。实际上我的标注规范里就不含尾巴这虽然避免了大框背景但客观上让模型少了一个区分特征。所以我在标注松鼠猴时如果画面够清晰会尽量让框包含一点头部区域靠头部黑白纹路做区分。第二对赤猴类别做了加权。我在数据集中发现赤猴样本相对少只有大约110张而披毛吼猴有160张不平衡不算极端但训练时通过ClsLoss的类别权重稍微拉高了赤猴的权重让模型对赤猴的错分代价加大。第三迁移学习时不冻结骨干让预训练特征充分适配这两类猴子的颜色分布。有些教程建议冻结前10层骨干我试过在小数据集上冻结反而让分类头学得不够充分整体精度掉了3%。在小数据场景让全网络参与微调往往比保守冻结更有效。4.3 小数据集过拟合怎么判断和应对600张图训练时很担心过拟合。一个比较明显的信号是训练集loss持续下降、验证集loss却在某个epoch后反弹。另一个信号是训练集mAP接近1.0而验证集mAP止步不前。应对策略按优先级排序。先是数据增强这是无成本提升泛化的手段。我已经开了mosaic、hsv扰动、随机平移和缩放。mosaic特别值得一提Ultralytics默认mosaic会在训练后期自动关闭这是为了避免大目标被切片成残缺块误导。如果发现验证集性能在后期异常波动可以手动把mosaic改为0来对比。其次是交叉验证。由于数据量小我做了5折交叉验证来评估模型的稳定性。每一折用480张训练、80张验证最终5个模型的mAP方差约为3%说明数据划分基本一致。交叉验证虽然训练成本翻5倍但对评估小数据集模型真实性很有价值。最后是早停。patience30这个参数本质上就是防过拟合的。如果训练到第80轮时验证集已经连续30轮没提升训练会提前结束避免在后面的过拟合区间浪费算力。4.4 标注格式与路径排查训练过程中最常遇到的一类报错是“image not found”或“Label shape mismatch”基本都是数据路径和标注格式问题。我踩过一次很典型的坑。在CVAT里导出标注时图片文件名带下划线和连续数字导出后的txt文件名自动补了一个后缀比如img_001.jpg对应的是img_001_txt标签。YOLO在读取时严格按照同名匹配导致一半标签没被读取训练时模型直接跳过这些图。排查了半天才发现是文件名不匹配。所以训练前一定要做一个一致性校验import os img_dir primate-dataset/images/train label_dir primate-dataset/labels/train imgs set(os.path.splitext(f)[0] for f in os.listdir(img_dir)) labels set(os.path.splitext(f)[0] for f in os.listdir(label_dir)) print(缺标签的图, len(imgs - labels)) print(缺图的标签, len(labels - imgs))这个脚本几秒钟就能跑完能在训练前发现大部分数据问题。我还习惯在标注完成后抽查5%的图用可视化脚本把框画回原图人工过一遍框位置是否准确。这个动作虽然费时间但能避免标注错误被模型默默吸收掉。常见问题速查表现象可能原因排查方法训练loss不降标注类别ID混乱抽查txt和原图某些图没参与训练文件名不匹配上述一致性校验mAP0.5正常但mAP0.5:0.95很低框定位精度差可视化检查边界框偏移召回率高但精度低大量误检降低置信度阈值看误报样本5. 推理阶段优化与后续扩展5.1 模型导出与边缘设备部署训练结束后我通常用两种方式做推理部署。一种是在线Python推理适合研究阶段的批量处理另一种是导出为ONNX或TensorRT部署到边缘设备。导出ONNX很简单yolo export modelbest.pt formatonnx imgsz640导出后可以用ONNX Runtime跑推理不依赖PyTorch环境部署时方便很多。如果目标设备是NVIDIA Jetson还可以转成TensorRT用半精度FP16推理速度比ONNX快不少。不过这里要注意TensorRT对模型里一些算子的支持有时会出兼容问题。我的做法是先导出ONNX用onnxruntime测一遍输出确认无差异后再转TensorRT。边缘设备的内存也要提前估好YOLOv8s的FP16 TensorRT引擎大概占100MB显存在Jetson Nano上跑可以到12帧左右基本满足相机陷阱的实时检测需求。5.2 从600张到更多数据飞轮打法600张数据集只是起点。我建议用训练好的模型做半自动标注扩充更多训练数据。具体做法是让模型对一批未标注的新图像做预测把置信度高于0.7的预测结果自动变成标注再人工复查低置信度的部分。这样标注新数据的成本能降低一半以上。扩充数据时注意保持分布多样。如果新图像全来自同一个相机点位模型可能再次过拟合到该点位的背景和光照。我在扩充时会有意识地混入不同时间、不同天气、不同拍摄角度的图像。热带的雨天图像、晨雾图像、正午强光图像对大模型的鲁棒性提升非常明显。还有一个小技巧是构建负样本。数据集中加入一定量完全不含猴子的雨林背景图并保证这些图没有标注文件。YOLO会把它们当负样本训练显著降低误检率。我加入30张纯背景图后模型的误检从每100帧5次降到了不到2次。需要注意的是负样本要加在train和val里test里不要加负样本否则会虚高精度指标。6. 写在最后的实操体会这套600张灵长类数据集的完整流程走下来我最大的体会是目标检测项目里数据集的重要性其实超过了模型结构的选择。同样的YOLOv8s标注规范调整前后mAP能差10个点以上同样的数据集训练参数稍微激进一点就可能过拟合。算法是骨架数据是血肉这个道理在野外场景里被放得很大。再分享一个最后才会被注意到的小技巧整理数据集时把标注文件的编码统一成UTF-8 without BOM。Windows下保存的txt默认可能是GBK或带BOM的UTF-8YOLO训练读标签时偶尔会解析异常导致个别样本训练报错。统一编码这一件事能省掉后期很多莫名其妙的坑。如果你手里也有一批野生动物影像数据不妨按这里的思路先做一个小规模标注试验用50张图跑通流程再决定要不要扩展到全套。数据标注是高成本劳动流程先验证再放量是效率最高的做法。本文还有配套的精品资源点击获取