ChickenVerse

ChickenVerse是一个大规模、开放发布的数据集，用于肉鸡福利监测的计算机视觉任务。它包含来自五个家禽设施的图像和视频，并包括两个互补的子数据集：ChickenDet（用于目标检测和实例分割，包含6,539张图像和153,764个标注的鸟类实例）和ChickenAct（用于肉鸡行为识别，包含15,250个短单鸟视频剪辑，涵盖15个与福利相关的行为类别）。数据集提供了推荐的训练/验证/测试分割和评估协议，旨在促进跨设施转移研究。ChickenVerse is a large-scale, publicly released dataset for computer vision tasks focused on broiler chicken welfare monitoring. It contains images and videos from five poultry facilities, and includes two complementary sub-datasets: ChickenDet, designed for object detection and instance segmentation, which comprises 6,539 images and 153,764 annotated bird instances, and ChickenAct, intended for broiler chicken behavior recognition, which contains 15,250 short single-bird video clips covering 15 welfare-relevant behavior categories. The dataset provides recommended train/validation/test splits and evaluation protocols, aiming to facilitate cross-facility transfer research.

原始信息汇总

ChickenVerse 数据集概述

基本信息

• 发布机构：田纳西大学（University of Tennessee），作者 A. Amirivojdan 等人
• 数据集类型：大规模、开放发布的计算机视觉数据集，用于肉鸡福利监测
• 数据来源：涵盖五个家禽养殖场的图像和视频
• 引用论文：ChickenVerse: An Open Large-Scale Multi-Task Dataset for Chicken Detection, Segmentation, and Behavior Recognition
• 许可证：Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0)

子数据集

ChickenDet

• 任务类型：目标检测和实例分割
• 数据格式：COCO 格式
• 图像总数：6,539 张
• 标注实例总数：153,764 只鸡
• 标注内容：每个实例包含边界框和像素级掩码
• 数据采集：从俯视录制视频中每隔五分钟采样一帧，以最大化视觉多样性
• 标注工具：CVAT，结合 SAM 2 辅助掩码标注
• 数据划分：按设施来源划分
  • 训练集：来自多个农场和不同摄像头几何结构
  • 验证集：来自 JARTU 研究围栏
  • 测试集：来自完全保留的商业肉鸡舍（F4），测试分数衡量跨设施迁移能力

划分	图像数	实例数	平均实例/图像
训练	5,222	116,329	22.3
验证	1,067	24,815	23.3
测试	250	12,620	50.5
总计	6,539	153,764	23.5

ChickenAct

• 任务类型：视频分类，用于肉鸡行为识别
• 视频片段总数：15,250 个单只鸟的短视频片段
• 行为类别数：15 种福利相关行为（如进食、饮水、行走、休息、梳理、沙浴等）
• 数据生成：通过检测-跟踪-裁剪流水线自动生成，该流水线基于 ChickenDet 微调的 RT-DETRv2 检测器和 Norfair 跟踪器
• 标注方式：通过轻量级标注界面手动标注
• 数据存储：每个片段以 MP4 格式存储，保留原始帧率，按类别文件夹组织

划分	片段数	类别数
训练	11,278	15
验证	1,829	15
测试	2,143	15
总计	15,250	15

搜集汇总

数据集介绍

构建方式

在家禽福利监测的计算机视觉领域，ChickenVerse数据集应运而生，旨在为肉鸡行为分析提供大规模、多任务的开放基准。该数据集由ChickenDet与ChickenAct两个互补子集构成。ChickenDet的构建依托于从五处养殖设施的俯视视频中，以五分钟间隔采样图像帧，以最大化视觉多样性，并通过CVAT工具结合SAM 2辅助掩膜标注，产出6,539幅图像及153,764个带有边界框与像素级掩膜的一致性实例。ChickenAct则通过一个基于RT-DETRv2检测器与Norfair跟踪器的检测-跟踪-裁剪流水线，自动生成15,250个单只肉鸡的短片段，覆盖15种福利相关行为类别，每段视频以原始帧率存储为MP4文件。

使用方法

研究者可在ChickenDet上直接开展基于COCO格式的目标检测与实例分割任务，利用其推荐的训练、验证、测试划分，评估模型在跨设施场景下的泛化性能。ChickenAct则适用于视频分类任务，其预分割的短片段可直接输入3D卷积网络或时序模型进行行为识别。两个子集均支持直接下载，并通过Zenodo的DOI标识符引用。数据集官方提供了与论文配套的评估协议，建议在实验中遵循其划分标准，以确保结果可比。所有数据均以标准格式存储，易于整合进主流深度学习框架（如PyTorch、TensorFlow）的数据流水线中。

背景与挑战

背景概述

在现代家禽养殖业中，肉鸡福利监测已成为关乎动物伦理与生产效率的核心议题。传统的人工观察方法受限于主观性与规模化瓶颈，难以满足精准畜牧业的实时监控需求。为此，田纳西大学A. Amirivojdan等人于2024年推出了ChickenVerse数据集，这是一个面向计算机视觉的大规模多任务基准资源，涵盖五座商业与实验家禽设施的影像资料。该数据集由两大互补子集构成：ChickenDet提供6,539张标注图像与153,764个实例，支持目标检测与实例分割任务；ChickenAct则收录15,250段单只肉鸡视频片段，覆盖进食、饮水、行走等15种福利相关行为。ChickenDet采用跨设施划分策略，测试集来自完全隔离的商业鸡舍，以评估模型跨场景泛化能力；ChickenAct则通过自动检测-追踪-裁剪流水线生成视频片段，兼顾效率与规模。该数据集已在Zenodo开放发布，为家禽行为自动分析、福利量化评估及精准养殖决策提供了关键基准。

当前挑战

ChickenVerse所解决的问题核心在于实现肉鸡福利的非侵入式自动化监测。传统方法依赖人工巡查，效率低下且难以覆盖大规模养殖场景，而现有计算机视觉模型在密集、拥挤的禽舍环境中常面临遮挡、光照不均与背景混杂等挑战。在构建过程中，ChickenDet面临的首要挑战是标注效率：需在每五分钟间隔的俯视图像中，为数十只肉鸡同时生成精确的边界框与像素级掩膜，团队采用SAM 2辅助的CVAT标注流程来平衡精度与成本。ChickenAct的挑战则在于行为片段的自动提取：从长时间视频中准确检测并追踪个体，需依赖ChickenDet微调的检测器与Norfair追踪器协作，但繁忙场景下的轨迹中断与身份交换问题难以完全规避。此外，数据集标注的一致性维护、跨设施光照与相机视角的差异性，以及15类行为在自然状态下的不平衡分布，均对模型泛化与评估提出了严苛要求。

常用场景

经典使用场景

在家禽福利监控的计算机视觉领域，ChickenVerse数据集为检测、分割和行为识别提供了统一的基准平台。ChickenDet子数据集包含6,539张图像和超过15万只肉鸡的实例标注，涵盖边界框与像素级掩码，适用于目标检测与实例分割任务；ChickenAct子数据集则包含15,250段单只肉鸡的视频片段，覆盖进食、饮水、行走、休息等15种与福利相关的行为类别，适用于视频行为分类任务。该数据集按设施划分训练、验证和测试集，测试集来自完全未见的商业鸡舍，专门用于评估模型跨设施的泛化能力。

解决学术问题

ChickenVerse有效解决了家禽福利监测中高质量标注数据匮乏与跨场景泛化能力难以评估的学术难题。通过提供大规模、多任务的标注数据，它使得研究者能够系统性地训练和评估目标检测、实例分割及行为识别算法在家禽密集群体中的表现。测试集来自完全独立的商业养殖环境，使得跨设施迁移性能成为衡量模型鲁棒性的关键指标，推动了计算机视觉在农业领域的可靠性研究。该数据集的开放共享还降低了研究门槛，促进了计算农业与动物行为科学的交叉创新。

实际应用

在实际应用中，ChickenVerse数据集的构建直接服务于集约化家禽养殖的自动化福利监测系统。基于ChickenDet训练的检测模型能够实时统计鸡舍内肉鸡的数量与分布，发现异常聚集或个体缺失；结合ChickenAct的行为识别模型，系统可自动识别进食减少、踱步异常或沙浴行为缺失等早期健康风险信号。这种方法为养殖企业提供了从视觉感知到行为分析的一站式方案，显著降低了人工巡检成本，同时提升了动物福利水平的客观量化能力。

数据集最近研究

最新研究方向

在现代精准畜牧业与计算机视觉交叉领域，ChickenVerse数据集的开源发布标志着肉鸡福利监测迈入大规模多任务学习新阶段。该数据集通过ChickenDet子集涵盖超15万实例的检测与分割标注，并创新性地引入跨设施评估协议，直接响应了养殖环境差异导致的模型泛化瓶颈。其ChickenAct子集更以1.5万段视频片段覆盖15类精细行为，为行为识别从实验室走向商业农场的实际部署提供了关键基准。当前前沿方向聚焦于利用该数据集的时空一致性特征，结合自监督学习与视觉大模型微调策略，探索在复杂遮挡、光照多变及高密度场景下的少样本行为分析，进而推动肉鸡健康预警与自动化管理系统的产业化落地。