PoultryVision-Dataset

PoultryVision统一数据集是一个大规模、多模态的家禽养殖数据集，整合了六个公开来源的数据，用于鸡（肉鸡、母鸡、公鸡）和鸡蛋的检测、分类、多摄像头跟踪和行为分析。该数据集旨在训练Williamsanderson/PoultryVision模型，该模型基于YOLOv11m架构，性能优于Cardoen等人（MVBroTrack论文，2025年）报告的微调YOLOv11x模型，mAP@50-95提高了8.5%。数据集包含21,586张用于目标检测的图像（训练15,987张，验证3,706张，测试1,893张）和2,539张用于图像分类的图像（训练1,832张，验证444张，测试263张）。此外，还包括24个MP4视频（来自4个同步摄像头）、摄像头校准文件、重投影掩模、跟踪地面实况和预计算的YOLO检测结果。数据集支持的目标检测类别包括鸡（所有家禽）和鸡蛋。数据集采用统一的YOLO检测格式和ImageFolder分类格式，经过去重并划分为训练/验证/测试集。数据集适用于目标检测、图像分类、视频分类等任务，并特别适用于智能农业、精准畜牧业和动物福利研究。

原始信息汇总

PoultryVision Unified Dataset 概述

数据集基本信息

• 名称：PoultryVision Unified Dataset
• 许可证：CC-BY-4.0
• 任务类别：目标检测、图像分类、视频分类
• 语言：英语
• 数据规模：10K < n < 100K
• 标签：家禽、鸡、鸡蛋、肉鸡、母鸡、农业、智能农业、精准畜牧业、动物福利、多摄像头、跟踪、YOLO、YOLOv11、计算机视觉

数据集构成与规模

目标检测数据

• 格式：YOLO格式
• 图像总数：21,586张
  • 训练集：15,987张
  • 验证集：3,706张
  • 测试集：1,893张

图像分类数据

• 格式：ImageFolder布局
• 图像总数：2,539张
  • 训练集：1,832张
  • 验证集：444张
  • 测试集：263张

视频与多摄像头数据

• 视频：24个MP4视频，来自4个同步摄像头，涵盖6个样本
• 校准文件：每个摄像头的内参和外参文件
• 重投影掩码：定义地平面感兴趣区域
• 跟踪真值：地平面上的跟踪真值
• 预计算检测：每个多视角样本每帧的预计算YOLO检测结果

检测类别

ID	名称	描述
0	chicken	所有家禽：肉鸡、母鸡、公鸡
1	egg	鸡蛋

数据来源

数据集统一了六个公开来源：

1. Dataset Chicken 1：分类数据
2. Dataset Chicken 2：分类数据
3. Dataset Chicken 3：检测数据
4. Chickens-Eggs v1：检测数据
5. chicken eggs 2 v3：检测与分割数据
6. MVBroTrack：多摄像头肉鸡跟踪数据

所有来源均已标准化为统一的YOLO检测格式和/或ImageFolder分类格式，并进行了去重和训练/验证/测试划分。

文件夹结构

PoultryVision-Dataset/ ├── data.yaml ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── classification/ │ ├── train/<class>/.jpg │ ├── val/<class>/.jpg │ └── test/<class>/*.jpg ├── videos/ ├── calibrations/ │ └── cam_<id>/ │ ├── intrinsics/ │ └── extrinsics/ ├── multi_view_detection/ ├── reprojection_masks/ └── tracking_gt/

基准性能

使用该数据集训练的YOLOv11m模型性能：

• mAP@50-95：0.793
• mAP@50：0.971
• 精确率：0.934
• 召回率：0.934

与MVBroTrack论文结果对比：

模型	mAP@50-95	参数量
YOLOv11x fine-tuned (paper)	70.8 %	56.9 M
YOLOv11m fine-tuned (ours)	79.3 %	20.1 M

引用

bibtex @misc{williamsanderson_poultryvision_dataset_2025, title = {PoultryVision: A Unified Dataset for Poultry-Farm Computer Vision}, author = {Williams Anderson}, year = {2025}, howpublished = {https://huggingface.co/datasets/Williamsanderson/PoultryVision-Dataset}, }

@article{cardoen2025mvbrotrack, title = {Multi-camera detection and tracking for individual broiler monitoring}, author = {Cardoen, J. and others}, journal = {Computers and Electronics in Agriculture}, year = {2025} }

搜集汇总

数据集介绍

构建方式

在精准畜牧业与动物福利研究的背景下，PoultryVision数据集通过整合六个公开数据源构建而成，涵盖了鸡只与鸡蛋的检测、分类及多视角追踪任务。构建过程首先对来自Roboflow Universe、images.cv以及学术文献MVBroTrack的异构数据进行了标准化处理，统一转换为YOLO检测格式与ImageFolder分类格式。通过细致的去重与数据清洗，最终形成了包含21,586张检测图像与2,539张分类图像的标准化集合，并严格划分为训练集、验证集与测试集，确保了数据质量与评估的可靠性。

使用方法

使用者可通过Hugging Face Hub直接下载数据集，并利用其提供的Ultralytics兼容配置文件快速启动YOLO模型训练。对于分类任务，数据集采用标准的ImageFolder目录结构，能够无缝接入PyTorch的transforms流程。在多相机追踪应用方面，配套的标定文件与重投影掩码遵循MVBroTrack论文规范，支持直接实施追踪-曲线匹配等先进算法。数据集的模块化设计允许研究人员根据需求灵活调用检测、分类或视频分析模块，推动智能养殖视觉系统的开发与评估。

背景与挑战

背景概述

随着精准畜牧业和智能农业的兴起，计算机视觉技术在禽类养殖管理中的应用日益受到关注。PoultryVision数据集由Williams Anderson于2025年构建，旨在整合多个公开数据源，为鸡只（包括肉鸡、母鸡和公鸡）及鸡蛋的检测、分类、多摄像头跟踪与行为分析提供统一的大规模多模态基准。该数据集融合了六类来源，涵盖图像分类、目标检测及多视角视频数据，并配备了相机标定与跟踪真值，显著推动了禽类健康监测与福利评估领域的研究进程，为相关算法开发提供了关键支撑。

当前挑战

在禽类养殖视觉分析领域，核心挑战在于复杂环境下的目标精准识别与持续跟踪，如鸡群密集遮挡、光照变化及动态行为干扰。数据集构建过程中，需克服多源数据异构性，包括不同标注格式、图像质量与视角差异的统一化处理，以及数据去重与标准化分割。此外，多摄像头同步数据的校准与地面真值生成，对几何一致性与时空对齐提出了较高要求，这些挑战共同构成了该数据集在推动实际应用中的关键瓶颈。

常用场景

经典使用场景

在精准畜牧业与动物福利研究领域，PoultryVision数据集为计算机视觉模型的开发与评估提供了标准化基准。该数据集整合了多源图像与视频数据，支持目标检测、图像分类及多相机跟踪任务，尤其适用于训练如YOLOv11等先进模型，以自动化识别鸡只和鸡蛋，实现养殖场内个体行为的持续监测。其统一标注格式与规范分割，显著提升了模型在复杂农业环境中的泛化能力与鲁棒性。

解决学术问题

该数据集有效应对了农业计算机视觉研究中数据分散、标注不一致的挑战，通过融合六个公共数据源，构建了大规模、多模态的统一资源。它解决了传统方法在鸡群监测中精度不足、难以处理多视角跟踪的学术难题，为个体行为分析、健康评估及福利量化提供了可靠数据基础，推动了精准畜牧业领域算法研究的标准化与可复现性。

实际应用

在实际养殖场景中，PoultryVision数据集支撑了智能养殖系统的开发，实现了对鸡只生长状态、活动模式及产蛋行为的自动化分析。通过集成多相机校准与跟踪技术，该系统能够实时监测群体密度、检测异常行为，并优化饲养管理决策，从而提升生产效率、降低劳动力成本，并促进动物福利的实践改进。

数据集最近研究

最新研究方向

在精准畜牧养殖领域，PoultryVision-Dataset的发布标志着家禽视觉分析研究迈入多模态融合新阶段。该数据集整合了检测、分类与多相机跟踪任务，为开发高效的家禽行为监测模型提供了坚实基础。前沿研究聚焦于利用YOLOv11等先进架构提升个体识别精度，结合多视角校准数据实现三维轨迹追踪，以应对密集养殖场景下的动物福利评估需求。相关热点事件如MVBroTrack论文的发表，推动了跨相机目标关联算法的发展，其影响在于通过自动化视觉系统降低人工巡检成本，为智慧农业的决策优化提供数据支撑。