PigDetect 和 PigTrack

PigDetect 和 PigTrack 是两个用于猪只检测和跟踪的数据集，由德国哥廷根大学经济学院统计与计量经济学系、基尔大学动物育种与繁殖研究所、德国科学数据处理公司共同创建。数据集包含来自真实猪舍环境的多样化图像和视频材料，包括遮挡、光照不良等挑战性场景。PigDetect 数据集包含 2931 张图像，其中包含 568 张挑战性图像，用于对象检测；PigTrack 数据集用于多目标跟踪。这些数据集旨在提高猪只监测的自动化水平，确保动物福利和有效管理。数据集和训练代码已公开发布，以便于可重复性、再利用和进一步发展。PigDetect and PigTrack are two datasets for pig detection and tracking, co-developed by the Department of Statistics and Econometrics at the School of Economics, University of Göttingen, Germany; the Institute of Animal Breeding and Genetics, Kiel University; and a German scientific data processing company. The datasets include diverse image and video materials collected from real pig housing environments, covering challenging scenarios such as occlusions and poor lighting conditions. The PigDetect dataset contains 2,931 images, among which 568 are challenging ones, and is used for object detection; the PigTrack dataset is designed for multi-object tracking. These datasets aim to elevate the automation level of pig monitoring, ensure animal welfare and enable effective management. The datasets and training code have been publicly released to facilitate reproducibility, reuse and further development of relevant research.

搜集汇总

数据集介绍

构建方式

PigDetect和PigTrack数据集的构建基于多样化的猪舍环境图像和视频素材，涵盖了遮挡、低能见度等挑战性场景。PigDetect通过随机采样和针对性选择困难样本相结合的方式构建，首先从图像和视频源中随机抽取2363张图像，随后通过预训练的猪检测模型识别并修正错误样本，最终纳入568张具有挑战性的图像，总计2931张图像。PigTrack则通过筛选具有挑战性追踪条件的视频片段，利用基础追踪方法生成初步标注，并通过人工修正完成密集标注，最终包含80段视频，总时长41.06分钟。

使用方法

PigDetect和PigTrack数据集适用于目标检测和多目标追踪任务的模型训练与评估。PigDetect可用于训练和测试目标检测模型，通过平均精度（AP）等指标评估模型性能。PigTrack则用于多目标追踪模型的训练与评估，支持基于运动或外观关联的SORT类方法以及端到端可训练模型的测试。数据集已公开并提供预训练模型权重和源代码，便于研究复现和进一步开发。用户可通过GitHub获取训练、评估和推理代码，数据集则通过DOI链接访问。

背景与挑战

背景概述

PigDetect和PigTrack数据集由Jonathan Henrich等研究人员于2025年创建，旨在解决猪只养殖中个体行为监测的自动化问题。这两个数据集分别专注于目标检测（PigDetect）和多目标跟踪（PigTrack），基于多样化的猪舍环境图像和视频材料构建，涵盖了遮挡、光线不佳等复杂场景。该研究由哥廷根大学和基尔大学等机构合作完成，填补了猪只检测与跟踪领域系统性基准研究的空白。通过公开数据集和代码，该工作显著推动了精准畜牧领域计算机视觉技术的发展，并为下游行为分析任务提供了关键基础设施。

当前挑战

PigDetect和PigTrack面临的挑战主要体现在两个方面：领域问题方面，猪只密集群养导致的严重遮挡、相似外观个体区分、非刚性运动模式等特性，使得传统检测跟踪方法性能受限；数据构建方面，需解决复杂场景标注歧义（如重叠个体边界）、跨摄像头视角差异、昼夜光照变化对红外成像的影响等难题。此外，数据多样性要求覆盖不同品种、生长阶段的猪只以及多样化栏舍配置，这对样本采集和标注质量控制提出了极高要求。

常用场景

经典使用场景

在生猪养殖领域，PigDetect和PigTrack数据集为计算机视觉技术在动物行为监测中的应用提供了重要支持。PigDetect专注于猪只的实时检测，通过标注多样化的猪舍环境图像，包括遮挡、光线不足等挑战性场景，为研究者提供了丰富的训练素材。PigTrack则聚焦于多目标跟踪任务，通过密集标注的视频序列，捕捉猪只的时空运动轨迹，为行为分析奠定了数据基础。这两个数据集特别适用于开发自动化监测系统，能够替代传统人工观察，实现猪只位置、姿态和群体互动的连续记录。

解决学术问题

该数据集有效解决了生猪养殖中个体行为监测的若干关键学术问题。首先，通过提供标准化、多样化的标注数据，弥补了以往研究中数据单一、标注稀疏的缺陷，为算法性能比较建立了统一基准。其次，针对猪只密集遮挡、外观相似等挑战性场景的系统收录，推动了检测与跟踪算法在复杂环境下的鲁棒性研究。实验表明，包含挑战性样本的训练策略能显著提升模型性能，如YOLOX在AP0.5指标上可获得超过1%的增益。此外，数据集通过跨猪舍的测试设计，验证了模型在未知环境中的泛化能力，为精准畜牧业中的算法迁移提供了实证依据。

实际应用

在实际应用层面，该数据集支撑的算法系统已展现出显著的农业价值。基于PigDetect训练的检测模型可集成至智能监控系统，实现猪只数量统计、异常行为（如咬尾、叠压）的实时预警。PigTrack衍生的跟踪技术则能长期记录个体活动轨迹，为动物福利评估提供量化指标，如运动量分析、社交互动频率测量等。研究团队在第三方测试视频中验证了算法的泛化性，未经微调的BoT-SORT模型较原系统提升9.3个HOTA点，证实了高质量训练数据对实际部署的关键作用。这些应用显著降低了人工巡检成本，为规模化养殖的精细化管理提供了技术保障。

数据集最近研究

最新研究方向

近年来，PigDetect和PigTrack数据集在计算机视觉与精准畜牧业交叉领域的研究中展现出显著的前沿价值。研究重点聚焦于三个方向：一是基于Transformer架构的端到端多目标跟踪模型（如MOTRv2、MOTIP）在复杂农场环境下的适应性优化，其关联性能较传统SORT系列方法提升3-5% HOTA指标，但面临检测精度与泛化能力的平衡挑战；二是数据增强策略的创新，实验证明针对性采集的困难样本（如遮挡、低光照场景）可使检测模型AP提升1.5-2.3%，突破了随机采样数据的性能瓶颈；三是跨场景泛化研究，在未见过的猪舍环境中，基于该数据集训练的模型较现有方法实现9.3%的HOTA提升，验证了高质量标注数据对模型迁移能力的关键作用。这些进展为动物福利监测、疾病早期预警等应用提供了更可靠的技术基础。

相关研究论文

• Benchmarking pig detection and tracking under diverse and challenging conditions

  德国哥廷根大学经济学院统计与计量经济学系、基尔大学动物育种与繁殖研究所、德国科学数据处理公司 · 2025年