CattleEyeView

CattleEyeView数据集是由新加坡大学科技与设计学院和AnimalEYEQ Private Limited共同创建，专注于从顶部视角观察牛只的视频数据集。该数据集包含753个独特的牛只实例，分布在30,703帧视频中，涵盖14个视频序列。数据收集自安装在3.7米高处的RGB CCTV摄像头，记录了牛只在不同光照条件下的行为。CattleEyeView旨在通过提供包括计数、检测、姿态估计、跟踪和实例分割在内的多任务标注，支持智能精准畜牧业的发展，解决劳动力短缺和提高生产效率的问题。

The CattleEyeView dataset, jointly created by the Singapore University of Technology and Design and AnimalEYEQ Private Limited, is a video dataset dedicated to cattle captured from a top-down viewpoint. It contains 753 unique cattle instances across 30,703 video frames, spanning 14 video sequences. The data was collected using RGB CCTV cameras mounted at a height of 3.7 meters, recording the behaviors of cattle under varying lighting conditions. CattleEyeView aims to support the development of smart precision livestock farming by providing multi-task annotations including counting, object detection, pose estimation, tracking, and instance segmentation, to address labor shortages and improve production efficiency.

搜集汇总

数据集介绍

构建方式

在智慧畜牧领域，数据采集视角的局限性制约了自动化系统的精准性。CattleEyeView数据集通过架设于3.7米高处的RGB闭路电视摄像机，历时四个月采集了14段视频序列，共计30,703帧俯视视角的牛只行走画面。数据覆盖六种不同品种与毛色的牛只，并在晨昏不同光照条件下录制，以模拟真实农场环境。所有753个独立牛只实例均由经验丰富的标注员手动标注，并经过资深人员复核，确保了标注质量的一致性。

特点

该数据集的核心特征在于其独特的俯视视角与多任务标注体系。俯视视角有效避免了牲畜间的严重遮挡，使目标外观尺寸更为一致，并聚焦于单个动物，为精准计数与行为分析提供了理想条件。数据集囊括了身体与头部的边界框、跟踪ID、通过坡道的牛只计数、24个关键点姿态估计以及实例分割掩码，构成了一个支持检测、计数、跟踪、姿态估计与分割五项关联任务的综合性基准。其涵盖的品种多样性与复杂光照变化，进一步提升了模型的泛化需求与挑战性。

使用方法

为促进模型开发与评估，数据集按75%与25%的比例划分为训练集与测试集。研究者可利用其丰富的标注信息，分别训练或联合优化面向特定任务的模型，例如使用YOLO系列框架进行目标检测与分割，结合ByteTrack等算法实现多目标跟踪与计数，或基于HRNet进行关键点预测。该数据集为评估模型在真实农场俯视场景下的综合性能提供了统一基准，尤其适用于开发集成化智慧畜牧AI系统，以同时满足牲畜盘点、健康监测与行为分析等多重产业需求。

背景与挑战

背景概述

随着精准畜牧业向智能化转型，对自动化监控系统的需求日益迫切，旨在通过计算机视觉技术提升牛群管理的效率与动物福祉。在此背景下，新加坡科技设计大学与AnimalEYEQ公司于2023年联合发布了CattleEyeView数据集，这是首个专注于俯视角度的多任务牛只视频数据集。该数据集包含14段视频序列、30,703帧图像及753个独立牛只实例，提供了检测、计数、跟踪、姿态估计与实例分割的精细标注。其核心研究问题在于解决现有动物数据集在牛只特定任务与俯视视角上的不足，推动智能畜牧系统的发展，对农业人工智能领域具有重要的实践与学术影响力。

当前挑战

在精准畜牧领域，俯视牛只监控面临多重挑战：首先，牛只姿态估计因俯视角度导致关键点遮挡与形变，现有模型在OKS指标上表现不佳；其次，跟踪与计数任务受牛只往复运动干扰，易产生重复计数误差，MAE高达41%。数据构建过程中，采集环境的光照变化与低对比度背景增加了标注难度，而多品种牛只的毛色差异进一步要求模型具备强大的泛化能力。这些挑战共同凸显了开发鲁棒算法以提升多任务性能的必要性。

常用场景

经典使用场景

在精准畜牧业领域，CattleEyeView数据集为多任务计算机视觉模型提供了关键支持。该数据集通过俯视视角捕捉牛只行走过程，其经典使用场景集中在牛只计数、检测、姿态估计、跟踪与实例分割等任务的联合训练与评估。研究人员可利用该数据集开发集成化智能系统，实现对牛群行为的全面监控与分析，从而提升畜牧业自动化水平。

实际应用

在实际应用中，CattleEyeView数据集支撑了智能畜牧管理系统的开发。农场可利用基于该数据集训练的模型，自动统计牛只数量、追踪个体运动轨迹、评估牛只姿态以检测跛行等健康问题，并分割牛体以估算体重与清洁度。这些功能显著降低了人工巡检成本，提升了养殖效率与动物福利水平，为畜牧业数字化转型提供了可靠的技术基础。

衍生相关工作

该数据集已衍生出多项经典研究工作，例如基于YOLOv8与RT-DETR的牛只检测模型优化、结合ByteTrack与BoT-SORT的多目标跟踪算法改进，以及利用HRNet进行俯视视角下的牛只姿态估计。这些工作不仅提升了各任务在CattleEyeView上的性能，还推动了跨数据集迁移学习、少样本动物行为分析等前沿方向的发展，为精准畜牧业AI系统提供了丰富的算法储备。