pig-detection-and-tracking

该数据集是一个用于猪只检测和跟踪的计算机视觉数据集，包含检测和跟踪两部分。检测部分包含2931张来自31个不同传统猪舍环境的JPEG图像，并提供了COCO格式的边界框标注。跟踪部分包含80个序列的JPEG图像和多目标跟踪标注（DanceTrack格式），以及原始MP4视频和可视化标注。数据集适用于目标检测、多目标跟踪、精准畜牧业和计算机视觉研究。

This dataset is a computer vision dataset for pig detection and tracking, comprising two components: detection and tracking. The detection component includes 2931 JPEG images sourced from 31 distinct conventional pig housing environments, paired with COCO-formatted bounding box annotations. The tracking component consists of 80 sequences of JPEG images with multi-object tracking annotations in DanceTrack format, alongside the original MP4 videos and visualized annotations. This dataset is suitable for research in object detection, multi-object tracking, precision livestock farming, and computer vision.

原始信息汇总

数据集概述

基本信息

• 数据集名称: PigBench
• 发布者/作者: jonaden
• 许可证: CC BY 4.0
• 创建方式: 专家生成
• 任务类别: 目标检测、其他
• 语言: 英语
• 模态: 图像、视频
• 标签: 目标检测、多目标跟踪、猪、动物、计算机视觉、精准畜牧业
• DOI: 10.1016/j.compag.2025.111264

来源与目的

• 来源数据集: 原始数据
• 相关论文: 《Benchmarking pig detection and tracking under diverse and challenging conditions》
• 论文链接: https://doi.org/10.1016/j.compag.2025.111264
• 详细描述: 更多关于数据集的详细描述可在上述论文中找到。

数据内容与结构

该数据集不提供 load_dataset 接口。数据整体分为检测和跟踪两部分，结构如下：

pig-detection-and-tracking/ ├── detection/ ├── PigDetect.zip └── coco_annotations/ ├── train.json ├── val.json └── test.json └── tracking/ ├── PigTrack/ ├── pigtrack0001.zip ├── pigtrack0002.zip ├── ... ├── pigtrack0080.zip └── split.txt ├── PigTrackVideos.zip └── PigTrackViz.zip

检测部分 (detection/)

• PigDetect.zip: 包含来自31个不同传统猪舍环境的2931张JPEG图像。
• coco_annotations/: 包含边界框标注文件 (train.json, val.json, test.json)。

跟踪部分 (tracking/)

• PigTrack/: 包含80个序列 (pigtrack0001.zip 至 pigtrack0080.zip)。
  • 每个序列包含对应的JPEG图像和以DanceTrack格式存储的多目标跟踪标注。
  • split.txt 文件。
• PigTrackVideos.zip: 包含序列的原始MP4视频。
• PigTrackViz.zip: 包含可视化后的标注。

数据获取与使用

下载方式

1. 安装必要的包： bash pip install huggingface_hub

2. 使用Hugging Face CLI下载整个数据集： bash hf download jonaden/pig-detection-and-tracking --repo-type dataset --local-dir ./pig-detection-and-tracking

3. 也可指定下载单个文件或使用 --include 标志下载特定文件夹。

更多信息

• 关于所有文件的更多信息，可在原始数据仓库的README中找到，链接为：https://doi.org/10.25625/I6UYE9 和 https://doi.org/10.25625/P7VQTP。
• 与工作相关的其他文件（如用于猪检测和跟踪的已训练模型检查点）也可在上述链接中找到。

引用

如果使用本数据集，请引用以下论文： bibtex @article{pigbench2026, title = {Benchmarking pig detection and tracking under diverse and challenging conditions}, author = {Henrich, Jonathan and Post, Christian and Zilke, Maximilian and Shiroya, Parth and Chanut, Emma and Yamchi, Amir Mollazadeh and Yahyapour, Ramin and Kneib, Thomas and Traulsen, Imke}, journal = {Computers and Electronics in Agriculture}, volume = {241}, pages = {111264}, year = {2026}, publisher = {Elsevier}, doi = {10.1016/j.compag.2025.111264} }

搜集汇总

数据集介绍

构建方式

在精准畜牧业领域，PigBench数据集通过系统采集31个不同传统猪舍环境中的视觉数据构建而成。其构建过程涵盖了2931张高质量JPEG图像，这些图像均经过专家手工标注，形成了精确的边界框注释，并按照COCO格式进行组织。对于多目标追踪任务，数据集进一步提供了80个序列的追踪数据，每个序列包含相应的图像帧及符合DanceTrack格式的注释，确保了数据在复杂场景下的时序一致性与标注可靠性。

特点

该数据集的核心特点在于其多样性与挑战性，涵盖了多种光照条件、遮挡情况以及猪只密集互动的真实养殖场景。数据模态全面，既包含静态图像用于目标检测，也提供视频序列支持多目标追踪研究。注释体系严谨，检测部分采用COCO标准，追踪部分则遵循DanceTrack格式，便于现有算法框架的直接评估与比较。此外，数据集还附有原始视频及可视化注释，为算法调试与结果分析提供了便利。

使用方法

研究人员可通过Hugging Face CLI工具下载完整数据集，并依据任务需求灵活选用检测或追踪子集。检测部分包含训练、验证与测试划分的注释文件，可直接用于模型训练与评估；追踪部分则按序列组织，支持端到端的多目标追踪算法验证。用户亦可参考相关论文与原始存储库中的详细说明，进一步获取预训练模型等扩展资源，以推动精准畜牧业中计算机视觉技术的实际应用。

背景与挑战

背景概述

随着精准畜牧业的发展，计算机视觉技术在动物行为监测与健康管理中扮演着日益重要的角色。2026年，由Jonathan Henrich、Christian Post等研究人员组成的团队在《Computers and Electronics in Agriculture》期刊上发布了名为“PigBench”的数据集，旨在为猪只检测与追踪任务提供基准。该数据集涵盖了31种不同传统猪舍环境下的2931张图像及80个视频序列，通过专家生成的边界框与多目标追踪标注，致力于解决复杂农业场景中猪只的自动化识别与行为分析问题，对推动智能养殖系统的优化具有显著影响力。

当前挑战

在猪只检测与追踪领域，核心挑战在于应对农业环境中光照变化、遮挡频繁以及猪只外观相似性高等复杂条件，这些因素严重影响了模型的泛化能力与鲁棒性。数据构建过程中，研究人员需克服大规模标注成本高昂、视频序列中目标运动轨迹连续标注的复杂性，以及不同猪舍场景下数据多样性的平衡问题，这些挑战共同构成了该数据集在推动精准畜牧业技术应用中的关键难点。

常用场景

经典使用场景

在精准畜牧业领域，PigBench数据集为猪只检测与追踪任务提供了标准化的评估基准。该数据集广泛应用于计算机视觉算法的训练与验证，特别是在复杂多样的养殖环境中，研究者利用其丰富的图像与视频序列，开发并优化目标检测与多目标追踪模型。这些模型能够准确识别猪只个体，并持续跟踪其运动轨迹，为后续行为分析奠定数据基础。

衍生相关工作

围绕PigBench数据集，已衍生出一系列经典的计算机视觉研究工作。许多研究基于其检测与追踪标注，提出了针对农业场景的改进模型，如适应复杂背景的检测网络、处理外观相似性的重识别算法。这些工作不仅提升了特定任务的性能，也为跨领域的目标追踪研究提供了可迁移的方法论与见解。

数据集最近研究

最新研究方向

在精准畜牧业领域，计算机视觉技术正推动动物行为监测的革新。PigBench数据集作为猪只检测与追踪的基准，其最新研究聚焦于复杂环境下的多目标跟踪算法优化，旨在应对光照变化、遮挡及群体密集等挑战。前沿探索结合深度学习模型，如Transformer架构，以提升长时轨迹关联的准确性，相关热点事件包括欧盟动物福利法规的强化，促使自动化监测需求激增。该数据集的影响在于为可持续养殖提供数据驱动决策支持，意义深远，助力实现动物健康与生产效率的双重提升。