MOUNT-Cattle

MOUNT-Cattle数据集是一个专门用于奶牛发情期行为分析的视觉数据集，包含1,176个奶牛交配姿势实例。该数据集采用COCO格式标注，支持对象检测和关键点检测任务，适用于姿态估计模型的训练。数据集结构包括原始COCO格式和转换为Hugging Face友好的JSONL格式两种形式。关键点标注详细定义了16个身体部位，包括头部、颈部、脊柱、四肢根部、膝盖和蹄等位置。在实际应用中，建议将本数据集与公开的NWAFU-Cattle数据集结合使用以获得最佳训练效果。数据集由北京农林科学院信息技术研究中心和国家农业信息化工程技术研究中心提供支持。

原始信息汇总

MOUNT-Cattle 数据集概述

数据集基本信息

• 数据集名称：MOUNT-Cattle Dataset
• 托管地址：https://huggingface.co/datasets/eelianafang/MOUNT-Cattle
• 许可证：mit
• 相关任务：目标检测、图像分类
• 标签：cattle, object-detection, keypoint-detection, mount, cow, estrus, farm, animal

数据集简介

MOUNT-Cattle 是一个关于奶牛爬跨姿态的数据集，包含 1,176 个爬跨实例。爬跨姿态是奶牛发情期的重要视觉指标。该数据集遵循 COCO 格式，支持在姿态估计模型中即插即用的训练。

在实际训练过程中，建议使用 MOUNT-Cattle 与公开的 NWAFU-Cattle 数据集结合的综合数据集。本仓库提供了该训练设置中使用的相应综合数据集。

数据集支持以下任务：

• 目标检测（边界框）
• 关键点检测（姿态估计）

数据集最初以 COCO 格式 标注，为兼容 Hugging Face，同时提供了转换后的 JSONL 格式。

数据集结构

原始 COCO 格式

MOUNT-Cattle/ ├── images/ ├── annotations/ │ ├── train.json │ ├── val.json │ └── test.json

Hugging Face 友好的 JSONL 格式

MOUNT-Cattle/ ├── images/ ├── train.jsonl ├── validation.jsonl └── test.jsonl

关键点标注定义

数据集按顺序定义了以下关键点：

1. 头顶
2. 颈部
3. 脊柱
4. 右前腿根部
5. 右前膝
6. 右前蹄
7. 左前腿根部
8. 左前膝
9. 左前蹄
10. 尾骨
11. 右后腿根部
12. 右后膝
13. 右后蹄
14. 左后腿根部
15. 左后膝
16. 左后蹄

相关资源

• 数据集论文：FSMC-Pose (https://arxiv.org/abs/2603.16596)，已被 CVPR 2026 Findings 接收。
• 代码仓库：FSMC-Pose (https://github.com/elianafang/FSMC-Pose)

致谢

信息技术研究中心，北京市农林科学院，国家农业信息化工程技术研究中心

搜集汇总

数据集介绍

构建方式

在精准畜牧业领域，视觉监测技术对于识别奶牛发情行为至关重要。MOUNT-Cattle数据集的构建源于对奶牛爬跨姿态的系统性采集与标注，该姿态是发情期的关键视觉指标。数据集共包含1,176个爬跨实例，遵循通用的COCO数据格式进行组织，确保了与主流姿态估计模型的兼容性。其标注过程不仅涵盖了目标检测所需的边界框，还详细定义了涉及头部、颈部、脊柱、四肢根部、膝盖及蹄部等16个关键身体部位的关键点，从而为深度理解奶牛姿态提供了结构化的视觉基础。

特点

该数据集的核心特点在于其专注于奶牛爬跨这一特定且具有重要生物意义的行为，填补了畜牧业计算机视觉应用中的一项空白。数据以两种格式提供：原始的COCO格式便于直接接入现有训练流程，而转换后的JSONL格式则优化了在Hugging Face平台上的使用体验。其标注体系精细，关键点定义涵盖了从头部到四肢末端的完整牛体骨骼关节点，支持同时进行目标检测与姿态估计任务。此外，为提升模型泛化能力，建议在实际训练中将其与公开的NWAFU-Cattle数据集结合使用，构成一个更为全面的训练集。

使用方法

为有效利用该数据集进行研究与模型开发，用户可直接从Hugging Face平台下载。数据集按标准划分为训练集、验证集和测试集，并提供了清晰的目录结构。对于目标检测任务，可利用标注中的边界框信息；对于关键点检测或姿态估计任务，则可依据定义的16个关键点顺序进行模型训练与评估。研究人员可以轻松加载JSONL格式文件，并利用Hugging Face Datasets库或其他兼容COCO格式的框架（如MMDetection、Detectron2）将其集成到自己的训练管道中，从而快速开展关于奶牛行为识别与分析的实验。

背景与挑战

背景概述

在精准畜牧业与动物行为学领域，奶牛发情期的准确检测对于提升繁殖效率与动物福利至关重要。MOUNT-Cattle数据集由北京农林科学院信息技术研究中心及国家农业信息化工程技术研究中心的研究团队于2026年前后构建，其核心研究问题聚焦于通过计算机视觉技术识别奶牛的骑乘姿态，作为发情行为的视觉标志。该数据集包含1,176个骑乘实例，遵循COCO格式，支持目标检测与关键点检测任务，为畜牧智能化管理提供了高质量的数据基础，相关研究成果FSMC-Pose已被CVPR 2026接收，彰显了其在农业人工智能领域的影响力。

当前挑战

该数据集旨在解决奶牛发情行为自动识别这一领域挑战，其核心难点在于复杂农场环境下对动态、遮挡的动物姿态进行精准建模。构建过程中，研究人员面临数据采集与标注的双重困难：在自然养殖场景中捕捉清晰、多样的骑乘行为图像颇具挑战，且奶牛关键点标注需依赖专业动物学知识，以确保解剖结构的准确性。此外，为提升模型泛化能力，需将本数据集与公开的NWAFU-Cattle数据集进行有效融合，这一过程涉及数据格式统一与标注一致性维护，进一步增加了数据集构建的复杂度。

常用场景

经典使用场景

在智慧畜牧业与动物行为分析领域，MOUNT-Cattle数据集为计算机视觉研究提供了关键支撑。该数据集最经典的使用场景是训练和评估姿态估计模型，特别是针对奶牛发情期的典型行为——爬跨姿态进行精准识别。通过包含1,176个爬跨实例的高质量标注图像，研究者能够利用其遵循的COCO格式，直接集成到主流的目标检测与关键点检测框架中，实现端到端的模型训练与性能验证。

衍生相关工作

围绕MOUNT-Cattle数据集，已衍生出一系列重要的研究工作。其关联论文FSMC-Pose已被CVPR 2026 Findings接收，标志着该数据在顶级计算机视觉会议中获得认可。该工作很可能提出了新颖的农场场景姿态估计架构或训练策略。此外，数据发布者建议将本数据集与公开的NWAFU-Cattle数据集结合使用，这种数据融合策略本身也催生了针对农业场景模型泛化性与鲁棒性的改进研究，为后续在复杂环境下的多动物跟踪、行为序列分析等方向提供了宝贵的起点与参照。

数据集最近研究

最新研究方向

在精准畜牧业领域，动物行为监测正逐步迈向智能化与自动化。MOUNT-Cattle数据集聚焦于奶牛发情期的关键视觉指标——爬跨姿态，其最新研究FSMC-Pose模型已被CVPR 2026 Findings接收，标志着基于姿态估计的发情检测技术取得了重要突破。该方向紧密关联智慧农场的热点需求，通过融合目标检测与关键点检测技术，实现对奶牛个体行为的细粒度解析，为优化繁殖管理、提升牧场经济效益提供了可靠的数据驱动方案。数据集发布后短期内下载量迅速攀升，反映出学术界与产业界对高效、非侵入式动物健康监测工具的迫切期待，其开源特性进一步促进了相关算法在真实农业场景中的验证与部署。