Sulawesi ricefish dataset

该数据集由弗劳恩霍夫协会·海因里希赫兹研究所构建，包含苏拉威西米鱼在受控水产环境中的追踪标注视频，分辨率达2448×2048像素/30fps。核心内容包含37帧训练样本和2段测试序列（共202帧），通过半自动标注提供像素级分割掩膜和跨帧身份标签，涵盖鱼群密集、快速转向和频繁遮挡等复杂场景。数据集创建采用Basler专业摄像机多视角采集，模拟家庭水族箱光照条件，旨在为计算机视觉模型开发提供基准，支持通过游泳方向分析等轨迹特征实现鱼类健康监测。This dataset was developed by the Fraunhofer Heinrich Hertz Institute (HHI). It contains tracked and annotated videos of Sulawesi freshwater fish in a controlled aquaculture environment, with a resolution of 2448 × 2048 pixels at 30 fps. The core content includes 37 training sample frames and two test sequences (totaling 202 frames). Semi-automatic annotation is used to provide pixel-level segmentation masks and inter-frame identity labels, covering complex scenarios such as dense fish schools, rapid turning movements, and frequent occlusions. The dataset was acquired using multi-view recordings with professional Basler cameras, with lighting conditions mimicking those of home aquariums. It aims to serve as a benchmark for computer vision model development, and enables fish health monitoring via trajectory features such as swimming direction analysis.

搜集汇总

数据集介绍

构建方式

在数字水产养殖领域，精准的行为监测对鱼类健康评估至关重要。Sulawesi ricefish数据集通过精心设计的采集流程构建而成，其视频数据使用Basler a2A2448-75ucPRO相机在模拟家庭水族箱环境中录制，分辨率达2448×2048像素，帧率为30fps。数据标注采用半自动化方法，为每帧图像生成像素级分割掩码和跨帧身份跟踪标签，涵盖多种游泳姿态、速度变化及个体间遮挡场景，为多目标跟踪与实例分割任务提供了高质量的基准数据。

使用方法

该数据集主要用于鱼类行为分析与健康监测研究。研究者可基于其标注信息训练和评估多目标跟踪模型（如ByteTrack、BoT-SORT），结合YOLOv11等检测架构提取鱼类运动轨迹。通过计算游泳方向与速度的分布特征，能够量化鱼群运动模式，进而识别异常行为（如垂直方向的非典型游动），为早期疾病检测与动物福利评估提供数据支持。数据集公开后，可促进水产养殖智能化管理工具的研发。

背景与挑战

背景概述

在数字水产养殖领域，基于视觉的鱼类行为监测技术对于保障动物福利与实现可持续养殖至关重要。由德国弗劳恩霍夫海因里希赫兹研究所与柏林洪堡大学的研究团队于2026年创建的Sulawesi ricefish数据集，旨在为鱼类健康监测提供关键的计算机视觉基准。该数据集聚焦于通过视频分析苏拉威西青鳉的游动行为，核心研究问题在于如何利用多目标跟踪技术从复杂的水族箱场景中准确提取个体鱼类的运动轨迹，进而量化其游动方向与速度等运动学特征，为早期疾病检测提供客观依据。该数据集的建立推动了鱼类行为分析从定性观察向定量评估的转变，对精准水产养殖管理具有显著的学术与应用价值。

当前挑战

该数据集致力于解决鱼类健康监测中基于视频的游动行为量化这一核心问题，其面临的首要挑战在于复杂场景下的鲁棒性多目标跟踪。苏拉威西青鳉体型小巧、鱼群密度高、个体间视觉相似性强，且存在频繁的相互遮挡、快速方向转变以及非刚性身体导致的连续形态变化，这些因素使得维持跨帧的身份一致性变得极为困难。在数据集构建过程中，挑战同样突出：需要在模拟家庭水族箱的受控但复杂环境中（包含水生植物、非均匀光照等）采集高分辨率视频，并完成精确到像素级的实例分割标注与跨帧身份标签的生成，这要求标注过程兼具高度的准确性与处理大量密集小目标的能力，以构建一个能够真实反映实际养殖场景挑战的评估基准。

常用场景

经典使用场景

在数字水产养殖领域，鱼类行为监测是保障养殖效益与动物福利的核心环节。Sulawesi ricefish数据集以其高分辨率视频序列和精细标注，为多目标跟踪算法提供了理想的验证平台。该数据集典型应用于评估基于检测的跟踪框架在密集鱼群环境中的性能，研究者通过分析鱼类的游动轨迹、方向变化及速度分布，能够深入探究复杂场景下目标遮挡、形态变形等挑战对跟踪精度的影响。

解决学术问题

该数据集有效解决了计算机视觉在生态监测中的若干关键问题。针对鱼类非刚性体态、高相似度外观及频繁交互导致的跟踪困难，数据集提供了真实场景下的标注基准，支持算法在检测鲁棒性与身份一致性方面的优化。通过量化游动方向与速度特征，数据集将行为模式与生理健康建立关联，为早期疾病检测、应激反应识别等研究提供了数据驱动的分析途径，推动了水产养殖智能化管理方法的学术进展。

实际应用

在实际水产养殖系统中，该数据集支撑的健康监测技术可直接应用于养殖池的实时监控。通过部署基于视频的跟踪系统，养殖人员能够持续获取鱼群的集体行为指标，如垂直游动异常、速度突变等，从而及时预警水质恶化、设备故障或疾病爆发。这种非侵入式监测方式不仅降低了人工巡检成本，更提升了养殖管理的精准性与动物福利水平，为可持续渔业实践提供了可靠的技术工具。

数据集最近研究

最新研究方向

在数字水产养殖领域，基于视频的鱼类运动分析正成为健康监测的前沿方向。Sulawesi ricefish数据集作为高分辨率、密集鱼群场景的基准，推动了多目标跟踪技术在复杂水生环境中的应用研究。当前热点聚焦于将多帧时空上下文信息融入YOLO检测架构，通过扩展输入通道增强模型对鱼类部分遮挡、快速形变等挑战的鲁棒性。这类方法显著提升了检测精度，进而优化了ByteTrack与BoT-SORT等跟踪框架在密集鱼群中的身份一致性。该数据集不仅为鱼类异常游泳行为（如垂直方向运动）的量化分析提供了可靠基础，也为早期疾病预警和动物福利评估建立了计算机视觉标准，对实现可持续精准水产养殖具有重要实践意义。

相关研究论文

• Video-based Locomotion Analysis for Fish Health Monitoring

  弗劳恩霍夫协会·海因里希赫兹研究所; 柏林洪堡大学 · 2026年