简介：基于YOLOv5的猪脸目标检测项目以PyTorch为框架，面向畜牧智能化管理场景，可服务于猪只健康监测、个体识别与行为分析，适配有一定深度学习基础并希望落地目标检测应用的开发者。压缩包共236个文件，大小约70.75MB，内含Python训练与推理脚本、YAML模型配置、Jupyter Notebook演示、预训练权重及测试图片等，目录结构清晰，便于按需检索与二次开发。包内提供best.pt标准模型与best_yolo_tiny.pt轻量模型两套权重，可灵活适配高精度与低算力环境；main.ipynb完整覆盖环境设置、模型加载、数据处理、目标检测与结果可视化流程，借助附带示例图像可快速验证实际效果。模型引入Focal Loss、数据增强与多尺度训练等策略，在小目标检测和类别不平衡问题上表现稳定，既适合入门学习，也便于后续针对养殖场景做调优，目前已有1292人学习下载。
1. 当目标检测遇上猪脸：为什么YOLOv5仍是落地首选
在做养殖场智能化方案时，猪脸识别一直是个“看起来简单、做起来头大”的活儿。猪不像人，不会配合你正脸对着镜头，耳标遮挡、泥浆糊脸、栏位铁丝网挡视线都是家常便饭。用传统图像分类做，换一头猪换个角度就废了；用重型检测网络做，边缘设备跑不动。而基于yolo-v5的猪脸目标检测模型与代码，刚好卡在这个平衡点上——精度够用，推理速度能上实时视频流，模型体积也压得下来。
这篇文章不是论文复述，是我在实际项目里把YOLOv5用在猪脸检测上的完整记录。从数据集怎么整、模型怎么改参数，到训练翻车怎么排查、部署到Jetson这类设备上要注意什么，都会给到可直接抄的代码和配置。适合刚接触目标检测的开发者，也适合已经在用YOLO但被猪脸这种特殊目标折磨过的工程师。
有人问，猪脸检测到底图什么？最常见的是个体识别的前置步骤——先框出猪脸，再做特征提取匹配身份，用在精准饲喂、健康监测和行为分析上。也有直接拿检测结果做统计的，比如清点栏内猪只数量。不管哪种用法，YOLOv5这个起点都绕不开。
2. 数据是猪脸检测的命门：采集、标注与增强策略
2.1 猪脸数据集的采集规范：角度、光照与遮挡的取舍
猪脸检测和通用物体检测最大的区别在于：猪脸的类内差异小，但姿态和遮挡变化极大。一个栏里的猪可能长得差不多，但有的抬头、有的低头、有的侧脸对着镜头。如果数据集里全是正脸清晰图，模型一上线就会被侧脸和半遮挡打懵。
采集时我一般遵循几个硬性标准。角度方面，至少要覆盖正脸、左右侧脸、俯视和轻微仰视四类；光照方面，养殖场大多是顶灯或自然光混合，要分别采白天强光、傍晚暗光、夜间红外补光三种场景；遮挡方面，栏位栏杆、耳标、饲料槽边缘、另一头猪的耳朵压过来，这些都要刻意采集。简单说，宁可要1000张“脏图”，不要500张“摆拍图”。
一个容易忽略的点是视频抽帧。很多人直接用手机在栏外拍几张照片了事，但猪是动的，单帧照片捕捉不到运动模糊和姿态连续变化。我的做法是架好相机录5到10分钟视频，然后按每秒2到3帧抽帧，这样同一个体在不同姿态下的样本自然就有了。注意抽帧间隔别太短，否则相邻帧几乎一样，等于有效样本没增加。
2.2 标注格式转换与清洗：从LabelImg到YOLOv5的txt
YOLOv5用的是归一化的txt标注格式，每行是“类别id x_center y_center width height”，坐标都是相对于图片宽高的比例值。而大多数人标注时习惯用LabelImg的VOC XML格式，或者用CVAT导出COCO JSON。无论哪种来源，都要转成YOLO格式。
# 将VOC XML批量转为YOLO txt的脚本片段（Python） import xml.etree.ElementTree as ET import os def convert_voc_to_yolo(xml_path, out_dir, class_list): tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find('size').find('width').text) img_h = int(root.find('size').find('height').text) out_lines = [] for obj in root.iter('object'): cls_name = obj.find('name').text if cls_name not in class_list: continue cls_id = class_list.index(cls_name) box = obj.find('bndbox') x1 = float(box.find('xmin').text) y1 = float(box.find('ymin').text) x2 = float(box.find('xmax').text) y2 = float(box.find('ymax').text) # 归一化并转成YOLO格式 x_center = (x1 + x2) / 2.0 / img_w y_center = (y1 + y2) / 2.0 / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h out_lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") if out_lines: with open(os.path.join(out_dir, os.path.basename(xml_path).replace('.xml', '.txt')), 'w') as f: f.write('\n'.join(out_lines))这段脚本的核心逻辑是把XML里的绝对像素坐标转成相对比例坐标。注意类别列表要和训练配置里的classes保持一致，否则id错位会导致训练时标签全乱。转换完成后，我习惯把所有txt文件打开抽查一遍，重点看有没有坐标值大于1或者小于0的行——这是标注框出界或图片尺寸读取错误导致的。
数据清洗是另一个容易被跳过的环节。猪脸检测里最常见的标注错误是：框太大把脖子和耳朵根都包进去了，或者框太小只框了鼻吻部。我的经验是，猪脸判定框应该以眼睛到鼻吻部的区域为主体，耳朵可以部分包含，但不要包含整个头部和肩膀。这个标准要和标注团队对齐，否则模型学到的特征就是“整头猪”而不是“猪脸”。
2.3 数据增强的养殖场视角：马赛克、HSV扰动与遮挡模拟
YOLOv5自带的数据增强里，mosaic和mixup是提升猪脸检测效果的两大功臣。mosaic把四张图拼在一起训练，好处是让小目标（比如远处栏位里的猪脸）在训练中出现了更多次，而且自然引入了上下文信息——模型能看到猪脸和周围栏舍的关系。
# hyp.scratch-low.yaml 中与猪脸相关的增强参数参考 hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.4 degrees: 15.0 translate: 0.1 scale: 0.5 shear: 2.0 perspective: 0.0 flipud: 0.0 fliplr: 0.5 mosaic: 1.0 mixup: 0.2这里几个参数对猪脸场景特别关键。flipud我直接设0，因为养殖场摄像头都是俯视或平视，猪脸倒过来的情况几乎不存在，开了反而产生无意义的负样本。degrees设15度而不是默认的更大角度，因为猪脸姿态变化主要在水平方向，垂直方向的旋转过大容易把猪脸扭曲成不真实的样子。hsv_v设0.4，用来模拟早晚光照差异和泥浆覆盖导致的亮度变化。
关于mosaic的补充说明：我在训练后期会把mosaic关掉或降到0.3左右。原因是mosaic生成的合成图里，猪脸可能出现一半属于A猪一半属于B猪的拼接情况，在训练初期能增强鲁棒性，但后期会让模型对真实场景的边界变模糊。这个“先开再关”的做法，比全程开mosaic的mAP能高1到2个百分点。
3. 模型训练全流程：环境搭建、配置修改与效果验证
3.1 YOLOv5环境搭建与预训练权重选择
环境搭建的坑主要出在版本匹配上。YOLOv5的代码库更新频繁，不同版本的requirements.txt对torch版本的要求不一样。我目前常用的组合是Python 3.9、PyTorch 2.0.1、CUDA 11.8。如果显卡是20系或30系，这个组合兼容性最好；如果是40系，建议直接用官方最新的requirements。
# 建议在conda虚拟环境里安装，避免污染系统环境 conda create -n yolo5 python=3.9 conda activate yolo5 git clone https://github.com/ultralytics/yolov5 # 拉取官方代码库 cd yolov5 pip install -r requirements.txt预训练权重的选择直接关系到猪脸模型的收敛速度。用COCO预训练权重做迁移学习是标准做法，因为它已经学到了通用的边缘、纹理、形状特征。首次训练时，在train.py里加--weights yolov5s.pt即可，模型会自动从官方仓库下载权重文件。至于选s还是m还是l，取决于你的硬件和推理要求。边缘设备上用s起步；如果只是服务端做离线分析，m或l的精度上限更高。
3.2 数据集组织与训练启动：从目录结构到第一个epoch
YOLOv5要求数据集按特定目录结构存放：images和labels两个大目录，各自再分train和val子目录。注意，YOLOv5在训练时会实时读取图片做增强，所以图片文件最好是原始高清图，不要提前压缩，JPEG质量保持在90以上即可。
# 数据集目录结构示例 datasets/ pigface/ images/ train/ img_001.jpg img_002.jpg val/ img_101.jpg labels/ train/ img_001.txt img_002.txt val/ img_101.txt准备好数据集后，需要写一个data yaml文件，告诉训练脚本类别信息。我有一次踩了坑：yaml文件里的train和val路径写的是绝对路径，换机器训练时全乱了。后来统一改成相对路径，从yolov5目录下运行train.py，问题就再没出现过。
# pigface.yaml train: datasets/pigface/images/train val: datasets/pigface/images/val nc: 1 names: ['pig_face']启动训练的指令里，有几个参数对猪脸场景要重点调。--imgsz我推荐640，虽然输入更大精度会更高，但显存占用和推理延迟会明显增加。--batch-size根据显存来定，一般16G显存跑yolov5s可以到32。--epochs不要少于100，猪脸这种类内差异小的目标，模型需要足够多的epoch才能把细微纹理特征学进去。
python train.py --data pigface.yaml --weights yolov5s.pt --img 640 --batch-size 32 --epochs 120 --device 03.3 训练中如何判断模型真的在学“猪脸”
训练过程中在终端看loss曲线是最直接的反馈。YOLOv5的loss包含三部分：box_loss（框回归误差）、obj_loss（目标置信度误差）、cls_loss（分类误差）。猪脸检测是单类别，所以cls_loss前期降到很低是正常的，重点盯box_loss和obj_loss。
我习惯在训练到30到50个epoch后，用--save-period 10设置每10轮保存一次权重文件，然后手动用这些中间权重去测试几张“困难样本”（比如泥浆遮挡的、侧脸的）。有些模型final.pt的整体指标好看，但边界案例上翻车；反而是某个中间epoch的权重更对路。这也算是跑猪脸项目的一条血泪经验——别迷信最终的mAP数值，要看实际检测框的稳定性和贴合度。
4. 猪脸检测模型落地的三个必调参数与推理加速
4.1 置信度阈值和NMS参数的现场调优
训练完模型，放到现场跑视频流时，第一个要调的不是网络结构，而是置信度阈值和NMS阈值。YOLOv5的detect.py里默认conf_thres是0.25，这在猪脸场景下往往不够用。养殖场画面里，远处栏位的猪脸只有20到30像素大小，模型会给出大量0.3到0.5置信度的模糊检测框；而近处猪脸能到0.9以上。把阈值设0.25，结果就是满屏误检框。
我一般把conf_thres调到0.45到0.55之间，同时把iou_thres（NMS的IoU阈值）从默认的0.45降到0.3。原因在于，猪脸之间不会像人群那样密集重叠，两个框如果IoU超过0.3，基本就是同一个目标的重复框，NMS保守一点反而更干净。这两个参数配合调整，误检率能下降一半以上。
# 推理命令中直接指定阈值 python detect.py --weights runs/train/exp/weights/best.pt --source test_video.mp4 --conf-thres 0.5 --iou-thres 0.3 --img 6404.2 输入尺寸与批量推理的取舍
现场部署时，输入尺寸是精度和速度的博弈点。用640训练但用480推理，速度能提升30%左右，精度损失在猪脸这种中尺寸目标上并不明显。原因是猪脸在监控画面里通常占据几十到上百像素，不是极端小目标，降到480仍然足够。如果摄像头是俯拍远景，猪脸只有几十像素，那就老老实实保持640甚至768。
批量推理常被忽略。如果用服务端GPU做多路视频流分析，把多帧拼成batch一次推理，吞吐量可以翻倍。detect.py默认batch是1，我在服务化部署时改成batch等于4或8，用TensorRT做优化后，单卡同时跑4路1080p视频流没有问题。要注意的是，batch增大后显存占用也增大，别把显卡搞到OOM。
4.3 TensorRT导出：从PyTorch权重到engine文件
把YOLOv5模型部署到Jetson或工业相机上，ONNX只是中间态，最终要导出成TensorRT的engine文件才能榨干硬件性能。导出过程有几个坑必须说清楚。
# 从PyTorch导出ONNX，注意opset版本 python export.py --weights runs/train/exp/weights/best.pt --include onnx --opset 12 --simplify # 用trtexec把ONNX转成TensorRT engine trtexec --onnx=best.onnx --saveEngine=best.engine --fp16 --workspace=2048fp16模式下精度损失在猪脸检测上基本可以忽略，但速度和显存都改善明显。workspace不是越大越好，2024年后的TensorRT版本对workspace参数有新语法（比如用--memPoolSize），如果直接用旧命令报错，去掉workspace参数改用默认值即可。
5. 猪脸检测避坑指南：五个常见问题与排查方法
5.1 训练loss不降或震荡过大
现象：训练了50个epoch，box_loss还在0.1以上波动，完全不收敛。
原因：最常见的是学习率设置不合理和数据标注存在大量不一致。YOLOv5默认的lr0是0.01，但如果你用小batch（比如8或16），实际学习率会偏低。还有就是标注框的size分布差异太大，有的框是10像素的远距离猪脸，有的是200像素的近景正面，模型无所适从。
解决：先检查标注数据的框宽高分布，把极端值过滤掉；然后把batch加大到32或64；同时把--cos-lr打开，让学习率余弦衰减，后期微调更平滑。如果还不收敛，把预训练权重换成yolov5m，容量更大，拟合能力更强。
5.2 把耳朵当成猪脸检测出来了
现象：推理结果里出现大量只包含耳朵的检测框，置信度还不低。
原因：标注阶段把部分只露耳朵的猪头图片也标成了正样本。猪脸检测的本质是“找脸”，耳朵单独出现时应该有明确判别力，但标注员看到“猪头”就顺手标了。
解决：把这类样本从训练集中剔除，或者在标注规范里明确“必须同时看到眼睛或鼻吻部才算猪脸”。如果已经训练完了，可以通过降低conf_thres来缓解，但根治还是在数据端。
5.3 夜间红外模式下检测率骤降
现象：白天mAP到0.85，晚上红外画面下直接掉到0.4。
原因：训练集里红外图像占比太少，或者红外图没有单独标注。YOLOv5的预处理包含灰度归一化，但红外图的纹理特征和白天的RGB图差异很大，模型没见过就是不会。
解决：单独采集一批红外视频帧，按至少20%的比例混入训练集。另外，把hsv_h的数据增强在红外图上关闭——红外图几乎没有色彩信息，hsv扰动会引入错误的颜色噪声。
5.4 视频流检测出现严重卡顿和跳帧
现象：GPU利用率不高，但视频流就是跑不满25帧。
原因：多数时候不是模型慢，而是前后处理拖后腿。OpenCV的imread是同步阻塞的，解码一帧等一帧；还有人在detect循环里做imwrite保存结果图，磁盘写入卡住了整个流程。
解决：用多线程把解码、推理、编码拆开。我这里给一个简化方案：解码放子线程，主线程只做推理，结果放进队列，另起线程做显示或上传。最关键的是不要在原图上画框后再传给下一步，而是传递坐标数据。
5.5 同栏猪只粘连导致漏检
现象：多头猪挤在一起时，中间几只没有被框出来。
原因：NMS在检测框密集重叠时会把低置信度框抑制掉。猪靠在一起时，中间的猪脸被两侧的猪头遮住一部分，置信度天然低于两侧。
解决：把iou_thres调低到0.2到0.25；同时训练时增加“多头猪挤在一起”的样本比例，让模型学会在遮挡情况下仍然给出完整猪脸的框。最后，后处理里加一个针对猪栏区域的网格计数逻辑，用空间先验补齐漏检，效果也很明显。
6. 换头技巧：用关键点回归把“检测猪脸”变成“认猪身份”
检测框本身拿来做“数猪”是够的，但很多找我的人真正想要的是个体识别——认出来镜头前这头猪是谁。我的建议是，别直接用YOLOv5的分类分支做这件事，因为同栏猪长得太像，分类分支扛不住。更稳的做法是两步走：先用YOLOv5把猪脸框出来，再把框内图像送给一个小型关键点网络，回归出眼睛和鼻吻部的坐标，然后用这些关键点做几何归一化，最后才做特征匹配。
关键点回归的好处是，它能规避猪脸角度变化对身份特征提取的干扰。猪脸侧面时，像素分布是完全不同的，但眼睛到鼻吻部的距离比例是稳定的。我有一次测试里，只用关键点归一化这一个改进，就比直接对检测框图片做特征提取的Top-1识别率高了接近10个百分点。网络不用大，一个轻量级的卷积网络就够了，输出4个值（左眼x、y和右眼x、y，或者换成眼睛+鼻尖三点）。
# 关键点回归的一个简单训练头示例 import torch.nn as nn class KeypointHead(nn.Module): def __init__(self, backbone_out=512): super().__init__() self.fc = nn.Sequential( nn.Linear(backbone_out, 256), nn.ReLU(), nn.Linear(256, 4) # 输出左眼(x,y)和右眼(x,y) ) def forward(self, features): return self.fc(features)训练时注意，关键点坐标要归一化到0到1之间，和检测框的尺寸保持一致。损失函数用Smooth L1比MSE更稳，因为猪脸边界框可能包含少量非脸部区域，Smooth L1对离群点不那么敏感。关键点网络训练好后，推理流程是：YOLOv5出框 → 截取猪脸区域 → 关键点网络出左眼和右眼坐标 → 旋转变换成正脸 → 送进特征提取网络做身份匹配。
这个“检测+关键点+特征匹配”的pipeline是我目前最推荐的落地方案，也是我自己在多个模拟项目里反复验证过的路径。如果只是做检测统计猪数，前面第4章的调优已经够用；如果要进一步做精准饲喂和健康档案，那这个换头方案几乎是必须的。靠着关键点带来的姿态归一化，后续的识别模型才能稳定工作，不会因为猪转头就被认错。
最后分享一个教训：模型在实验室测试集上mAP再好看，都不如去猪栏边蹲一小时看得清楚。我在一个模拟项目里，训练集全是干净的正脸图，测试集mAP 0.9，结果现场一开视频流，风吹动料槽的影子都在框框。后来把现场那段视频抽了500帧重新标注加入训练集，才真正把误检压下去。数据永远比模型结构更值得投入，这个道理在猪脸检测上体现得淋漓尽致。希望帮到你。
本文还有配套的精品资源，点击获取
