简介这份YOLO养殖场肉鸡目标检测数据集面向从事农业智能化、家禽养殖监测及计算机视觉应用的研究者与开发者用于训练模型自动定位鸡只位置可服务于养殖场数量统计、行为分析与健康监测等场景。资源包共1001个文件包含500张jpg图像与500个同名xml标注文件另附1个说明txt压缩包约883.41MB图像与标注一一对应可直接用于目标检测训练与验证。数据集兼容yolov5、yolov7、yolov8等主流框架无需额外转换即可投入模型训练。目前已有704人学习下载说明其在同类农业检测数据中具有一定参考价值。读者可借助该数据集快速搭建肉鸡检测基线模型验证不同YOLO版本在密集养殖场景下的精度与速度表现并基于标注文件分析目标分布、遮挡与尺度变化等难点为后续调优与部署提供扎实的数据基础。1. 养殖场里数鸡这件事为什么值得用 YOLO 认真做一遍去过规模化肉鸡养殖场的人都知道一栋鸡舍动辄上万只鸡密度高、光照不均、鸡只互相遮挡靠人眼去数、去观察采食和活动状态基本不现实。这份「YOLO养殖场肉鸡目标检测数据集」要解决的就是把「数鸡、找鸡、定位鸡」这件事交给目标检测模型来做。它面向的是做智慧农业、畜牧视觉、边缘端巡检的从业者也适合正在拿 YOLO 练手、想找一个真实场景数据集跑通全流程的人。数据集本身是标注好的图像资源配套的是 YOLO 系列训练流程你拿到手之后核心工作就是把它喂给模型、调通参数、看指标、再决定要不要落地。下面我按自己拆包复现的顺序把这份资源从「是什么」讲到「怎么用、坑在哪」。2. 先搞清楚这份数据集长什么样格式、类别与选型理由2.1 肉鸡检测任务的标注格式与目录结构YOLO 系目标检测数据集的标准形态是「图像 同名 txt 标签」的配对结构标签里每一行是一只鸡的框格式为类别索引 中心x 中心y 宽 高坐标全部归一化到 0~1。这份肉鸡数据集大概率也是这个结构因为它是直接面向 YOLO 训练准备的。拿到压缩包后我一般先不急着训练而是先确认目录长这样# 解压后先看目录层级确认 images 和 labels 是否一一对应 tree -L 3 poultry_dataset/ # 典型输出 # poultry_dataset/ # ├── images/ # │ ├── train/ (大量 jpg/png) # │ └── val/ # ├── labels/ # │ ├── train/ (与图片同名的 txt) # │ └── val/ # └── data.yaml这里的关键是images和labels必须严格同名配对train和val的划分要一致。如果只有图片没有标签或者标签和图片对不上训练会直接报找不到标签或者全图当背景指标会假得离谱。data.yaml是 YOLO 训练的总入口里面写清楚训练集、验证集路径和类别名肉鸡场景通常就一个类别比如chicken或broiler。2.2 为什么肉鸡检测适合用 YOLO 而不是两阶段检测器选 YOLO 做养殖场肉鸡检测核心理由是速度和部署成本。鸡舍巡检要么走边缘盒子要么走摄像头实时分析Faster R-CNN 这类两阶段检测器精度可能略高但推理慢、显存吃得多放到 Jetson 或者普通工控机上很吃力。YOLO 单阶段直接回归框v5、v8 在中等分辨率下都能跑到实时而且预训练模型下载方便、社区教程多出问题好查。肉鸡这个场景目标尺寸相对统一、类别单一不需要处理几十类的复杂语义YOLO 的精度损失在这个任务里基本可以接受。常见做法是先用 yolov8n 或 yolov5s 这种小模型跑通看 mAP 和实际漏检情况再决定要不要换更大的模型。2.3 训练前必须核对的三件事第一件是类别数。打开data.yaml看nc是不是 1names是不是只有肉鸡一类。如果标注里混进了「人」「料槽」这类框类别数不对训练时标签索引会错位模型学出来的东西完全跑偏。第二件是图像分辨率分布肉鸡数据集如果来自不同摄像头长宽比可能不统一YOLO 训练时会统一 resize 到imgsz太小的图放大后鸡只模糊太大的图缩小后小目标丢失最好先统计一下尺寸。第三件是标注质量随机抽几十张图用标注工具打开看框有没有漏标、有没有把两只鸡框成一个、有没有框到地面反光。标注脏是目标检测最常见的翻车点模型再强也救不回来。# 快速统计图像尺寸分布判断是否需要预处理 import os from PIL import Image from collections import Counter sizes Counter() img_dir poultry_dataset/images/train for name in os.listdir(img_dir): if name.lower().endswith((.jpg, .png, .jpeg)): with Image.open(os.path.join(img_dir, name)) as im: sizes[im.size] 1 for size, count in sizes.most_common(10): print(size, count)这段脚本遍历训练集图片统计宽高组合的出现次数。如果发现尺寸种类特别杂或者有大量超小图就要考虑统一预处理或者在data.yaml里把imgsz设成更贴近主流的尺寸。参数上imgsz一般取 640肉鸡如果普遍偏小可以试 960但显存和速度要重新评估。3. 把数据集接进 YOLOv8 训练环境、配置与启动命令3.1 环境配置与依赖安装YOLOv8 现在走的是 ultralytics 包环境比早期 yolov5 干净不少。我一般用 conda 建一个独立环境Python 选 3.9 或 3.10太新的版本偶尔会和 torch 的 CUDA 版本打架。装的时候先确认显卡驱动和 CUDA 版本再让 pip 去拉对应 torch不要盲目装最新。# 建环境并安装依赖torch 版本按自己 CUDA 选 conda create -n poultry python3.10 -y conda activate poultry # 先装 torchCUDA 11.8 为例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 再装 ultralytics pip install ultralytics # 验证环境和 GPU 是否可用 yolo checksyolo checks会打印出 ultralytics 版本、torch 版本、CUDA 是否可用、GPU 型号。如果这里显示 CPU only后面训练会慢到怀疑人生先解决驱动和 torch 版本匹配问题。参数上--index-url一定要和本机 CUDA 对应装错了要么跑不起来要么偷偷用 CPU。3.2 data.yaml 的写法与路径坑data.yaml是训练配置的核心路径写错是最常见的启动失败原因。YOLO 对相对路径的解析基准是「你执行命令时所在的目录」不是 yaml 文件所在目录这一点很多人第一次都会踩。# data.yaml 示例路径建议用绝对路径避免歧义 path: /home/user/poultry_dataset # 数据集根目录 train: images/train # 相对 path 的训练图目录 val: images/val # 相对 path 的验证图目录 nc: 1 # 类别数肉鸡只有一类 names: 0: chicken # 类别名和标注索引对应path写数据集根目录train和val写相对path的子路径这样最稳。nc和names必须和标签里的类别索引严格对应标签里写0names 里0就得是 chicken。如果后面要加类别索引从 0 连续往上加不能跳号。3.3 启动训练与关键参数含义配置好了就可以起训练。第一次跑建议先用小模型、少 epoch 验证流程通不通别一上来就上大模型跑几百轮浪费时间还容易掩盖配置问题。# 先用 yolov8n 小模型跑 50 轮验证流程 yolo detect train \ data/home/user/poultry_dataset/data.yaml \ modelyolov8n.pt \ epochs50 \ imgsz640 \ batch16 \ device0 \ projectruns/poultry \ nameexp1modelyolov8n.pt会自动下载预训练权重如果网络环境拉不动就提前手动下好放到当前目录把model改成权重文件路径。batch16要看显存8G 显存跑 640 分辨率一般能到 16爆显存就往下调。device0指定第一块 GPU多卡可以写0,1。project和name决定结果保存位置方便多次实验对比。训练过程中重点看mAP50和mAP50-95两个指标肉鸡这种单类任务mAP50 上不去通常是标注或者数据量的问题不是模型不行。4. 训练完怎么验证指标解读与推理效果检查4.1 看懂混淆矩阵和 PR 曲线训练结束后runs/poultry/exp1里会有一堆图和权重别只盯着 loss。混淆矩阵能看出模型把鸡识别成了背景还是把背景识别成了鸡肉鸡场景最常见的是漏检也就是真鸡被当成背景混淆矩阵里对应格子的数值会偏高。PR 曲线看的是不同置信度下的精确率和召回率平衡曲线越靠右上越好。如果召回率明显低说明漏检多可以适当降低推理时的置信度阈值但精确率会跟着掉要权衡。4.2 用验证集跑推理并肉眼复核指标只是参考真正靠谱的是拿验证集图片跑一遍推理肉眼看看框得准不准。尤其是密集鸡群、边缘鸡只、光照暗的区域这些是模型最容易翻车的地方。# 用训练好的权重对验证集推理保存可视化结果 yolo detect predict \ modelruns/poultry/exp1/weights/best.pt \ source/home/user/poultry_dataset/images/val \ conf0.25 \ saveTrue \ projectruns/poultry_predict \ nameval_checkconf0.25是置信度阈值低于这个值的框不显示。肉鸡密集场景可以先设 0.25 看整体如果漏检多就降到 0.15 再试但要注意误检会变多。saveTrue会把画了框的图存下来直接翻图就能判断模型实际水平。这一步别偷懒指标好看但实际框歪的情况太常见了。4.3 判断数据集是否够用的经验线肉鸡检测这种单类任务如果标注质量过关几百到一两千张图通常能出一个能用的模型但泛化到新鸡舍、新光照条件往往不够。判断标准不是图片总数而是「场景覆盖度」不同光照、不同密度、不同拍摄角度、不同鸡龄是否都有样本。如果验证集和训练集来自同一批视频抽帧指标会虚高换一批新数据就崩。我一般会留一个「跨场景验证集」专门放不同来源的图用它来判断模型能不能真落地。5. 避坑与排查肉鸡检测训练里最容易翻车的几件事5.1 现象训练 loss 正常下降但 mAP 一直是 0原因通常是标签格式不对或者路径没对上。YOLO 读不到标签时会把所有图当负样本loss 照样降但模型学不到任何目标。解决方法是先跑一遍数据集校验确认每张图都有同名 txt且 txt 里坐标是归一化的 0~1不是像素值。如果标签是x1 y1 x2 y2像素格式必须转成 YOLO 的中心点归一化格式。5.2 现象显存爆掉batch 调到 1 还是 OOM原因可能是imgsz设太大或者图片本身分辨率极高。YOLO 会按imgsz统一缩放但如果原图特别大数据加载阶段也会吃内存。解决办法是先把imgsz降到 640 甚至 512batch设 8 或 4再不行就用workers0减少数据加载进程。另外确认没有其他进程占着显存nvidia-smi看一眼。5.3 现象模型把料槽、地面反光也框成鸡原因是训练集里这些负样本太少或者标注时把类似鸡的物体也标了。解决办法是补充包含料槽、反光的负样本图标签留空让模型学会区分。也可以在推理时提高conf阈值过滤掉低置信度的误检但根治还是要靠数据。5.4 现象换一批新鸡舍的图漏检严重原因是模型过拟合到训练集的拍摄条件。解决办法是做数据增强YOLO 自带 HSV 抖动、翻转、缩放可以在训练配置里加大增强力度比如hsv_h、hsv_s、hsv_v调高mosaic保持开启。更根本的是补充新场景的标注数据让训练集覆盖更多光照和角度。5.5 现象训练到一半中断想接着跑YOLO 支持断点续训用resumeTrue指向最后一次的last.pt即可。但要注意如果中途改了data.yaml或者类别数续训会出错必须保证配置和中断时一致。我一般会在改任何配置前备份一份args.yaml出问题好回溯。6. 进阶技巧把肉鸡检测模型压到边缘设备上跑训练出best.pt只是第一步养殖场真正要的是能在摄像头或边缘盒子上实时跑。PyTorch 权重直接部署又大又慢常见做法是导出成 ONNX 或者 TensorRT再配合推理框架。导出 ONNX 很简单# 导出 ONNX动态 batch 方便后续部署 yolo export \ modelruns/poultry/exp1/weights/best.pt \ formatonnx \ imgsz640 \ dynamicTrue \ simplifyTruedynamicTrue允许变 batch 输入simplifyTrue会做图优化减少冗余算子。导出后可以用onnxruntime验证一下输出是否正常再决定要不要进一步转 TensorRT。转 TensorRT 能再快一截但和显卡型号绑定换设备要重新转这是部署时要提前想清楚的取舍。另一个实用技巧是调整推理时的置信度和 NMS 阈值。肉鸡密集时NMS 的iou阈值设太高会把挨着的两只鸡合并成一个框设太低又会保留重复框。我一般会在验证集上试几组conf和iou组合选漏检和误检平衡最好的那组而不是用默认值。下面这个表格是我在类似单类密集目标场景里常用的调参起点具体数值还要按自己的数据微调参数常用起点调整方向影响conf0.25漏检多则降误检多则升控制框的输出门槛iou0.45密集目标可降到 0.3~0.4控制 NMS 合并程度imgsz640小目标多则升到 960影响速度和精度max_det300鸡只极多时调高单图最大检测数还有一点血泪经验边缘设备上的预处理要和训练时保持一致。训练时 YOLO 做了 letterbox 填充部署时如果直接 resize 不填充长宽比变了框的位置会整体偏移。我见过有人训练指标 0.9部署后框全歪查了半天就是预处理不一致。从那以后我每次部署前都强制走一遍「同一张图训练管线输出 vs 部署管线输出」的对比确认框坐标对得上再上线。希望这份拆解能帮你少走点弯路把这份肉鸡数据集真正跑出能用的结果。本文还有配套的精品资源点击获取 YOLO养殖场肉鸡目标检测数据集实战：从训练到边缘部署全流程
简介这份YOLO养殖场肉鸡目标检测数据集面向从事农业智能化、家禽养殖监测及计算机视觉应用的研究者与开发者用于训练模型自动定位鸡只位置可服务于养殖场数量统计、行为分析与健康监测等场景。资源包共1001个文件包含500张jpg图像与500个同名xml标注文件另附1个说明txt压缩包约883.41MB图像与标注一一对应可直接用于目标检测训练与验证。数据集兼容yolov5、yolov7、yolov8等主流框架无需额外转换即可投入模型训练。目前已有704人学习下载说明其在同类农业检测数据中具有一定参考价值。读者可借助该数据集快速搭建肉鸡检测基线模型验证不同YOLO版本在密集养殖场景下的精度与速度表现并基于标注文件分析目标分布、遮挡与尺度变化等难点为后续调优与部署提供扎实的数据基础。1. 养殖场里数鸡这件事为什么值得用 YOLO 认真做一遍去过规模化肉鸡养殖场的人都知道一栋鸡舍动辄上万只鸡密度高、光照不均、鸡只互相遮挡靠人眼去数、去观察采食和活动状态基本不现实。这份「YOLO养殖场肉鸡目标检测数据集」要解决的就是把「数鸡、找鸡、定位鸡」这件事交给目标检测模型来做。它面向的是做智慧农业、畜牧视觉、边缘端巡检的从业者也适合正在拿 YOLO 练手、想找一个真实场景数据集跑通全流程的人。数据集本身是标注好的图像资源配套的是 YOLO 系列训练流程你拿到手之后核心工作就是把它喂给模型、调通参数、看指标、再决定要不要落地。下面我按自己拆包复现的顺序把这份资源从「是什么」讲到「怎么用、坑在哪」。2. 先搞清楚这份数据集长什么样格式、类别与选型理由2.1 肉鸡检测任务的标注格式与目录结构YOLO 系目标检测数据集的标准形态是「图像 同名 txt 标签」的配对结构标签里每一行是一只鸡的框格式为类别索引 中心x 中心y 宽 高坐标全部归一化到 0~1。这份肉鸡数据集大概率也是这个结构因为它是直接面向 YOLO 训练准备的。拿到压缩包后我一般先不急着训练而是先确认目录长这样# 解压后先看目录层级确认 images 和 labels 是否一一对应 tree -L 3 poultry_dataset/ # 典型输出 # poultry_dataset/ # ├── images/ # │ ├── train/ (大量 jpg/png) # │ └── val/ # ├── labels/ # │ ├── train/ (与图片同名的 txt) # │ └── val/ # └── data.yaml这里的关键是images和labels必须严格同名配对train和val的划分要一致。如果只有图片没有标签或者标签和图片对不上训练会直接报找不到标签或者全图当背景指标会假得离谱。data.yaml是 YOLO 训练的总入口里面写清楚训练集、验证集路径和类别名肉鸡场景通常就一个类别比如chicken或broiler。2.2 为什么肉鸡检测适合用 YOLO 而不是两阶段检测器选 YOLO 做养殖场肉鸡检测核心理由是速度和部署成本。鸡舍巡检要么走边缘盒子要么走摄像头实时分析Faster R-CNN 这类两阶段检测器精度可能略高但推理慢、显存吃得多放到 Jetson 或者普通工控机上很吃力。YOLO 单阶段直接回归框v5、v8 在中等分辨率下都能跑到实时而且预训练模型下载方便、社区教程多出问题好查。肉鸡这个场景目标尺寸相对统一、类别单一不需要处理几十类的复杂语义YOLO 的精度损失在这个任务里基本可以接受。常见做法是先用 yolov8n 或 yolov5s 这种小模型跑通看 mAP 和实际漏检情况再决定要不要换更大的模型。2.3 训练前必须核对的三件事第一件是类别数。打开data.yaml看nc是不是 1names是不是只有肉鸡一类。如果标注里混进了「人」「料槽」这类框类别数不对训练时标签索引会错位模型学出来的东西完全跑偏。第二件是图像分辨率分布肉鸡数据集如果来自不同摄像头长宽比可能不统一YOLO 训练时会统一 resize 到imgsz太小的图放大后鸡只模糊太大的图缩小后小目标丢失最好先统计一下尺寸。第三件是标注质量随机抽几十张图用标注工具打开看框有没有漏标、有没有把两只鸡框成一个、有没有框到地面反光。标注脏是目标检测最常见的翻车点模型再强也救不回来。# 快速统计图像尺寸分布判断是否需要预处理 import os from PIL import Image from collections import Counter sizes Counter() img_dir poultry_dataset/images/train for name in os.listdir(img_dir): if name.lower().endswith((.jpg, .png, .jpeg)): with Image.open(os.path.join(img_dir, name)) as im: sizes[im.size] 1 for size, count in sizes.most_common(10): print(size, count)这段脚本遍历训练集图片统计宽高组合的出现次数。如果发现尺寸种类特别杂或者有大量超小图就要考虑统一预处理或者在data.yaml里把imgsz设成更贴近主流的尺寸。参数上imgsz一般取 640肉鸡如果普遍偏小可以试 960但显存和速度要重新评估。3. 把数据集接进 YOLOv8 训练环境、配置与启动命令3.1 环境配置与依赖安装YOLOv8 现在走的是 ultralytics 包环境比早期 yolov5 干净不少。我一般用 conda 建一个独立环境Python 选 3.9 或 3.10太新的版本偶尔会和 torch 的 CUDA 版本打架。装的时候先确认显卡驱动和 CUDA 版本再让 pip 去拉对应 torch不要盲目装最新。# 建环境并安装依赖torch 版本按自己 CUDA 选 conda create -n poultry python3.10 -y conda activate poultry # 先装 torchCUDA 11.8 为例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 再装 ultralytics pip install ultralytics # 验证环境和 GPU 是否可用 yolo checksyolo checks会打印出 ultralytics 版本、torch 版本、CUDA 是否可用、GPU 型号。如果这里显示 CPU only后面训练会慢到怀疑人生先解决驱动和 torch 版本匹配问题。参数上--index-url一定要和本机 CUDA 对应装错了要么跑不起来要么偷偷用 CPU。3.2 data.yaml 的写法与路径坑data.yaml是训练配置的核心路径写错是最常见的启动失败原因。YOLO 对相对路径的解析基准是「你执行命令时所在的目录」不是 yaml 文件所在目录这一点很多人第一次都会踩。# data.yaml 示例路径建议用绝对路径避免歧义 path: /home/user/poultry_dataset # 数据集根目录 train: images/train # 相对 path 的训练图目录 val: images/val # 相对 path 的验证图目录 nc: 1 # 类别数肉鸡只有一类 names: 0: chicken # 类别名和标注索引对应path写数据集根目录train和val写相对path的子路径这样最稳。nc和names必须和标签里的类别索引严格对应标签里写0names 里0就得是 chicken。如果后面要加类别索引从 0 连续往上加不能跳号。3.3 启动训练与关键参数含义配置好了就可以起训练。第一次跑建议先用小模型、少 epoch 验证流程通不通别一上来就上大模型跑几百轮浪费时间还容易掩盖配置问题。# 先用 yolov8n 小模型跑 50 轮验证流程 yolo detect train \ data/home/user/poultry_dataset/data.yaml \ modelyolov8n.pt \ epochs50 \ imgsz640 \ batch16 \ device0 \ projectruns/poultry \ nameexp1modelyolov8n.pt会自动下载预训练权重如果网络环境拉不动就提前手动下好放到当前目录把model改成权重文件路径。batch16要看显存8G 显存跑 640 分辨率一般能到 16爆显存就往下调。device0指定第一块 GPU多卡可以写0,1。project和name决定结果保存位置方便多次实验对比。训练过程中重点看mAP50和mAP50-95两个指标肉鸡这种单类任务mAP50 上不去通常是标注或者数据量的问题不是模型不行。4. 训练完怎么验证指标解读与推理效果检查4.1 看懂混淆矩阵和 PR 曲线训练结束后runs/poultry/exp1里会有一堆图和权重别只盯着 loss。混淆矩阵能看出模型把鸡识别成了背景还是把背景识别成了鸡肉鸡场景最常见的是漏检也就是真鸡被当成背景混淆矩阵里对应格子的数值会偏高。PR 曲线看的是不同置信度下的精确率和召回率平衡曲线越靠右上越好。如果召回率明显低说明漏检多可以适当降低推理时的置信度阈值但精确率会跟着掉要权衡。4.2 用验证集跑推理并肉眼复核指标只是参考真正靠谱的是拿验证集图片跑一遍推理肉眼看看框得准不准。尤其是密集鸡群、边缘鸡只、光照暗的区域这些是模型最容易翻车的地方。# 用训练好的权重对验证集推理保存可视化结果 yolo detect predict \ modelruns/poultry/exp1/weights/best.pt \ source/home/user/poultry_dataset/images/val \ conf0.25 \ saveTrue \ projectruns/poultry_predict \ nameval_checkconf0.25是置信度阈值低于这个值的框不显示。肉鸡密集场景可以先设 0.25 看整体如果漏检多就降到 0.15 再试但要注意误检会变多。saveTrue会把画了框的图存下来直接翻图就能判断模型实际水平。这一步别偷懒指标好看但实际框歪的情况太常见了。4.3 判断数据集是否够用的经验线肉鸡检测这种单类任务如果标注质量过关几百到一两千张图通常能出一个能用的模型但泛化到新鸡舍、新光照条件往往不够。判断标准不是图片总数而是「场景覆盖度」不同光照、不同密度、不同拍摄角度、不同鸡龄是否都有样本。如果验证集和训练集来自同一批视频抽帧指标会虚高换一批新数据就崩。我一般会留一个「跨场景验证集」专门放不同来源的图用它来判断模型能不能真落地。5. 避坑与排查肉鸡检测训练里最容易翻车的几件事5.1 现象训练 loss 正常下降但 mAP 一直是 0原因通常是标签格式不对或者路径没对上。YOLO 读不到标签时会把所有图当负样本loss 照样降但模型学不到任何目标。解决方法是先跑一遍数据集校验确认每张图都有同名 txt且 txt 里坐标是归一化的 0~1不是像素值。如果标签是x1 y1 x2 y2像素格式必须转成 YOLO 的中心点归一化格式。5.2 现象显存爆掉batch 调到 1 还是 OOM原因可能是imgsz设太大或者图片本身分辨率极高。YOLO 会按imgsz统一缩放但如果原图特别大数据加载阶段也会吃内存。解决办法是先把imgsz降到 640 甚至 512batch设 8 或 4再不行就用workers0减少数据加载进程。另外确认没有其他进程占着显存nvidia-smi看一眼。5.3 现象模型把料槽、地面反光也框成鸡原因是训练集里这些负样本太少或者标注时把类似鸡的物体也标了。解决办法是补充包含料槽、反光的负样本图标签留空让模型学会区分。也可以在推理时提高conf阈值过滤掉低置信度的误检但根治还是要靠数据。5.4 现象换一批新鸡舍的图漏检严重原因是模型过拟合到训练集的拍摄条件。解决办法是做数据增强YOLO 自带 HSV 抖动、翻转、缩放可以在训练配置里加大增强力度比如hsv_h、hsv_s、hsv_v调高mosaic保持开启。更根本的是补充新场景的标注数据让训练集覆盖更多光照和角度。5.5 现象训练到一半中断想接着跑YOLO 支持断点续训用resumeTrue指向最后一次的last.pt即可。但要注意如果中途改了data.yaml或者类别数续训会出错必须保证配置和中断时一致。我一般会在改任何配置前备份一份args.yaml出问题好回溯。6. 进阶技巧把肉鸡检测模型压到边缘设备上跑训练出best.pt只是第一步养殖场真正要的是能在摄像头或边缘盒子上实时跑。PyTorch 权重直接部署又大又慢常见做法是导出成 ONNX 或者 TensorRT再配合推理框架。导出 ONNX 很简单# 导出 ONNX动态 batch 方便后续部署 yolo export \ modelruns/poultry/exp1/weights/best.pt \ formatonnx \ imgsz640 \ dynamicTrue \ simplifyTruedynamicTrue允许变 batch 输入simplifyTrue会做图优化减少冗余算子。导出后可以用onnxruntime验证一下输出是否正常再决定要不要进一步转 TensorRT。转 TensorRT 能再快一截但和显卡型号绑定换设备要重新转这是部署时要提前想清楚的取舍。另一个实用技巧是调整推理时的置信度和 NMS 阈值。肉鸡密集时NMS 的iou阈值设太高会把挨着的两只鸡合并成一个框设太低又会保留重复框。我一般会在验证集上试几组conf和iou组合选漏检和误检平衡最好的那组而不是用默认值。下面这个表格是我在类似单类密集目标场景里常用的调参起点具体数值还要按自己的数据微调参数常用起点调整方向影响conf0.25漏检多则降误检多则升控制框的输出门槛iou0.45密集目标可降到 0.3~0.4控制 NMS 合并程度imgsz640小目标多则升到 960影响速度和精度max_det300鸡只极多时调高单图最大检测数还有一点血泪经验边缘设备上的预处理要和训练时保持一致。训练时 YOLO 做了 letterbox 填充部署时如果直接 resize 不填充长宽比变了框的位置会整体偏移。我见过有人训练指标 0.9部署后框全歪查了半天就是预处理不一致。从那以后我每次部署前都强制走一遍「同一张图训练管线输出 vs 部署管线输出」的对比确认框坐标对得上再上线。希望这份拆解能帮你少走点弯路把这份肉鸡数据集真正跑出能用的结果。本文还有配套的精品资源点击获取