草原牦牛行为识别数据集：YOLO+VOC双格式8674张样本实战解析

简介：数据集为草原牦牛行为识别数据集，面向计算机视觉学习者与智慧牧场应用开发者，共8674张jpg图片及对应标注，覆盖吃草、打架、站立、躺、移动、交配等8种行为，可直接用于目标检测模型训练。资源包共2000个文件，其中Annotations文件夹含1999个xml标注文件，labels文件夹含txt标注，另有说明文件，压缩包约694.83MB，图片与标注分目录存放，查找方便。目前已有230人学习下载。标注框总计18423个，各行为类别数量已单独统计，如eating 6897个、standing 3710个、lying 2071个等，便于分析类别分布并划分训练/验证集。YOLO与VOC两种格式可无缝适配YOLOv5/YOLOv8、Faster R-CNN等常见框架，省去格式转换环节，适合快速开展牦牛行为识别实验或作为数据增强的基准数据集。

1. 草原牦牛行为识别数据集：8674张双格式样本能解决的问题不止“认牛”

拿到这个压缩包，先别急着解压。标题里的“草原耗牛行为识别数据集yolo+voc格式8674张8种行为.zip”，点破了三件关键事：图片量是8674张，不是几百张的小样；标注格式是YOLO和VOC双轨；行为类别有8种。这意味着你可以直接拿它训练一个能判断“牛在吃草、站立、行走还是争斗”的检测模型，省掉自己去草原蹲点采集、标注的几个月时间。适合两拨人：一是刚入门目标检测、想拿真实野外数据练手的新手；二是做智慧畜牧或牧场视频监控落地的工程师，拿它当预训练权重或迁移学习的起点。至于标题里的“耗牛”，是“牦牛”的常见笔误，搜索资料和解压后找目录时都留意一下。

2. 先看懂数据：VOC和YOLO双标注到底怎么组织的

2.1 同一批图片，两套标注文件的对应关系

VOC格式沿用Pascal VOC的XML标注，记录的是绝对像素坐标；YOLO格式用同名txt文件，记录归一化后的中心点坐标和宽高。二者描述同一张图里的同一个目标，服务不同年代的工具链：老牌标注软件、检测框架多认VOC，YOLO系列训练默认读txt，所以“双格式”本质是同一份数据给你发了两个版本。

一张图片对应一个XML文件和一个txt文件，文件名通常与图片名一致，只是后缀不同。如果解压后看到Annotations/目录下是XML、labels/目录下是txt，那就是标准的双轨布局；如果只有一个目录，说明压缩包内部其实只有一种原始标注，另一种是脚本生成的。无论哪种，先做文件清点。

2.2 解压后优先检查这四类文件

解压后不要直接开训，先确认下面四类东西是否齐整。

先写几行命令看目录结构再动手：

unzip -q 草原耗牛行为识别数据集yolo+voc格式8674张8种行为.zip -d yak_dataset cd yak_dataset find . -maxdepth 2 -type d | sort

unzip -q静默解压，避免刷屏；解压到yak_dataset目录避免污染当前路径。find只看两层目录，确认有没有images、labels、Annotations这类顶层目录。如果解压后是一堆散文件，说明压缩包没带目录层级，需要自己按文件名前缀归组。

注意，压缩包内的文件名可能包含“耗牛”字样，与标题一致，但脚本和目录名里最好统一改成“yak”，免得后续路径处理踩坑。

2.3 统计8类行为的数据分布，先看长尾

“8种行为”听起来平均，实际上大概率不平均。野外采集场景天然偏斜：站立和吃草的样本可能占六成，争斗、饮水这类短时行为可能只有几百张。不统计直接训，模型会被高频行为带偏。

写个脚本快速统计YOLO标注里的类别分布：

from collections import Counter from pathlib import Path labels_dir = Path("yak_dataset/labels") counter = Counter() total_boxes = 0 for txt in labels_dir.glob("*.txt"): for line in txt.read_text().splitlines(): if line.strip(): cls_id = int(line.split()[0]) counter[cls_id] += 1 total_boxes += 1 print("total boxes:", total_boxes) for cls_id, cnt in sorted(counter.items()): print(f"class {cls_id:2d}: {cnt:5d} {cnt / total_boxes * 100:5.1f}%")

遍历全部txt，读取每行第一个数字作为类别ID，用Counter计数。输出能直接看出哪一类占比不足5%，这就是之后训练时要重点加权的对象。

这个脚本不依赖任何第三方库，纯标准库就能跑。如果某个类别的框数只有几百，而最多的类别有三四千，说明长尾严重，训练时的class_weights或数据增强要单独处理。

3. 从VOC转YOLO：一份能直接跑的转换脚本

3.1 为什么非转不可：两种坐标体系的差异

很多开源数据集只给VOC格式，而YOLO训练要求标签是txt。就算这个压缩包已经给了双格式，也经常因为“txt是生成的、不完整”或者“缺val划分”，需要自己重转一遍。

VOC的XML记录的是绝对坐标，比如xmin=120, ymin=80, xmax=340, ymax=260，单位是像素；YOLO记录的是相对坐标，中心点和宽高都除以图片宽度与高度，取值范围在0到1之间。坐标系原点和表示方式都不同，转换公式必须准确：

• 中心点x = (xmin + xmax) / 2 / 图片宽
• 中心点y = (ymin + ymax) / 2 / 图片高
• 宽度 = (xmax - xmin) / 图片宽
• 高度 = (ymax - ymin) / 图片高

图片尺寸必须从XML的<size>字段读取，不能自己用PIL现量。原因有两个：一是量8000多张图耗时，二是如果图片被预处理过（比如去EXIF旋转后另存），XML里记录的原始尺寸可能和实际磁盘尺寸不一致，量了反而错。

3.2 转换脚本与最小用法

下面是我常用的转换脚本，标准库即可运行：

import os import xml.etree.ElementTree as ET from pathlib import Path def voc_to_yolo(xml_path, save_dir, class_list): tree = ET.parse(xml_path) root = tree.getroot() img_width = int(root.find("size/width").text) img_height = int(root.find("size/height").text) lines = [] for obj in root.iter("object"): name = obj.find("name").text if name not in class_list: continue cls_id = class_list.index(name) bndbox = obj.find("bndbox") xmin = float(bndbox.find("xmin").text) ymin = float(bndbox.find("ymin").text) xmax = float(bndbox.find("xmax").text) ymax = float(bndbox.find("ymax").text) # 防止越界，但先记录原始值 xmin = max(0.0, min(xmin, img_width - 1)) xmax = max(0.0, min(xmax, img_width - 1)) ymin = max(0.0, min(ymin, img_height - 1)) ymax = max(0.0, min(ymax, img_height - 1)) if xmax <= xmin or ymax <= ymin: continue # 宽高为负的坏框直接丢弃 x_center = (xmin + xmax) / 2.0 / img_width y_center = (ymin + ymax) / 2.0 / img_height width = (xmax - xmin) / img_width height = (ymax - ymin) / img_height # 强制clip到[0, 1]区间，防止浮点误差 x_center = max(0.0, min(x_center, 1.0)) y_center = max(0.0, min(y_center, 1.0)) width = max(0.0, min(width, 1.0)) height = max(0.0, min(height, 1.0)) lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}") if not lines: return False # 空标签文件 save_path = Path(save_dir) / (Path(xml_path).stem + ".txt") save_path.write_text("\n".join(lines) + "\n") return True if __name__ == "__main__": class_list = ["grazing", "standing", "walking", "running", "lying", "fighting", "drinking", "scratching"] # 以压缩包内 classes.txt 实际内容为准，这里只是示例顺序 xml_dir = Path("yak_dataset/Annotations") txt_dir = Path("yak_dataset/labels") txt_dir.mkdir(exist_ok=True) converted = 0 empty = 0 for xml_file in xml_dir.glob("*.xml"): ok = voc_to_yolo(xml_file, txt_dir, class_list) if ok: converted += 1 else: empty += 1 print("empty or invalid:", xml_file.name) print(f"converted {converted} files, {empty} empty results")

脚本先从XML的size/width和size/height拿到图片宽高，这是转换精度关键。然后遍历每个<object>节点，取类别名和坐标框，做坐标防越界裁剪，再套用归一化公式。

逻辑说明：max(0.0, min(xmin, img_width - 1))把框限制在图片有效像素范围内，避免xmax超出宽度导致归一化大于1。xmax <= xmin的判断会过滤掉标注坏框，这类框进入训练会造成损失函数异常。最后强制clip到[0,1]区间，是防浮点误差，不是隐藏问题——如果大量样本触发clip，说明原始标注批量越界，得回头查标注工具。

参数说明：class_list的顺序就是训练时的类别ID顺序，必须与data.yaml的names保持一致。脚本默认跳过未出现在class_list中的类别名。

3.3 转换后必做的三类自检

转换结束并不代表能直接训练，建议按以下顺序检查：

第一，抽样对比XML与txt内容。选一张样本，打开XML看原始坐标，再打开对应txt，手动算一遍公式结果是否吻合。批量转换里最容易犯的错是图片宽高取错，这类错会让所有框偏移一个固定比例。

第二，检查空标签数量。野外数据存在“图片里确实没有目标”的情况，这类图片在YOLO训练里应该被剔除或单独处理，直接放进去会影响评估指标。脚本里已经统计了empty数量，如果超过1%，先看是不是XML解析路径写错了。

第三，检查类别ID是否越界。8种行为对应的类别ID范围是0到7，如果txt里出现8或更大值，说明class_list与XML里的类别名对不上。用上一章的统计脚本再跑一次，看类别分布是否正常。

4. 用YOLO把8类行为训起来：环境、训练命令与参数

4.1 环境搭建与预训练权重

推荐直接用ultralytics库，它是YOLOv5到YOLO11的训练入口，命令行和Python API都能用。环境安装很简单：

pip install ultralytics

如果在国内网络环境，把pip源换成清华镜像，否则下载依赖容易超时。验证安装：

python -c "from ultralytics import YOLO; print(YOLO.__name__)"

输出YOLO说明库可用。图形化依赖版本坑多在PyTorch与CUDA版本不匹配，CPU环境训练8674张图会非常慢，一张640x640的图片在CPU上可能要跑好几秒，建议至少用一块带8GB显存的GPU。

预训练权重下载要认准官方渠道。YOLOv8s的权重文件约22MB，YOLOv8m约50MB，这是官方发布的基础模型权重，不是从其他机构二次训练的版本。训练命令会自动下载，也可以手动放weight/目录避免反复拉取。这个数据集类别是动物行为，与COCO的80类差异很大，但用预训练权重做初始化仍然能显著加速收敛，新手别从随机权重开始训。

4.2 data.yaml怎么配置

YOLO训练的数据配置用一个YAML文件搞定：

path: /data/yak_dataset train: images/train val: images/val names: 0: grazing 1: standing 2: walking 3: running 4: lying 5: fighting 6: drinking 7: scratching

path是数据集根目录的绝对路径；train和val是相对于path的图片目录路径；names的类别顺序必须与训练标签txt里的ID一致。这里写的是示例类别名，具体以压缩包内classes.txt为准。

如果数据集的划分不是目录结构，而是两个txt文件（每行一个图片路径），可以把train写成train.txt的路径，ultralytics也支持train: train.txt这种写法。

4.3 训练命令与关键参数

数据准备好了，训练命令非常短：

yolo detect train \ data=yak.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=640 \ batch=16 \ workers=4 \ patience=15 \ device=0

model=yolov8s.pt表示用YOLOv8s结构并加载COCO预训练权重；如果写yolov8s.yaml，则表示只用结构、随机初始化，收敛慢且最终精度通常更低。imgsz=640是训练输入尺寸，图片喂进网络会被缩放到640x640；batch=16是每批次样本数，显存不够就降到8或4。patience=15是早停机制，连续15个epoch验证集mAP不提升就自动结束，省时间。

batch和imgsz的关系要单独说：imgsz增大会显著增加显存占用，如果显存只有8GB，imgsz=640, batch=16可能刚好，imgsz=1280, batch=16大概率爆显存。野外目标检测场景里，目标尺寸通常占画面的比例不小，不需要为了小目标强行拉高分辨率。

训练开始的第一个epoch会较慢，因为要做数据加载、缓存、归一化，之后的每个epoch速度会稳定。如果某个epoch突然卡住很久，多半是workers太高把CPU打满，或者磁盘读取速度跟不上。

训练结束后在runs/detect/train/目录下会生成best.pt和last.pt。best.pt是验证集mAP最高的权重，推理、导出都用它；last.pt是最后一个epoch的权重，通常用于断点续训。

5. 避坑与常见问题：数据解压、标签和训练实录

5.1 解压后找不到标签目录，路径多了一层

现象：解压后发现图片在一个层级很深的目录里，labels/和预期路径对不上，训练报AssertionError: Label class 8 exceeds nc=8之类的错误。

原因：压缩包内目录通常带项目名嵌套，比如草原耗牛/yolo/labels和草原耗牛/yolo/images，直接把路径写死到yak_dataset/labels找不到文件。

解决：先用find . -name "*.txt" | head定位所有标签文件的实际路径，再用软链接或目录整理脚本把images和labels提到同一层。

5.2 转换脚本里类别顺序与训练配置不一致，loss降不下去

现象：训练loss前期下降，但验证mAP一直很低，或者某个类别的精确率接近0。

原因：VOC转YOLO时给XML里的行为名手动编号，和YOLO训练时的names顺序不一致。比如XML里“fighting”排在第三位，脚本里却是第5位，模型学到的全是错位标签。

解决：永远从classes.txt读取类别顺序来生成class_list，不要自己手敲顺序。代码里先读文件再传列表：

class_list = Path("yak_dataset/classes.txt").read_text().splitlines() print(class_list)

这样转出的txt与训练配置天然一致。这也是“玄学”返工最常见的原因，标签错位不会报错，只会让模型成绩很难看。

5.3 坐标越界与坏框导致训练中BN崩溃

现象：训练到第几十个epoch，loss突然变为NaN，或者验证阶段一张图上出现几百个重叠预测框。

原因：VOC转换时没有处理xmax超出图片宽度的坏框。这些框的存在会让归一化坐标超出[0,1]，YOLO训练时的损失函数计算出现异常。加上某些图片自带的标注框宽高为0，也会造成类似问题。

解决：转换脚本里必须clip坐标并过滤空宽高的框。同时转换完成后，写一条命令扫描labels中所有非空txt，检查每行的坐标值是否都在0到1之间，超出就定位对应XML人工复核。

5.4 行为类别长尾严重，模型把所有牛都认成“站立”

现象：验证集总mAP显示0.6以上，但具体到“争斗”“喝水”这类细粒度行为，AP只有0.1。打开预测图，几乎所有的牛都被识别成高频类别。

原因：数据集中8种行为的框数量极度不均。高频行为的梯度主导了模型更新，低频行为的特征没有被充分学习。这是行为识别数据集的通病，野外采集天然偏斜。

解决：训练前用第2章的统计脚本输出类别占比，对低频类别做两件事。第一，在yolo detect train配class_weights，对低频类别加大损失权重；第二，检测图片里低频行为样本做复制粘贴增强，把这些行为实例贴到其他场景里生成新标注。

5.5 图片EXIF旋转导致标注偏移

现象：训练过程正常，但推理时预测框位置与牛的实际位置整体偏移，尤其是竖拍照片。

原因：部分手机或运动相机拍摄的图片包含EXIF旋转信息。XML标注坐标是基于原始感光矩阵的像素位置，而YOLO训练前ultralytics会按EXIF信息把图片转正，导致坐标与新图片尺寸不匹配。

解决：这是VOC转YOLO最常见的隐蔽问题。转换脚本读取图片宽高时，应该先按EXIF校正后保存图片，再读校正后的实际宽高。如果数据集是网络公开数据，也可能已经统一校正过，但仍建议抽样打印几张图片的实际尺寸与XML里的size字段对比，不一致就批量校正。

6. 验证与进阶：从训练完到野外视频流的最后一公里

6.1 看混淆矩阵，别只盯mAP

mAP是一个聚合指标，8个类的均值掩盖了单个行为的问题。训练出的best.pt在验证集上跑一次混淆矩阵：

yolo detect val \ model=runs/detect/train/best.pt \ data=yak.yaml

结束后去runs/detect/val/看confusion_matrix.png。重点关注“争斗”“奔跑”这类同类易混行为是否大量互相误判。如果两类的混淆度超过20%，把它们合并成一个行为类别或者补充数据，比调参更有效。

6.2 把模型接进视频推理

野外场景最终是视频流实时分析。ultralytics的推理接口支持视频文件直接输入：

yolo detect predict \ model=runs/detect/train/best.pt \ source=ranch_video.mp4 \ conf=0.35 \ iou=0.5 \ save=True

conf=0.35是置信度阈值，野外监控建议比公测常用的0.25高一点，减少误检；iou=0.5是NMS的交并比阈值，两个高重叠候选框会被合并。结果视频输出到runs/detect/predict/。

如果要在边缘设备或NVR后端跑，先把权重导出为TensorRT引擎或ONNX格式，推理速度提升明显。导出命令是：

yolo export model=runs/detect/train/best.pt format=onnx opset=12 yolo export model=runs/detect/train/best.pt format=engine device=0

TensorRT导出依赖GPU型号，换设备后需要重新导出，这是部署时必须记住的坑。

6.3 下一步：数据增强、难例挖掘与部署

训练收敛后想再往上提精度，最有效的不是继续拉长epochs，而是做两件数据侧的功夫。一是针对牦牛多目标拥挤的场景做Mosaic增强，默认开启，但把mosaic概率调低到0.5左右，否则小批量数据里融合太多样本反而让模型学糊涂。二是收集预测置信度在0.3到0.6之间的“难例”，把真实标注拉出来合并进训练集再训一轮，这比盲目增加图片数量更划算。

我自己的教训是：行为识别项目里，80%的提升来自把数据和标签弄干净，剩下20%才是模型和超参。先把压缩包里每一张图和每一条标签都检查过，再去调imgsz和anchor，顺序别搞反。希望帮到你。

本文还有配套的精品资源，点击获取