1. 项目概述当YOLO遇上智慧农业去年帮学弟调试毕业设计时我们尝试用YOLOv5识别农场监控视频中的动物当系统成功区分出混养的鸡鸭鹅那一刻养殖户的反馈让我意识到这个技术的实际价值。这个开源项目正是基于类似场景使用YOLO目标检测算法构建的农场多物种识别系统特别适合作为计算机视觉方向的毕业设计选题。不同于常规的单类别检测该系统需要同时处理畜禽、野生动物甚至农机设备等差异显著的物体。在江苏某生态农场的实测中面对光照变化、遮挡和动物重叠等复杂情况经过优化的模型仍能保持85%以上的mAP精度。整套代码采用模块化设计包含从数据标注到模型部署的全流程且特别添加了基于Streamlit的Web界面让农业从业者也能直观操作系统。2. 核心技术选型解析2.1 为什么选择YOLO系列算法在对比Faster R-CNN、SSD等方案后我们最终选定YOLOv5s作为基础模型主要基于三个现实考量速度与精度的平衡农场监控通常使用普通IPC摄像头YOLOv5s在1080P视频上能达到45FPSRTX 3060环境而ResNet50为基础的Faster R-CNN仅12FPS小目标检测能力通过改进的FPNPAN结构对雏鸡、幼鸭等小物体识别率提升明显实测AP50从0.62→0.79工程友好性PyTorch框架的生态完善且自带export.py支持转ONNX/TensorRT方便部署到边缘设备实际部署建议若使用树莓派等设备可改用YOLOv5n版本RK3588开发板推荐使用YOLOv6s的RKNN优化版本2.2 多物种检测的特殊处理针对农场场景的物种多样性我们在数据层面做了关键优化# 数据增强策略示例albumentations实现 transform A.Compose([ A.HorizontalFlip(p0.5), A.RandomBrightnessContrast(p0.2), A.RandomSizedBBoxSafeCrop(640, 640, p0.5), # 处理动物遮挡 A.HueSaturationValue(hue_shift_limit20, p0.3) # 应对光照变化 ], bbox_paramsA.BboxParams(formatyolo))同时采用分层采样策略确保数据平衡常见家禽鸡鸭鹅每类≥500张野生动物鼠、鸟等≥200张农机设备≥150张3. 从零构建完整系统3.1 数据准备实战技巧使用LabelImg标注时建议修改默认设置在data/predefined_classes.txt预定义物种列表通过--save_dir参数统一保存标注文件到dataset/labels启用自动保存模式--autosave标注完成后执行数据校验python utils/verify_labels.py \ --img_dir dataset/images \ --label_dir dataset/labels \ --class_list poultry wildlife equipment3.2 模型训练关键参数在RTX 3060上的典型训练配置# data/farm.yaml train: ../dataset/images/train val: ../dataset/images/val nc: 8 # 类别数 names: [chicken, duck, goose, rat, bird, tractor, sprayer, person] # hyp.scratch-low.yaml lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率系数 momentum: 0.937 weight_decay: 0.0005 fl_gamma: 1.5 # 聚焦困难样本 hsv_h: 0.015 # 色相增强幅度启动训练命令python train.py --img 640 --batch 16 --epochs 100 \ --data data/farm.yaml --cfg models/yolov5s.yaml \ --weights yolov5s.pt --hyp hyp.scratch-low.yaml3.3 Streamlit交互界面开发核心功能模块设计# app.py import streamlit as st from PIL import Image st.set_page_config(layoutwide) st.title(农场物种实时监测系统) with st.sidebar: st.header(模型配置) conf_thres st.slider(置信度阈值, 0.1, 0.9, 0.5) iou_thres st.slider(IOU阈值, 0.1, 0.9, 0.45) uploaded_file st.file_uploader(上传监控图片/视频, type[jpg,mp4]) if uploaded_file: if uploaded_file.type image/jpeg: img Image.open(uploaded_file) results model(img) # YOLO推理 st.image(results.render(), caption检测结果)4. 部署优化与问题排查4.1 边缘设备部署方案针对不同硬件平台的优化策略设备类型推荐模型加速方法预期FPSJetson NanoYOLOv5nTensorRT18-22RK3588开发板YOLOv6sRKNN-Toolkit225-30华为昇腾310YOLOv3-tinyAscend CANN35-40树莓派4BYOLOv5nOpenVINO优化8-104.2 常见问题解决方案问题1相似物种误检如鸭鹅混淆解决方案增加两者对比训练样本添加关键点检测嘴部形态数据增强使用CutMix混合两类样本问题2夜间检测效果差改进方案添加红外图像训练数据在模型末端增加低照度增强模块class LowLightEnhance(nn.Module): def __init__(self): super().__init__() self.conv nn.Conv2d(3, 3, kernel_size3, padding1) def forward(self, x): return torch.sigmoid(self.conv(x)) * x问题3模型体积过大优化方法使用通道剪枝Channel Pruning量化到INT8精度python export.py --weights best.pt --include onnx --int85. 项目扩展方向在实际部署后可以考虑以下功能增强行为分析模块通过轨迹追踪判断动物健康状态如鸡群进食频率异常报警系统当检测到老鼠等有害动物时触发声光警报多摄像头协同使用RTSP协议实现全景监控移动端适配将模型转换为TFLite格式部署到Android设备这个项目最让我惊喜的是其在小型农场的落地效果——某养鸡场部署后通过自动计数功能将人工盘点时间从3小时缩短到10分钟。如果作为毕设选题建议重点打磨数据增强策略和模型轻量化部分这两个方向既有理论深度又具备实用价值。