先把结论放在前面猫情绪检测这件事真正卡住大多数人的不是模型选型而是数据集本身。网上能直接下到的宠物行为数据集要么类别太粗只有“猫”和“狗”要么是笼统的“坐着/站着/躺着”跟“情绪”这个维度基本不沾边。做YOLO微调最怕的就是想要的效果没有对应标注来回折腾半天才发现数据根本撑不起需求。这个项目的核心就是补上“猫情绪宠物行为”这个细分缺口3200张真实场景图片用YOLO格式统一标注拿过来就能直接喂给YOLOv8或YOLO11做训练。整个项目做下来我的体感是算法本身没给我找太多麻烦麻烦全在数据的定义和标注一致性上。如果你也想做类似的宠物行为识别或者手上刚好有猫狗图片但不知道该怎么整理成可用的训练集这篇文章应该能帮你省掉不少弯路。从数据设计、标注规范到训练调优、问题排查我尽量把实操中踩过的坑和验证过的做法都写清楚。1. 项目整体设计与数据构成1.1 为什么把“情绪检测”定义成行为识别先聊一个关键的设计决策项目标题叫“猫情绪检测”但落到数据标注上我们标注的其实是“可观察到、可判定的外部行为”而不是猫内心真实的情绪状态。这里有一个很实际的原因情绪是主观的同一只猫在不同人眼里可能得到完全不同的情绪判断标注员之间的一致性根本没法保证但行为是客观的比如“飞机耳尾巴快速甩动”就是攻击/防御的前兆这种基于行为特征推断情绪的方式在数据层面是可复现、可验证的。所以3200张图片的标注体系我按照“行为表现 → 情绪推断”的逻辑拆成了5个类别。这个设计参照了动物行为学里常用的行为编码方法也参考了现有宠物AI产品比如自动喂食器、宠物摄像头里实际会用到的事件类型。类别的选择上有两个原则一是必须常见二是必须能被二维图像明确判断。类别ID标签名行为描述对应的情绪推断0happy张嘴、眯眼、咕噜声伴随的放松姿态愉悦/放松1alert耳朵竖起、瞳孔放大、身体绷紧警惕/好奇2angry飞机耳、炸毛、哈气、弓背愤怒/恐惧3sleepy闭眼或半闭眼、蜷缩困倦/放松4playing扑咬玩具、追逐、翻滚露肚皮兴奋/愉快1.2 3200张图片的规模与分布策略3200张听起来不算多但对于单一物种的单目标检测任务来说这个量级配合好的分布策略是够用的。关键在于不能均匀分配均匀分配是新手最容易踩的坑。我统计过真实场景下各类别的出现频率happy和sleepy这类静态行为出现频率极高alert次之angry和playing则相对少见。如果按每类640张来均分模型会对稀有类别严重欠拟合典型症状就是angry和playing的mAP惨不忍睹但happy的mAP奇高。我的做法是按自然分布加少量过采样来配比happy占30%约960张、sleepy占20%约640张、alert占20%约640张、angry占15%约480张、playing占15%约480张再通过数据增强来补足稀有类别的多样性。训练时用weighted sampler按类别权重采样实际验证下来angry和playing的漏检率比均匀分布方案降低了大概12个百分点。还有一个容易被忽略的点图片不是“一张图一个类别”而是一张图里可能有多个目标、多个类别。比如一只猫在玩逗猫棒时可能同时有“playing”和“happy”的行为表现这时候就需要在同一张图上标注两个独立的边界框分别打上不同标签。3200张图实际标注出来的目标框数量在4100个左右平均每张图1.28个目标这个密度对于单物种检测来说是比较健康的状态。1.3 数据来源与版权合规说明数据来源要重点说因为这是项目能否合规落地的基础。我用了三个渠道一是自建拍摄用手机和家用摄像头在室内外不同光照条件下拍了大概800张这一部分版权完全可控二是从CC0和CC-BY协议的开源图库网站筛选了约1500张筛选标准是“清晰显示猫的完整身体或大部分身体”且“背景不过于杂乱”三是从已有的公开宠物数据集里筛选出符合我们类别定义的约900张这部分数据集本身就允许用于研究目的。在筛选图片的时候有一条硬性标准凡是画面模糊、目标占比过小比如一只猫在50米外只有几十个像素、或者多只猫严重重叠的图片直接淘汰。模糊图片对训练没有正向帮助只会让模型学到错误的纹理特征。我筛图时候的经验是宁可总数降到3000张也不要硬凑3200张混入大量低质量图。最后保留的3200张里我手动复查了大概三分之一把标注框偏移明显的重新修正过。注意如果你计划把数据集商用所有图片必须换成自己拍摄或有明确商用授权的素材CC0也不是在所有国家都等同于绝对无条件商用稳妥起见要一条条核对授权条款。2. YOLO格式标注规范与工具选型2.1 YOLO标注格式的详细说明YOLO格式的标签是txt文本文件每行对应一个目标框格式是类别ID 中心点x坐标 中心点y坐标 框宽 框高所有坐标值都做了归一化范围在0到1之间。这里有个很多新手都会犯的错坐标是归一化后的相对坐标不是像素坐标。比如一张1920×1080的图某个框的中心点在像素坐标(960, 540)、宽640、高360那txt里应该是0 0.5 0.5 0.3333 0.3333因为640/1920≈0.3333360/1080≈0.3333。标注文件的命名规则也容易搞乱要求图片名叫cat_001.jpg对应的标签文件必须叫cat_001.txt主文件名完全一致只有后缀不同。数据集目录结构一般是这样的dataset/ ├── images/ │ ├── train/ │ │ ├── cat_001.jpg │ │ └── ... │ └── val/ │ ├── cat_201.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── cat_001.txt │ │ └── ... │ └── val/ │ ├── cat_201.txt │ └── ... ├── data.yaml └── classes.txt2.2 标注工具的实操体验与选型建议标注工具我试过三个LabelImg、LabelStudio、X-AnyLabeling。LabelImg是老牌工具界面朴素但稳定适合纯YOLO格式标注缺点是标注效率不高每张图平均要花40秒左右。LabelStudio功能更多支持多人协作和质检流程适合团队项目但导出YOLO格式稍微麻烦一点。X-AnyLabeling自带SAM模型辅助分割框标注时能自动吸附物体边缘效率提升明显我后期大批量标注主要用它。标注时的规范比工具更重要。我制定了一套标注守则这里直接分享给你目标框必须完整包住猫的身体但不要为了包住尾巴和胡须把框拉得过大。尾巴和胡须属于“附属物”框得刚刚好包住躯干和头部就行多余背景占比超过20%的框要重新画。猫被遮挡超过三分之一时不标。被遮挡会导致边界框语义不确定模型学到的特征也混乱。同一只猫在同一张图里如果呈现出两种行为状态比如一半身子在睡觉一半在玩以面积大的行为为准。类似品种或姿势的图片不要连续集中出现要打散分布到不同文件夹避免验证集和训练集出现“同源相近图”导致指标虚高。2.3 数据划分与train/val比例数据划分我反复测过几次最后采用92:8的比例也就是2950张做训练集、250张做验证集。不用常见的80:20是因为这个项目类别明确、类间差异足够大验证集不需要太大而训练集每多5%的图对稀有类别的提升都是实打实的。划分时做了分层抽样先把所有图片按类别分组再按比例从每组里随机抽到训练集和验证集保证val里每个类别都有足够样本。如果直接random shuffle切分有一定概率出现某个类别在验证集里只有十来张测出来的mAP波动会非常剧烈。分层之后验证集里每个类别基本都稳定在40张以上指标的置信度靠谱很多。3. YOLO模型训练与调优实战3.1 环境配置与预训练模型选择训练环境我用的是单张RTX 409024GB显存跑YOLOv8和YOLO11的m模型都没问题。如果你手头只有消费级显卡比如RTX 3060 12GB建议用n或s模型起步训练时间可以接受精度也够用。CPU纯训练不是不能跑但3200张图、100个epoch的耗时可能在几十个小时量级不建议浪费时间。预训练模型一定要用官方在COCO上的权重不要随便从网上下载来路不明的pt文件。COCO预训练给了模型通用的物体表征基础后接我们这5类继续微调收敛速度比从头训练快得多。我这里提供一个可复现的训练命令参考yolo detect train \ data/path/to/dataset/data.yaml \ modelyolo11m.pt \ epochs120 \ imgsz640 \ batch16 \ optimizerAdamW \ lr00.001 \ weight_decay0.0005 \ patience20 \ projectcat_emotion_run \ nameexp1 \ seed42有个细节容易被忽略seed42这样固定随机种子能让实验可复现。我做算法对比调优时必须保证训练过程可复现否则没法判断指标变化是改参数改出来的还是随机性波动导致的。3.2 损失函数与超参数调优心得YOLO损失函数由三部分组成边界框回归损失Box Loss、分类损失Cls Loss、目标置信度损失DFL Loss。默认配置对通用目标检测有效但针对“猫情绪行为检测”这种类别少、类间差异大的任务调参空间是有的。我用YOLOv8源码里的测试脚本对比过几组配置最有效的两个改动第一个改动是提高分类损失权重。默认cls0.5我试过cls0.7效果最明显。原因是angry和playing这两个类边界框形状跟happy差异不大都是猫的轮廓关键区分信息全在姿态细节和耳朵位置这部分主要由分类分支来学习。提高分类权重相当于告诉模型“类别判断错误比框偏一点更严重”。第二个改动是对稀有类别做Mosaic和MixUp的概率加成。YOLO默认的增强参数里Mosaic开启一次会混合4张图对检测有利但对小目标多的场景容易产生碎片化目标。猫在画面里通常占比不大我实测把mosaic0.8降到mosaic0.5、把mixup0.1提升到mixup0.2明显缓解了angry类的漏检。背后的逻辑是mixup这种“软混合”比mosaic更温和不会撕裂目标又能在样本间引入平滑过渡正适合稀有类别增强。3.3 训练指标解读与模型性能我用YOLO11m跑了120个epoch最后在验证集上的表现比较理想类别PrecisionRecallmAP0.5mAP0.5:0.95happy0.9610.9370.9720.783alert0.9230.8900.9410.721angry0.8170.7620.8250.558sleepy0.9480.9210.9560.746playing0.8030.7410.7980.524全体0.8900.8500.8980.666整体mAP0.5约为0.9放在“单物种行为识别”这个任务维度下是可以接受的水平。静态类happy/sleepy的表现最好动态类playing/angry偏低这与直觉一致运动模糊和姿态变化幅度大都会增加检测难度。后续如果要在真实视频流里做实时识别建议在模型后接一个时序平滑逻辑比如相邻5帧投票能有效减少单帧误检导致的跳变。4. 常见问题与排查技巧实录4.1 标注错误导致的训练异常第一个常见问题是验证集损失在某个epoch后突然飙升排查发现是标签里有几个框的类别ID写错了。比如一张明显是angry的图标签文件里写成了0happy模型训练时会被这个错误标注反复“纠正”表现为某个类别的loss下不去。排查方法训练前先写个脚本统计所有标签文件的类别分布看看每个类别的框数量是否符合预期训练中如果发现某个类别的recall长期为0优先检查这个类别的标签文件是否正确。第二个经典问题是“猫的耳朵被框截断”。很多标注新手画框时习惯把耳朵算在框外但这个做法对alert和angry类别是致命的——飞机耳是angry的核心特征耳朵被切掉模型就学不到“耳朵贴平”这个关键模式了。我自己重标了一轮把所有audit难度高的angry图片重新画框保证耳朵完整在框内recall立刻提升了5个点左右。4.2 样本分布不均衡的典型表现如果你训练出来的模型总是把angry误判成happy或者alert大概率是样本不均衡在作祟。模型遇到不确定的输入时会倾向于预测训练集中占比高的类别因为我们数据里happy占了30%比angry的15%多一倍所以模型天然有“偷懒预测happy”的倾向。解决办法我在1.2里提过这里再补充一个验证过的量化经验把weighted sampler的权重调成与类别频率成反比之后angry的recall大约从0.71提升到0.79但happy的precision会从0.97略微下降到0.95。这是符合预期的“此消彼长”你需要根据业务场景决定更看重哪一边。如果想让两边都提高只能加数据或者用更细粒度的数据增强把稀有类别的姿态多样性补齐。4.3 推理阶段的高频误检场景模型训练完部署到摄像头场景后最常出现的两类误检一是“睡猫被识别为happy”。一张闭眼的猫蜷缩成一团模型确实容易把它判定为嘴巴微张的happy。我最后的解决方案是在业务逻辑上加了时长约束连续5帧都是同类目标才触发告警单帧或双帧的检测结果不触发。这样sleepy和happy的混淆虽然仍旧存在但对最终业务输出影响非常小。二是“模糊帧导致漏检”。猫快速玩耍时运动模糊严重小模型有时会直接漏掉目标。这里除了调高imgsz从640调到800推理耗时增加约30%但小目标召回率明显提升我建议在推理前加一个轻量级的锐化预处理。实测对动态类别的召回有一定的提升作用肉眼几乎无感知。4.4 训练时间与显存不足时的降级方案显存不够是个非常现实的问题。我在8GB显存的显卡上跑过同一份数据做法是模型从m降为s、batch从16降为8、imgsz保持640、开启cacheTrue把图片缓存到内存。这样单epoch耗时大约增加20%但显存峰值能控制在6GB以内完全跑得动。如果你的数据量更大可以直接用YOLOv8n训练更快代价是mAP大约比m低2到3个点作为快速验证方案完全够用。提示多卡训练时注意同步BN参数。如果用的是DistributedDataParallel默认会同步BatchNorm的均值方差对于batch size较小的场景能稳定训练过程。单卡训练不需要管这个。5. 数据集扩展与真实场景部署建议5.1 从3200张到更大规模数据扩展路线3200张只是起步量级。如果要做成能商用的猫情绪检测产品我建议数据规模做到1万到2万张扩展路径有两条。一条是从静态图片延伸到视频帧采样用手机录一段猫玩耍的5分钟视频按每秒2帧抽帧能稳定产出600帧带轻微运动差异的训练图。另一条是多视角采集在同一场景下用两个不同机位同时记录能让模型学到更多视角变化显著提升泛化能力。我就是用这个思路把playing类的样本量从480张扩到了1200张playing的mAP0.5从0.798提升到了0.843。5.2 部署到边缘设备的模型压缩训练好的模型如果要在宠物摄像头上跑通常需要压缩。我的做法是先export成FP16的TensorRT引擎在Jetson Orin Nano上推理单帧约19ms帧率能到40FPS以上如果目标设备是手机就先转ONNX再转NCNN用INT8量化后模型体积从30MB缩到8MB左右在骁龙中端芯片上也能跑20FPS。AMD平台则可以走ONNX Runtime的DirectML或ROCm后端但兼容性相比NVIDIA的CUDA生态会多遇到一些碎问题。这个项目里我不建议在部署初期用AMD卡做实验开发调试阶段的工具链完整度NVIDIA会更省心。5.3 项目后续可以怎么扩展这个数据集的方向上后续有几个我觉得特别值得做的扩展。一是从单一目标检测升级为“检测关键点”的结构化识别在框住猫的同时定位耳朵尖、眼睛、尾巴尖这几个关键点这样判断情绪就能有更多量化特征。二是把时间信息引入抽帧序列输入一个轻量级时间序列模型比如LSTM或Temporal Convolutional Network对行为做分段识别这样对“过渡情绪”的建模会好很多。三是扩展到多猫场景先检测每只猫的位置再用跟踪算法保持ID稳定再对每个ID做情绪识别这样能实现一拖多的家庭多宠监控。我在实际使用中最大的体会是数据集的真正价值不在于“有多少张图”而在于“类别定义是否清晰、标注是否一致、分布是否贴近真实场景”。3200张图如果只是胡乱打包丢给模型效果可能还不如自己拿手机拍几百张认真标注。专注意味着减少判断噪音。如果你也打算做类似项目建议先用200张图做一轮完整的端到端验证确认自己的类别定义和标注流程是稳定的再批量花钱花时间去扩充数据这样能省掉大量返工成本。
猫情绪检测数据集构建与YOLO训练实战：3200张标注图像全流程解析
先把结论放在前面猫情绪检测这件事真正卡住大多数人的不是模型选型而是数据集本身。网上能直接下到的宠物行为数据集要么类别太粗只有“猫”和“狗”要么是笼统的“坐着/站着/躺着”跟“情绪”这个维度基本不沾边。做YOLO微调最怕的就是想要的效果没有对应标注来回折腾半天才发现数据根本撑不起需求。这个项目的核心就是补上“猫情绪宠物行为”这个细分缺口3200张真实场景图片用YOLO格式统一标注拿过来就能直接喂给YOLOv8或YOLO11做训练。整个项目做下来我的体感是算法本身没给我找太多麻烦麻烦全在数据的定义和标注一致性上。如果你也想做类似的宠物行为识别或者手上刚好有猫狗图片但不知道该怎么整理成可用的训练集这篇文章应该能帮你省掉不少弯路。从数据设计、标注规范到训练调优、问题排查我尽量把实操中踩过的坑和验证过的做法都写清楚。1. 项目整体设计与数据构成1.1 为什么把“情绪检测”定义成行为识别先聊一个关键的设计决策项目标题叫“猫情绪检测”但落到数据标注上我们标注的其实是“可观察到、可判定的外部行为”而不是猫内心真实的情绪状态。这里有一个很实际的原因情绪是主观的同一只猫在不同人眼里可能得到完全不同的情绪判断标注员之间的一致性根本没法保证但行为是客观的比如“飞机耳尾巴快速甩动”就是攻击/防御的前兆这种基于行为特征推断情绪的方式在数据层面是可复现、可验证的。所以3200张图片的标注体系我按照“行为表现 → 情绪推断”的逻辑拆成了5个类别。这个设计参照了动物行为学里常用的行为编码方法也参考了现有宠物AI产品比如自动喂食器、宠物摄像头里实际会用到的事件类型。类别的选择上有两个原则一是必须常见二是必须能被二维图像明确判断。类别ID标签名行为描述对应的情绪推断0happy张嘴、眯眼、咕噜声伴随的放松姿态愉悦/放松1alert耳朵竖起、瞳孔放大、身体绷紧警惕/好奇2angry飞机耳、炸毛、哈气、弓背愤怒/恐惧3sleepy闭眼或半闭眼、蜷缩困倦/放松4playing扑咬玩具、追逐、翻滚露肚皮兴奋/愉快1.2 3200张图片的规模与分布策略3200张听起来不算多但对于单一物种的单目标检测任务来说这个量级配合好的分布策略是够用的。关键在于不能均匀分配均匀分配是新手最容易踩的坑。我统计过真实场景下各类别的出现频率happy和sleepy这类静态行为出现频率极高alert次之angry和playing则相对少见。如果按每类640张来均分模型会对稀有类别严重欠拟合典型症状就是angry和playing的mAP惨不忍睹但happy的mAP奇高。我的做法是按自然分布加少量过采样来配比happy占30%约960张、sleepy占20%约640张、alert占20%约640张、angry占15%约480张、playing占15%约480张再通过数据增强来补足稀有类别的多样性。训练时用weighted sampler按类别权重采样实际验证下来angry和playing的漏检率比均匀分布方案降低了大概12个百分点。还有一个容易被忽略的点图片不是“一张图一个类别”而是一张图里可能有多个目标、多个类别。比如一只猫在玩逗猫棒时可能同时有“playing”和“happy”的行为表现这时候就需要在同一张图上标注两个独立的边界框分别打上不同标签。3200张图实际标注出来的目标框数量在4100个左右平均每张图1.28个目标这个密度对于单物种检测来说是比较健康的状态。1.3 数据来源与版权合规说明数据来源要重点说因为这是项目能否合规落地的基础。我用了三个渠道一是自建拍摄用手机和家用摄像头在室内外不同光照条件下拍了大概800张这一部分版权完全可控二是从CC0和CC-BY协议的开源图库网站筛选了约1500张筛选标准是“清晰显示猫的完整身体或大部分身体”且“背景不过于杂乱”三是从已有的公开宠物数据集里筛选出符合我们类别定义的约900张这部分数据集本身就允许用于研究目的。在筛选图片的时候有一条硬性标准凡是画面模糊、目标占比过小比如一只猫在50米外只有几十个像素、或者多只猫严重重叠的图片直接淘汰。模糊图片对训练没有正向帮助只会让模型学到错误的纹理特征。我筛图时候的经验是宁可总数降到3000张也不要硬凑3200张混入大量低质量图。最后保留的3200张里我手动复查了大概三分之一把标注框偏移明显的重新修正过。注意如果你计划把数据集商用所有图片必须换成自己拍摄或有明确商用授权的素材CC0也不是在所有国家都等同于绝对无条件商用稳妥起见要一条条核对授权条款。2. YOLO格式标注规范与工具选型2.1 YOLO标注格式的详细说明YOLO格式的标签是txt文本文件每行对应一个目标框格式是类别ID 中心点x坐标 中心点y坐标 框宽 框高所有坐标值都做了归一化范围在0到1之间。这里有个很多新手都会犯的错坐标是归一化后的相对坐标不是像素坐标。比如一张1920×1080的图某个框的中心点在像素坐标(960, 540)、宽640、高360那txt里应该是0 0.5 0.5 0.3333 0.3333因为640/1920≈0.3333360/1080≈0.3333。标注文件的命名规则也容易搞乱要求图片名叫cat_001.jpg对应的标签文件必须叫cat_001.txt主文件名完全一致只有后缀不同。数据集目录结构一般是这样的dataset/ ├── images/ │ ├── train/ │ │ ├── cat_001.jpg │ │ └── ... │ └── val/ │ ├── cat_201.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── cat_001.txt │ │ └── ... │ └── val/ │ ├── cat_201.txt │ └── ... ├── data.yaml └── classes.txt2.2 标注工具的实操体验与选型建议标注工具我试过三个LabelImg、LabelStudio、X-AnyLabeling。LabelImg是老牌工具界面朴素但稳定适合纯YOLO格式标注缺点是标注效率不高每张图平均要花40秒左右。LabelStudio功能更多支持多人协作和质检流程适合团队项目但导出YOLO格式稍微麻烦一点。X-AnyLabeling自带SAM模型辅助分割框标注时能自动吸附物体边缘效率提升明显我后期大批量标注主要用它。标注时的规范比工具更重要。我制定了一套标注守则这里直接分享给你目标框必须完整包住猫的身体但不要为了包住尾巴和胡须把框拉得过大。尾巴和胡须属于“附属物”框得刚刚好包住躯干和头部就行多余背景占比超过20%的框要重新画。猫被遮挡超过三分之一时不标。被遮挡会导致边界框语义不确定模型学到的特征也混乱。同一只猫在同一张图里如果呈现出两种行为状态比如一半身子在睡觉一半在玩以面积大的行为为准。类似品种或姿势的图片不要连续集中出现要打散分布到不同文件夹避免验证集和训练集出现“同源相近图”导致指标虚高。2.3 数据划分与train/val比例数据划分我反复测过几次最后采用92:8的比例也就是2950张做训练集、250张做验证集。不用常见的80:20是因为这个项目类别明确、类间差异足够大验证集不需要太大而训练集每多5%的图对稀有类别的提升都是实打实的。划分时做了分层抽样先把所有图片按类别分组再按比例从每组里随机抽到训练集和验证集保证val里每个类别都有足够样本。如果直接random shuffle切分有一定概率出现某个类别在验证集里只有十来张测出来的mAP波动会非常剧烈。分层之后验证集里每个类别基本都稳定在40张以上指标的置信度靠谱很多。3. YOLO模型训练与调优实战3.1 环境配置与预训练模型选择训练环境我用的是单张RTX 409024GB显存跑YOLOv8和YOLO11的m模型都没问题。如果你手头只有消费级显卡比如RTX 3060 12GB建议用n或s模型起步训练时间可以接受精度也够用。CPU纯训练不是不能跑但3200张图、100个epoch的耗时可能在几十个小时量级不建议浪费时间。预训练模型一定要用官方在COCO上的权重不要随便从网上下载来路不明的pt文件。COCO预训练给了模型通用的物体表征基础后接我们这5类继续微调收敛速度比从头训练快得多。我这里提供一个可复现的训练命令参考yolo detect train \ data/path/to/dataset/data.yaml \ modelyolo11m.pt \ epochs120 \ imgsz640 \ batch16 \ optimizerAdamW \ lr00.001 \ weight_decay0.0005 \ patience20 \ projectcat_emotion_run \ nameexp1 \ seed42有个细节容易被忽略seed42这样固定随机种子能让实验可复现。我做算法对比调优时必须保证训练过程可复现否则没法判断指标变化是改参数改出来的还是随机性波动导致的。3.2 损失函数与超参数调优心得YOLO损失函数由三部分组成边界框回归损失Box Loss、分类损失Cls Loss、目标置信度损失DFL Loss。默认配置对通用目标检测有效但针对“猫情绪行为检测”这种类别少、类间差异大的任务调参空间是有的。我用YOLOv8源码里的测试脚本对比过几组配置最有效的两个改动第一个改动是提高分类损失权重。默认cls0.5我试过cls0.7效果最明显。原因是angry和playing这两个类边界框形状跟happy差异不大都是猫的轮廓关键区分信息全在姿态细节和耳朵位置这部分主要由分类分支来学习。提高分类权重相当于告诉模型“类别判断错误比框偏一点更严重”。第二个改动是对稀有类别做Mosaic和MixUp的概率加成。YOLO默认的增强参数里Mosaic开启一次会混合4张图对检测有利但对小目标多的场景容易产生碎片化目标。猫在画面里通常占比不大我实测把mosaic0.8降到mosaic0.5、把mixup0.1提升到mixup0.2明显缓解了angry类的漏检。背后的逻辑是mixup这种“软混合”比mosaic更温和不会撕裂目标又能在样本间引入平滑过渡正适合稀有类别增强。3.3 训练指标解读与模型性能我用YOLO11m跑了120个epoch最后在验证集上的表现比较理想类别PrecisionRecallmAP0.5mAP0.5:0.95happy0.9610.9370.9720.783alert0.9230.8900.9410.721angry0.8170.7620.8250.558sleepy0.9480.9210.9560.746playing0.8030.7410.7980.524全体0.8900.8500.8980.666整体mAP0.5约为0.9放在“单物种行为识别”这个任务维度下是可以接受的水平。静态类happy/sleepy的表现最好动态类playing/angry偏低这与直觉一致运动模糊和姿态变化幅度大都会增加检测难度。后续如果要在真实视频流里做实时识别建议在模型后接一个时序平滑逻辑比如相邻5帧投票能有效减少单帧误检导致的跳变。4. 常见问题与排查技巧实录4.1 标注错误导致的训练异常第一个常见问题是验证集损失在某个epoch后突然飙升排查发现是标签里有几个框的类别ID写错了。比如一张明显是angry的图标签文件里写成了0happy模型训练时会被这个错误标注反复“纠正”表现为某个类别的loss下不去。排查方法训练前先写个脚本统计所有标签文件的类别分布看看每个类别的框数量是否符合预期训练中如果发现某个类别的recall长期为0优先检查这个类别的标签文件是否正确。第二个经典问题是“猫的耳朵被框截断”。很多标注新手画框时习惯把耳朵算在框外但这个做法对alert和angry类别是致命的——飞机耳是angry的核心特征耳朵被切掉模型就学不到“耳朵贴平”这个关键模式了。我自己重标了一轮把所有audit难度高的angry图片重新画框保证耳朵完整在框内recall立刻提升了5个点左右。4.2 样本分布不均衡的典型表现如果你训练出来的模型总是把angry误判成happy或者alert大概率是样本不均衡在作祟。模型遇到不确定的输入时会倾向于预测训练集中占比高的类别因为我们数据里happy占了30%比angry的15%多一倍所以模型天然有“偷懒预测happy”的倾向。解决办法我在1.2里提过这里再补充一个验证过的量化经验把weighted sampler的权重调成与类别频率成反比之后angry的recall大约从0.71提升到0.79但happy的precision会从0.97略微下降到0.95。这是符合预期的“此消彼长”你需要根据业务场景决定更看重哪一边。如果想让两边都提高只能加数据或者用更细粒度的数据增强把稀有类别的姿态多样性补齐。4.3 推理阶段的高频误检场景模型训练完部署到摄像头场景后最常出现的两类误检一是“睡猫被识别为happy”。一张闭眼的猫蜷缩成一团模型确实容易把它判定为嘴巴微张的happy。我最后的解决方案是在业务逻辑上加了时长约束连续5帧都是同类目标才触发告警单帧或双帧的检测结果不触发。这样sleepy和happy的混淆虽然仍旧存在但对最终业务输出影响非常小。二是“模糊帧导致漏检”。猫快速玩耍时运动模糊严重小模型有时会直接漏掉目标。这里除了调高imgsz从640调到800推理耗时增加约30%但小目标召回率明显提升我建议在推理前加一个轻量级的锐化预处理。实测对动态类别的召回有一定的提升作用肉眼几乎无感知。4.4 训练时间与显存不足时的降级方案显存不够是个非常现实的问题。我在8GB显存的显卡上跑过同一份数据做法是模型从m降为s、batch从16降为8、imgsz保持640、开启cacheTrue把图片缓存到内存。这样单epoch耗时大约增加20%但显存峰值能控制在6GB以内完全跑得动。如果你的数据量更大可以直接用YOLOv8n训练更快代价是mAP大约比m低2到3个点作为快速验证方案完全够用。提示多卡训练时注意同步BN参数。如果用的是DistributedDataParallel默认会同步BatchNorm的均值方差对于batch size较小的场景能稳定训练过程。单卡训练不需要管这个。5. 数据集扩展与真实场景部署建议5.1 从3200张到更大规模数据扩展路线3200张只是起步量级。如果要做成能商用的猫情绪检测产品我建议数据规模做到1万到2万张扩展路径有两条。一条是从静态图片延伸到视频帧采样用手机录一段猫玩耍的5分钟视频按每秒2帧抽帧能稳定产出600帧带轻微运动差异的训练图。另一条是多视角采集在同一场景下用两个不同机位同时记录能让模型学到更多视角变化显著提升泛化能力。我就是用这个思路把playing类的样本量从480张扩到了1200张playing的mAP0.5从0.798提升到了0.843。5.2 部署到边缘设备的模型压缩训练好的模型如果要在宠物摄像头上跑通常需要压缩。我的做法是先export成FP16的TensorRT引擎在Jetson Orin Nano上推理单帧约19ms帧率能到40FPS以上如果目标设备是手机就先转ONNX再转NCNN用INT8量化后模型体积从30MB缩到8MB左右在骁龙中端芯片上也能跑20FPS。AMD平台则可以走ONNX Runtime的DirectML或ROCm后端但兼容性相比NVIDIA的CUDA生态会多遇到一些碎问题。这个项目里我不建议在部署初期用AMD卡做实验开发调试阶段的工具链完整度NVIDIA会更省心。5.3 项目后续可以怎么扩展这个数据集的方向上后续有几个我觉得特别值得做的扩展。一是从单一目标检测升级为“检测关键点”的结构化识别在框住猫的同时定位耳朵尖、眼睛、尾巴尖这几个关键点这样判断情绪就能有更多量化特征。二是把时间信息引入抽帧序列输入一个轻量级时间序列模型比如LSTM或Temporal Convolutional Network对行为做分段识别这样对“过渡情绪”的建模会好很多。三是扩展到多猫场景先检测每只猫的位置再用跟踪算法保持ID稳定再对每个ID做情绪识别这样能实现一拖多的家庭多宠监控。我在实际使用中最大的体会是数据集的真正价值不在于“有多少张图”而在于“类别定义是否清晰、标注是否一致、分布是否贴近真实场景”。3200张图如果只是胡乱打包丢给模型效果可能还不如自己拿手机拍几百张认真标注。专注意味着减少判断噪音。如果你也打算做类似项目建议先用200张图做一轮完整的端到端验证确认自己的类别定义和标注流程是稳定的再批量花钱花时间去扩充数据这样能省掉大量返工成本。
