Обнаружение цыплят и яиц на птицефабриках

Что умеет эта модель?

Модель PoultryVision — это доработанная версия YOLOv11m, предназначенная для обнаружения в реальном времени цыплят (бройлеров, кур, петухов) и яиц в условиях птицеводческих ферм.

Эта модель превосходит доработанную YOLOv11x, описанную в статье MVBroTrack (Cardoen et al., 2025), на 8,5 пунктов mAP@50-95, при этом используя примерно в 2,7 раза меньше параметров и в 2,7 раза меньше дискового пространства (40 МБ против 109 МБ).

Как была обучена модель?

Модель обучена на объединенном наборе данных PoultryVision Unified Dataset, который объединяет шесть общедоступных наборов данных по птицеводству (≈21,6 тыс. изображений для обнаружения + мульти-камерные данные MVBroTrack).

Финальные метрики (валидационный набор — 3 706 изображений, размер 640)

• mAP@50-95: 0.7934

• mAP@50: 0.9711

• Точность (Precision): 0.9339

• Полнота (Recall): 0.9345

• Набор данных для обучения: 15 987 изображений

• Набор данных для валидации: 3 706 изображений

• Набор данных для тестирования: 1 893 изображения

• Классы: 2 (, )

• Эпохи: 70

• Оптимизатор: AdamW (lr0 = 1e-3, lrf = 1e-2)

• Размер изображения: 640

• Размер батча: 4–16 (смешанный, AMP)

• Оборудование: Локальный GPU NVIDIA

Применение

Модель может быть использована для автоматизированного мониторинга поголовья птицы и яиц, что способствует повышению эффективности умного фермерства и улучшению благополучия животных.

Сравнение с эталонной статьей

Эталонная статья — Cardoen et al., "Multi-camera detection and tracking for individual broiler monitoring", Computers and Electronics in Agriculture, 2025 (MVBroTrack).

Таблица бенчмарков из статьи (AP@50-95, YOLO с одной камеры на тестовом наборе MVBroTrack):

МодельСтадия стартераСтадия ростаСтадия финишераИтогоПараметрыВесYOLOv11x — zero-shot (COCO)1.5811.1621.8013.9456.9 M109

Ссылки

Williamsanderson/PoultryVision

Ссылки

https://https://huggingface.co/Williamsanderson/PoultryVision