简介：一套完整的基于YOLO的犬类情绪识别项目包，主要面向深度学习初学者和图像分类实战开发者，尤其适合作为毕业设计、课程设计或期末大作业的参考项目。项目覆盖从数据准备、模型训练到测试评估与结果可视化的全流程，能帮助使用者理解目标检测与动物情绪分类的落地方式，适用于教学演示、项目汇报和算法对比实验。压缩包共72个文件，约60.25MB，其中以jpg/jpeg/png图像样本和结果图为多数，配合py训练与测试脚本、md说明文档、依赖文件及gif演示结果；目录中另有模型目录、输出结果目录和评估图表，包含P曲线、R曲线、PR曲线、F1曲线、混淆矩阵等，便于直接查看模型效果。已有56人浏览学习。通过源码、样例图片、训练后的模型与说明文档，使用者可复现犬类情绪识别实验，也可替换数据集进行迁移训练，节省从零搭建代码与调参的时间，是兼具教学参考和实际应用价值的完整资料。
1. 犬类情绪识别：一个 YOLO 就能带走的课程设计项目
如果你正在为毕业设计或期末大作业发愁，想找一个“深度学习 + 图像识别”方向、能落地演示又能写进简历的项目，基于 YOLO 的犬类情绪识别是个很务实的选择。它能对狗的脸部表情和姿态做实时分类，区分开心、焦虑、愤怒、悲伤、平静这几类典型情绪状态，覆盖从数据标注、模型训练到摄像头推理的完整流程。
这套资源最大的价值不是“识别有多准”，而是把深度学习中目标检测落地的完整链路都串起来了：数据怎么清洗、VOC 标注怎么转 YOLO 格式、训练参数怎么调、摄像头实时推理怎么接、模型怎么导出部署。对新手来说，它是一份能跟到最后的完整代码包；对已经有基础的人来说，它也能当成一个快速出结果的基线工程，省掉从零搭环境的时间。
我拆这个项目时最直观的感受是：真正的功夫不在训练那一步，而在数据整理和参数调试上。下面按我自己的复现路径往下走，每个环节都给到可直接抄的代码和参数。
2. 数据先行：整理、标注转换与五分类标签的落地方法
2.1 数据从哪来：构建与清洗
犬类情绪识别本质上是一个目标检测任务，输入是包含犬只的图片，输出是检测框加上情绪类别。情绪识别比普通品种识别更难，因为同类情绪在不同犬种上的表现差异很大，哈士奇和柯基的“开心脸”完全是两个画风。因此数据集的构成直接影响模型能不能收敛。
资源里自带的原始图片多为网图、公开宠物数据集和少量自拍素材的混合体，第一件要做的事是清洗。常见做法是把这三类图片按“犬只朝向正面或侧面 45 度以内、脸部占比大于 1/4、单张图只有一只狗、无大面积遮挡”的标准筛一遍。我一般会用一个简单的脚本统计每张图的尺寸和通道，把损坏的、灰度异常的、分辨率低于 300px 的图直接剔除。
import os from PIL import Image src_dir = "raw_images" valid_dir = "cleaned_images" os.makedirs(valid_dir, exist_ok=True) min_side = 300 removed = [] for name in os.listdir(src_dir): path = os.path.join(src_dir, name) try: img = Image.open(path) img.verify() # 检查文件是否损坏 w, h = img.size if w < min_side or h < min_side: removed.append((name, "too small")) continue if img.mode == "L": removed.append((name, "grayscale")) continue img = Image.open(path).convert("RGB") img.save(os.path.join(valid_dir, name)) except Exception as e: removed.append((name, str(e))) print(f"removed {len(removed)} files: {removed[:10]}")img.verify()只做完整性校验，不开图，速度很快；img.mode == "L"是灰度图过滤，因为训练时颜色信息对情绪识别有贡献，灰度图会引入分布偏移。这里把筛掉的图片名打印出来，便于回头补数据时排查。
清洗后大约能留下 70%～80% 的图片。这一步不能省，脏数据进训练集，后面所有指标都会变得奇怪。
2.2 标注格式转换：VOC 转 YOLO
清洗完成后要处理的是标注格式。资源包里原始标注是 XML（VOC 格式），而 YOLO 训练需要的是每个图片对应一个 txt，每行写“类别_id x_center y_center width height”，坐标全部归一化到 0 到 1 之间。
# convert_voc_to_yolo.py import xml.etree.ElementTree as ET import os # 类别顺序必须与 data.yaml 中完全一致 CLASSES = ["angry", "anxious", "calm", "happy", "sad"] def voc_to_yolo(xml_path, out_txt_path): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") w = int(size.find("width").text) h = int(size.find("height").text) lines = [] for obj in root.iter("object"): cls_name = obj.find("name").text.strip().lower() if cls_name not in CLASSES: continue box = obj.find("bndbox") xmin = float(box.find("xmin").text) ymin = float(box.find("ymin").text) xmax = float(box.find("xmax").text) ymax = float(box.find("ymax").text) x_center = (xmin + xmax) / 2.0 / w y_center = (ymin + ymax) / 2.0 / h box_w = (xmax - xmin) / w box_h = (ymax - ymin) / h cls_id = CLASSES.index(cls_name) lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}") with open(out_txt_path, "w", encoding="utf-8") as f: f.write("\n".join(lines)) xml_dir = "annotations/voc" txt_dir = "annotations/yolo" os.makedirs(txt_dir, exist_ok=True) for xml_name in os.listdir(xml_dir): if not xml_name.endswith(".xml"): continue stem = os.path.splitext(xml_name)[0] voc_to_yolo(os.path.join(xml_dir, xml_name), os.path.join(txt_dir, stem + ".txt"))宽度和高度必须从<size>标签里取，不能自己用 PIL 再算一次。有些手机照片带 EXIF 旋转信息，直接读图得到的宽高会被方向信息干扰，标注会整体偏移。归一化坐标让不同分辨率的图片在训练时能统一到同一个尺度，这也是 YOLO 系列一直用这种方式的原因。
转换完成后抽查几份 txt，如果出现 x_center 大于 1 或小于 0 的情况，说明标注框越界，需要回到原 XML 修正。
2.3 数据划分与类别均衡
分类项目的数据划分不能只用随机切分，尤其是情绪识别这类天然不均衡的数据集。狗的表情里“开心”和“平静”的样本远多于“焦虑”和“愤怒”，如果按原始比例切分，验证集里愤怒样本可能只有个位数，模型全猜平静也能拿到高准确率，这会让指标失真。
import os import random from collections import Counter from shutil import copy2 image_dir = "cleaned_images" label_dir = "annotations/yolo" train_dir = "dataset/images/train" val_dir = "dataset/images/val" train_label_dir = "dataset/labels/train" val_label_dir = "dataset/labels/val" for d in [train_dir, val_dir, train_label_dir, val_label_dir]: os.makedirs(d, exist_ok=True) label_files = [f for f in os.listdir(label_dir) if f.endswith(".txt")] random.seed(42) # 统计每个类别的样本框数量，按框数而不是图片数分配 cls_counter = Counter() for lf in label_files: with open(os.path.join(label_dir, lf), "r", encoding="utf-8") as f: for line in f: cls_id = int(line.split()[0]) cls_counter[cls_id] += 1 print("class distribution:", dict(cls_counter)) train_ratio = 0.85 train_files = [] val_files = [] # 分层采样：保证每个类别在验证集中都有足够样本 for cls_id in range(len(CLASSES)): cls_files = [ lf for lf in label_files if any(int(line.split()[0]) == cls_id for line in open(os.path.join(label_dir, lf), "r", encoding="utf-8")) ] random.shuffle(cls_files) split_idx = int(len(cls_files) * train_ratio) train_files.extend(cls_files[:split_idx]) val_files.extend(cls_files[split_idx:]) for f in train_files: copy2(os.path.join(image_dir, f.replace(".txt", ".jpg")), train_dir) copy2(os.path.join(label_dir, f), train_label_dir) for f in val_files: copy2(os.path.join(image_dir, f.replace(".txt", ".jpg")), val_dir) copy2(os.path.join(label_dir, f), val_label_dir)这里用了分层采样，先把包含某个类别的图片单独拎出来，再按比例抽取，确保“愤怒”这类长尾类别不会在验证集里消失。训练集比例取 0.85，如果数据总量少于 1000 张，可以提高到 0.9。这里有一个常见的翻车点：按图片数切分看似没问题，但一张图里可能同时有两只狗、两个情绪框，按图片数切分会让验证集和训练集出现内容重叠，所以我按标签文件数来切，并且只关心标签里出现过的类别。
划分完成后，数据集目录结构就是标准的 YOLO 布局：
dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/最后写一个data.yaml，这是训练时唯一要指定的数据集配置文件，类别列表顺序必须与上一步的 CLASSES 完全一致。
path: dataset train: images/train val: images/val names: 0: angry 1: anxious 2: calm 3: happy 4: sad3. 训练自己的识别模型：环境、参数配置与损失函数解读
3.1 环境搭建与预训练权重
训练环境是第一个拦路虎，网上搜“YOLO 环境配置”能看到的坑基本都集中在 CUDA 和 torch 版本不匹配上。资源包里的代码基于 YOLOv8（ultralytics 框架），Python 版本 3.8 到 3.10 都能跑，我建议用 3.10。
# 创建虚拟环境，避免污染系统 Python conda create -n yolo python=3.10 -y conda activate yolo # 安装 PyTorch，先确认本机 CUDA 版本再选择对应命令 pip install torch==2.1.0 torchvision==0.16.0 --index-url https://download.pytorch.org/whl/cu118 # 安装 ultralytics pip install ultralytics==8.0.100这里不要直接pip install ultralytics了事，锁版本很有必要。YOLOv8 的 API 在 8.0.x 之后有过一些调整，资源代码是在这个版本下调试过的，升到 8.2 以上有些接口签名会变，新手照抄代码可能跑不通。安装完成后用yolo predict source="https://ultralytics.com/images/bus.jpg"验证环境，能出结果说明环境正常。
预训练权重建议用yolov8s.pt而不是yolov8n.pt。虽然 nano 模型更小、训练更快，但情绪特征（嘴角弧度、耳朵位置）非常细微，nano 的浅层特征表达力不够，最终 mAP 会比 s 低 5 到 8 个点。如果显卡显存低于 6G，再退回到yolov8n.pt。
3.2 训练命令与超参数设置
训练命令看起来简单，真正决定结果的是参数。下面是我在这套资源上调通的一组基线参数。
yolo train \ model=yolov8s.pt \ data=dog_emotion.yaml \ epochs=100 \ imgsz=640 \ batch=16 \ device=0 \ patience=30 \ optimizer=AdamW \ lr0=0.001 \ lrf=0.01 \ mosaic=1.0 \ fliplr=0.5 \ scale=0.3 \ project=runs/detect \ name=dog_emotion_train逐个说参数含义。epochs=100对于这个规模的数据集够用，太多会过拟合，太少不收敛；imgsz=640是训练输入分辨率，如果显卡允许，改成 768 对情绪识别有明显帮助，因为脸部关键特征在低分辨率下容易糊掉；batch=16由显存决定，显存 8G 用 16，12G 以上可以到 32；patience=30表示连续 30 个 epoch 验证集指标没有提升就提前停止，这是防止时间浪费的保险丝；optimizer=AdamW比默认的 SGD 收敛更快，尤其适合迁移学习场景。
mosaic=1.0是马赛克增强，把四张图拼成一张训练，对小目标检测非常有效，但如果训练集里单张图只有一只狗，mosaic 过强会在早期造成“半个头”的幻觉，训练初期 loss 可能不降反升。真遇到这种情况，把mosaic=0.5跑几个 epoch，后期再调到 1.0 也行。
训练过程中重点看两行输出：box_loss和cls_loss。box_loss 是检测框回归误差，cls_loss 是分类误差。情绪识别的难点在 cls_loss 上，如果训练了十几轮 cls_loss 还在 1.5 以上，先想到的是数据问题而不是模型问题。
3.3 损失函数与训练曲线怎么看
YOLOv8 的损失由三部分构成：分类损失（BCE 变体）、框回归损失（CIoU）、分布式焦点损失（DFL）。DFL 是 YOLOv8 相对 v5 的新增项，它把边界框的四个边当成分布来回归，而不是直接预测数值，这提升了小目标的定位精度，代价是训练时对学习率更敏感。
我习惯每 10 个 epoch 停下来看一下results.png里的曲线。有几个异常信号需要记住：
train/box_loss快速下降但val/box_loss震荡上升，这是过拟合的早期信号，立即加大weight_decay或降低epochs；cls_loss在训练初期就在 0.3 以下，说明类别分布严重不均衡，模型在走捷径，优先学容易的类别；- 训练开始就出现
nanloss，几乎可以肯定是学习率过大或某张图的标注框坐标异常（比如宽高为 0），去检查数据集比调参更有用。
训练结束后在runs/detect/dog_emotion_train/目录下会生成best.pt和last.pt，后续推理用best.pt。这个目录还包含confusion_matrix.png，它比 loss 曲线更能说明问题——如果对角线很亮但某个类别的列全黑，那就是典型的长尾漏检。
4. 推理与部署：从单张图片到实时摄像头识别
4.1 单图推理脚本
训练完模型后的第一件事是用它跑几张训练集之外的图片，验证基本效果。下面这段脚本可以直接复制使用。
# inference_image.py from ultralytics import YOLO model = YOLO("runs/detect/dog_emotion_train/weights/best.pt") results = model.predict( source="test_images", conf=0.35, iou=0.45, imgsz=640, save=True, save_txt=True, device=0 ) for r in results: boxes = r.boxes if boxes is not None: for box in boxes: cls_id = int(box.cls[0].item()) conf = float(box.conf[0].item()) print(f"class={model.names[cls_id]} confidence={conf:.3f}")conf=0.35是置信度阈值，低于这个值的检测框会被丢弃。情绪识别的置信度普遍比普通目标检测低，因为狗脸角度变化大，设 0.35 到 0.4 是一个平衡点。iou=0.45是 NMS 交并比阈值，值越小抑制越强，同一只狗被框两次的场景可以调到 0.5。打印类别名和置信度有助于快速定位哪些图片误检严重。
4.2 摄像头实时检测
课程设计答辩现场用摄像头实时演示，效果远比静态图片震撼。这里给一个接 OpenCV 的实时推理版本。
# inference_webcam.py import cv2 from ultralytics import YOLO model = YOLO("runs/detect/dog_emotion_train/weights/best.pt") cap = cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720) while True: ret, frame = cap.read() if not ret: break results = model.predict(frame, imgsz=640, conf=0.4, device=0, verbose=False) annotated_frame = results[0].plot() fps = cap.get(cv2.CAP_PROP_FPS) cv2.putText(annotated_frame, f"FPS: {fps:.0f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) cv2.imshow("Dog Emotion Recognition", annotated_frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()实时推理时我把imgsz从 640 降到 416，这不是为了精度，而是为了帧率。摄像头场景下运动模糊已经让细小情绪特征不可靠，640 的输入会拖慢推理速度，反而导致画面卡顿。这里有个隐藏问题：results[0].plot()会在原图上绘制检测框和标签，但如果检测到多个框且类别置信度不高，画面上的字会非常多，答辩时反而显得 demo 杂乱，可以只在画面上画置信度高于 0.5 的框。
4.3 模型导出与边缘部署
训练好的 PyTorch 权重不能直接跑在手机上或者 Jetson 这类边缘设备上，需要导出成 ONNX 或 TensorRT 格式。
yolo export model=runs/detect/dog_emotion_train/weights/best.pt format=onnx imgsz=640 opset=12 yolo export model=runs/detect/dog_emotion_train/weights/best.pt format=engine device=0 half=TrueONNX 导出的关键是opset版本，设成 12 兼容性最好，新版 PyTorch 默认的 opset 17 在部分老设备推理引擎上会报不支持的算子。TensorRT 导出前先确认本机 CUDA 版本和 TensorRT 版本匹配，否则引擎构建到一半会报显存问题。half=True开启 FP16 精度，推理速度提升明显但精度有轻微损失，情绪识别这个任务影响不大。
如果在树莓派或者 RK3588 这类设备上部署，ONNX 格式是更稳妥的选择，配合 RKNN-Toolkit 转换工具可以做硬件加速。这方面的行话叫“边缘部署监控误检率高”，核心原因是边缘设备上为了性能往往会降低输入分辨率，而情绪特征恰恰依赖细节，所以部署时的输入分辨率不要小于 512。
5. 常见问题与避坑：训练不收敛、BN 崩溃与误检排查
5.1 训练阶段：BN 崩溃、过拟合与损失异常
现象一：训练到第 20 个 epoch 左右，loss 突然变成nan，控制台开始刷红色警告，模型权重无法保存。
这大概率是训练中 BN 崩溃（BatchNorm blowup）。产生原因通常是学习率设置过高，加上早期批次数据里某些标注框异常，导致某一层的统计量爆炸。
解决方法是先把lr0降到 0.0005，同时把batch设成 8 或 16 的倍数，确保每个批次里的样本数足够让 BN 统计量稳定。另一个常见做法是在yolo train命令里加cache=True，把数据缓存到内存，减少读取抖动带来的输入异常。
现象二：训练集精度升到 95% 以上，验证集 mAP 却只有 50%，而且还在往下掉。
这是典型的过拟合，在小数据集上非常普遍，尤其是清洗后图片数少于 800 张时。
对策不止一个，我建议按顺序操作：先加weight_decay=0.0005，再把mosaic关掉或降到 0.3，然后尝试用yolov8s-cls.pt的分类预训练权重做迁移初始化。注意，这不是玄学，是超参数和数据规模不匹配的必然结果。
现象三：val/cls_loss曲线一路平坦，怎么调参都下不去。
先检查你的
data.yaml里类别顺序是否和训练标签的 class_id 对应。我见过不止一次因为 CLASSES 列表顺序变了，导致模型把“开心”学成了“焦虑”的惨案。模型没毛病，是标签语义对不上。
5.2 推理阶段：误检、漏检与混淆矩阵异常
现象四：视频里对着墙壁或地板也会框出一个小方框，置信度还不低，打上了某个情绪类别。
原因是背景过拟合。如果训练集里大量图片的背景都是室内地板或狗窝，模型会把纹理特征当成判断依据。
解决方式是做数据增强：加hsv_h=0.5 hsv_s=0.5 hsv_v=0.5随机改变色调饱和度，降低颜色纹理对分类的依赖；再用translate=0.1让目标在画面里移动，破坏固定的位置关联。推理时把conf调高到 0.5 也能过滤一部分背景误检。
现象五：confusion_matrix.png里所有类别的横排总和明显大于纵排总和，甚至出现奇怪的对角线。
搜过“YOLO 混淆矩阵总合不唯一”的应该都知道，目标检测的混淆矩阵计算逻辑与图像分类不同，它按预测框是否与真实框匹配来计数，一个真实框可能被多个预测框命中，一个预测框也可能对应多个类别得分。
看混淆矩阵时不要追求行和列相等，重点看每个类别是否在对角线上有足够高的值。某一行除对角格外还有高响应，说明模型在类别间混淆，优先补区分这两个类别的数据，比调参更有效。
6. 进阶：注意力机制改进与 TensorBoard 验证习惯
6.1 给 YOLOv8 加一个轻量注意力模块
如果完成基础版本之后还有余力，给模型加一个 SE（Squeeze-and-Excitation）注意力模块是性价比很高的改进方向。犬类情绪识别依赖的耳朵位置、嘴角弧度这些细小特征，注意力机制能让特征提取网络更关注这些区域，同时计算开销非常小。
# common.py 中添加的 SE 模块 import torch import torch.nn as nn class SEBlock(nn.Module): def __init__(self, channels, reduction=16): super(SEBlock, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.fc = nn.Sequential( nn.Linear(channels, channels // reduction, bias=False), nn.ReLU(inplace=True), nn.Linear(channels // reduction, channels, bias=False), nn.Sigmoid() ) def forward(self, x): b, c, _, _ = x.size() y = self.avg_pool(x).view(b, c) y = self.fc(y).view(b, c, 1, 1) return x * y.expand_as(x)这个模块通过全局平均池化把每个通道压缩成一个值，再用两层全连接学习通道间的关系，最后用 Sigmoid 产生 0 到 1 的通道权重乘回原特征图。reduction=16控制中间层压缩比，值越大参数越少，但信息损失也越多。修改完模型结构后，训练命令不变，只是在yaml配置里替换对应层的模块名。
6.2 用 TensorBoard 对比改进前后的训练曲线
改进是否有效，不能靠感觉。ultralytics 框架自带 TensorBoard 支持，但需要先安装依赖再启用。
pip install tensorboard tensorboard --logdir runs/detect打开http://localhost:6006就能同时看到基线模型和注意力改进模型的 loss 曲线。我通常会对比两组指标：val/cls_loss和mAP@0.5:0.95。如果加了注意力模块后cls_loss更低但box_loss略高，这是正常的，注意力机制本质上是牺牲一部分定位精度换取分类精度，在情绪识别这个任务上是划算的。
对比训练时还有个习惯值得养成：用固定的random_seed=42让两次训练的数据增强顺序一致。如果不固定种子，两次训练的提升可能是随机性造成的，那就失去了对比的意义。
这个资源我前后拆了三遍，第一遍踩在数据清洗上，第二遍死在 BN 崩溃，第三遍才把训练跑顺。从那以后我每次做目标检测项目，都会强制自己先写一个数据分布统计脚本，再进训练环节。模型可以迭代，数据问题不能靠模型硬扛。完整的标签转换脚本、分层采样代码和训练配置都在资源包里，希望帮到你。
本文还有配套的精品资源，点击获取
