简介：这份资源是一篇西南财经大学学士学位毕业论文，主题为基于改进YOLOv3的猪脸识别，面向计算机视觉方向的学生、农业智能化研究者及目标检测入门者，帮助理解YOLOv3在特定目标识别任务中的改进思路与实现流程。压缩包内仅含1个docx文档，约38KB，完整呈现论文的章节结构与研究内容。论文从YOLOv3算法原理与优缺点出发，梳理猪脸数据采集标注、特征提取与分类算法，重点提出两种改进方法：一是通过数据增强、扩充样本或优化损失函数增强猪脸特征学习能力，二是调整网络深度宽度、引入注意力机制或采用迁移学习提升模型专注度，并给出精确度、召回率、F1分数等评估对比。目前已有219人学习，适合需要参考目标检测改进方案、撰写相关论文或开展动物识别项目的读者研读。
1. 猪脸识别为什么值得从 YOLOv3 改起：一个被低估的落地场景
猪场里给猪建档、称重、记录采食量，如果还靠耳标和人工抄号，一天下来饲养员腿都软了，数据还未必对得上。猪脸识别要解决的就是这件事：用摄像头替代人工，把每一头猪的身份认出来，进而关联它的生长曲线、健康状态和采食行为。而基于改进 YOLOv3 的猪脸识别，本质上是把目标检测框架从「通用物体」迁移到「猪脸」这个特殊目标上，再针对猪脸的特点做结构层面的调整。它适合两类人：一类是想把检测模型落到养殖场景的算法工程师，另一类是手里有猪场数据、想跑通一套识别流程的技术负责人。这一章先把「为什么是 YOLOv3、为什么必须改」讲清楚，后面再动手。
YOLOv3 在猪脸识别任务上有天然优势：单阶段检测、速度快、对小目标有一定容忍度，而且开源实现多，改起来方便。但直接拿 COCO 预训练权重去跑猪脸，翻车是大概率事件。原因不复杂——猪脸在图像里往往只占很小一块，猪的肤色和地面、栏杆颜色接近，猪还会低头、侧脸、互相遮挡。通用模型的特征金字塔对这种细粒度、低对比度的目标不够敏感。所以「改进」不是赶时髦，而是被场景逼出来的。常见改法集中在三处：骨干网络换成更轻或更强的结构、特征融合层加注意力、检测头针对小目标调整 anchor。下面几章会把这些改动拆成能复现的步骤，也会把参数和踩坑点讲透。
2. 改进 YOLOv3 猪脸识别的网络结构怎么选：骨干、注意力和检测头
2.1 为什么原版 Darknet-53 在猪脸数据上不够用
Darknet-53 是为通用目标设计的，卷积核感受野偏大，对猪脸这种纹理细节丰富但尺寸偏小的目标，浅层特征利用不充分。猪脸的关键区分点——鼻盘形状、耳朵姿态、面部斑纹——大多落在浅层和中层特征里。原版 YOLOv3 在三个尺度上做检测，最小的 13×13 特征图对应大目标，而猪脸在 416×416 输入下往往只有 30×30 到 60×60 像素，落在中尺度甚至小尺度上。如果猪只密集，小尺度特征图的分辨率不够，相邻猪脸会糊在一起。
我一般会做两件事：第一，把骨干换成 MobileNetV3 或 CSPDarknet53 的轻量变体，减少参数量同时保留浅层细节；第二，在 neck 部分引入注意力模块，让网络自己学会「看哪里」。注意力不是玄学，它解决的是特征融合时背景噪声压过猪脸信号的问题。常见做法是在 FPN 的每一层输出后加一个 SE 模块或 CBAM，通道注意力和空间注意力各管一摊。
2.2 骨干替换与注意力插入的具体改法
下面这段代码展示的是在 PyTorch 里把 YOLOv3 的骨干替换为 MobileNetV3，并在 FPN 输出后插入 CBAM 的核心逻辑。注意这里只写结构改动部分，训练循环和损失函数沿用 YOLOv3 原版即可。
import torch import torch.nn as nn from torchvision.models import mobilenet_v3_small class CBAM(nn.Module): def __init__(self, channels, reduction=16): super().__init__() # 通道注意力：先全局池化再两层全连接 self.avg_pool = nn.AdaptiveAvgPool2d(1) self.max_pool = nn.AdaptiveMaxPool2d(1) self.fc = nn.Sequential( nn.Linear(channels, channels // reduction), nn.ReLU(inplace=True), nn.Linear(channels // reduction, channels) ) self.sigmoid = nn.Sigmoid() # 空间注意力：对通道维做池化后卷积 self.spatial = nn.Conv2d(2, 1, kernel_size=7, padding=3) def forward(self, x): b, c, _, _ = x.size() avg_out = self.fc(self.avg_pool(x).view(b, c)) max_out = self.fc(self.max_pool(x).view(b, c)) channel_att = self.sigmoid(avg_out + max_out).view(b, c, 1, 1) x = x * channel_att # 空间注意力 avg_map = torch.mean(x, dim=1, keepdim=True) max_map, _ = torch.max(x, dim=1, keepdim=True) spatial_att = self.sigmoid(self.spatial(torch.cat([avg_map, max_map], dim=1))) return x * spatial_att class YOLOv3PigFace(nn.Module): def __init__(self, num_classes=10): super().__init__() # 用 MobileNetV3 的前几层作为骨干，取三个不同尺度的输出 backbone = mobilenet_v3_small(pretrained=True).features self.stage1 = backbone[:2] # 浅层，分辨率高 self.stage2 = backbone[2:7] # 中层 self.stage3 = backbone[7:] # 深层 # 假设三个尺度通道数分别为 16, 24, 48，实际需根据输入尺寸调整 self.cbam1 = CBAM(16) self.cbam2 = CBAM(24) self.cbam3 = CBAM(48) # 检测头沿用 YOLOv3 的卷积结构，输出通道为 3*(5+num_classes) self.head1 = nn.Conv2d(16, 3 * (5 + num_classes), 1) self.head2 = nn.Conv2d(24, 3 * (5 + num_classes), 1) self.head3 = nn.Conv2d(48, 3 * (5 + num_classes), 1) def forward(self, x): f1 = self.stage1(x) f2 = self.stage2(f1) f3 = self.stage3(f2) # 插入注意力 f1 = self.cbam1(f1) f2 = self.cbam2(f2) f3 = self.cbam3(f3) # 三个尺度分别输出 out1 = self.head1(f1) out2 = self.head2(f2) out3 = self.head3(f3) return out1, out2, out3这段代码的逻辑是：骨干换成 MobileNetV3 后，参数量从 Darknet-53 的约 4100 万降到 250 万左右，推理速度提升明显，适合猪场边缘设备部署。CBAM 插在三个尺度输出之后，通道注意力负责筛选「哪些特征通道对猪脸更重要」，空间注意力负责定位「猪脸在特征图的哪个位置」。检测头保持 YOLOv3 原版结构，输出维度是 3 个 anchor 乘以 (5 + 类别数)，其中 5 是 x、y、w、h 和置信度。参数上需要注意：num_classes 要改成你实际猪只数量，如果只是识别几头猪，可以设小一点；如果要做身份分类，类别数就是猪的个体数。输入尺寸建议保持 416×416 或 608×608，太小会丢细节，太大边缘设备跑不动。
2.3 anchor 重新聚类：猪脸不是 COCO 目标
YOLOv3 默认的 9 个 anchor 是在 COCO 上聚类出来的，尺寸偏大，直接拿来框猪脸，IOU 会很低。我一般会用 K-means 在自己的猪脸数据集上重新聚类，聚出 9 个框，再按面积分给三个尺度。具体做法是把标注文件里的宽高提取出来，跑一遍 K-means，距离度量用 1-IOU。聚类完把 anchor 写进配置文件，重新训练。这一步对召回率提升很明显，尤其是猪脸密集、大小不一的时候。
提示：聚类前先把标注框的宽高归一化到 0 到 1 之间，否则大框会主导距离计算。
3. 猪脸数据怎么准备：采集、清洗和 YOLO 格式转换
3.1 猪脸图像采集的四个现实约束
猪场不是实验室，采集数据要面对四个约束：光照变化大、猪只不配合、遮挡频繁、背景重复。我一般建议在一天中的三个时段各采一批：清晨、正午、傍晚，覆盖不同色温。摄像头安装高度在 1.2 到 1.5 米，俯角 30 度左右，这样能拍到猪抬头时的正脸。每头猪至少采 200 张有效样本，包含正脸、侧脸、低头、遮挡四种姿态。如果猪场有多个栏舍，每个栏舍单独采，避免模型把栏舍背景当成身份线索。
采集完的原始图不能直接标，先做清洗。清洗规则很简单：模糊的删、猪脸小于 30×30 像素的删、完全侧脸看不到鼻盘的删。这一步会砍掉三成左右的图，但剩下的质量高，标起来快，训起来稳。
3.2 从 VOC 到 YOLO 格式：转换脚本与边界坑
标注工具常用 LabelImg，默认输出 VOC 格式的 XML。YOLOv3 训练需要的是每张图一个 txt，每行是类别 x_center y_center width height，全部归一化到 0 到 1。下面这个脚本把 VOC 转成 YOLO 格式，同时处理几个边界情况。
import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_dir, img_dir, out_dir, class_map): """ xml_dir: VOC标注文件夹 img_dir: 对应图片文件夹，用于读取宽高 out_dir: 输出txt文件夹 class_map: 类别名到索引的字典，如 {'pig_face': 0} """ if not os.path.exists(out_dir): os.makedirs(out_dir) for xml_file in os.listdir(xml_dir): if not xml_file.endswith('.xml'): continue tree = ET.parse(os.path.join(xml_dir, xml_file)) root = tree.getroot() # 图片宽高从XML里读，避免和实际图片不一致 size = root.find('size') img_w = int(size.find('width').text) img_h = int(size.find('height').text) lines = [] for obj in root.iter('object'): cls_name = obj.find('name').text if cls_name not in class_map: continue # 处理difficult标记，一般跳过 difficult = obj.find('difficult') if difficult is not None and int(difficult.text) == 1: continue bbox = obj.find('bndbox') xmin = float(bbox.find('xmin').text) ymin = float(bbox.find('ymin').text) xmax = float(bbox.find('xmax').text) ymax = float(bbox.find('ymax').text) # 边界裁剪，防止标注超出图片范围 xmin = max(0, min(xmin, img_w)) xmax = max(0, min(xmax, img_w)) ymin = max(0, min(ymin, img_h)) ymax = max(0, min(ymax, img_h)) if xmax <= xmin or ymax <= ymin: continue # 归一化中心点和宽高 x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{class_map[cls_name]} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") if lines: txt_name = os.path.splitext(xml_file)[0] + '.txt' with open(os.path.join(out_dir, txt_name), 'w') as f: f.write('\n'.join(lines)) # 调用示例 voc_to_yolo('annotations/', 'images/', 'labels/', {'pig_face': 0})这段脚本的关键点有三个。第一，宽高从 XML 的 size 节点读，而不是用 PIL 重新打开图片，避免图片被旋转或缩放后尺寸对不上。第二，做了边界裁剪，有些标注框会超出图片边缘，不裁剪会导致归一化后坐标大于 1，训练时直接报错。第三，跳过了 difficult 标记的样本，这些通常是遮挡严重或模糊的猪脸，留着反而拉低模型精度。参数上，class_map 要根据你的实际类别改，如果只做猪脸检测就一个类，如果要做个体识别，每个猪一个类，类别数就是猪的数量。
3.3 数据集划分与配置文件写法
转换完标签，按 8:1:1 划分训练、验证、测试集。注意同一个猪只的图片不能同时出现在训练集和验证集里，否则验证精度会虚高。YOLOv3 需要两个配置文件：pigface.data和pigface.names。data 文件里写类别数、训练集路径、验证集路径、类别名文件路径、权重保存路径。names 文件每行一个类别名。这些文件都是纯文本，用记事本就能改，但路径别写中文，血泪经验。
4. 训练参数怎么设：从 warmup 到学习率衰减的实操配置
4.1 输入尺寸、batch size 和显存的三角关系
训练 YOLOv3 猪脸识别，输入尺寸、batch size 和显存三者互相牵制。输入 416×416 时，batch size 可以设 16 到 32；输入 608×608 时，batch size 降到 8 到 16。如果显存不够，优先降 batch size，别降输入尺寸，因为猪脸本身像素就少，再降分辨率会丢关键特征。我一般会在 2080Ti 上跑 416×416、batch 16，显存占用约 8G，训练 200 个 epoch 大约 6 小时。
学习率用 warmup 加余弦衰减。前 1000 步从 0 线性升到初始学习率，之后按余弦降到 0。初始学习率设 0.001，如果 loss 震荡就降到 0.0005。优化器用 SGD，动量 0.9，权重衰减 0.0005。这些参数不是拍脑袋，是 YOLOv3 原版论文和大量复现实验里比较稳的组合。
4.2 损失函数的三部分与调参重点
YOLOv3 的损失由三部分组成：边界框回归损失、置信度损失、类别损失。边界框回归用 CIOU 或 GIOU，比原版的 MSE 收敛更快。置信度损失和类别损失用二分类交叉熵。调参重点是置信度损失的权重，猪脸数据里背景框远多于目标框，如果权重不调，模型会倾向于把所有框都预测成背景。常见做法是给置信度损失加一个系数，正样本系数设 1.0，负样本系数设 0.5，这样既抑制背景又不会漏检。
# 损失权重配置示例 loss_weights = { 'box': 0.05, # 边界框回归权重 'obj': 1.0, # 正样本置信度权重 'noobj': 0.5, # 负样本置信度权重 'cls': 0.5 # 类别损失权重 }box 权重设小是因为 CIOU 本身数值范围小，设大了会压过其他损失。obj 和 noobj 的比例根据你的数据调整，如果猪脸密集，noobj 可以再降一点。cls 权重在单类别检测时可以设 0，因为只有一个类，分类损失没意义。
4.3 训练过程监控：看什么指标，什么时候停
训练时盯三个指标：total loss、验证集 mAP、学习率。total loss 下降到平缓后如果验证 mAP 还在涨，继续训；如果验证 mAP 连续 10 个 epoch 不涨，就停。学习率降到初始值的百分之一以下时，基本可以收尾。另外注意看正样本置信度均值，如果一直低于 0.3，说明模型没学到东西，检查 anchor 是不是没换、标签是不是转错了。
注意：不要只看 total loss，它会被负样本置信度拉低，看起来降得很好但模型可能什么都没学到。
5. 猪脸识别避坑与排查：5 个真实翻车现场
5.1 现象：训练 loss 正常下降，但验证集 mAP 始终为 0
原因：标签格式转错了，最常见的是坐标没归一化，或者类别索引从 1 开始而不是 0。YOLOv3 要求类别索引从 0 开始，坐标归一化到 0 到 1。解决：打开一个 txt 标签文件，检查数值是否都在 0 到 1 之间，类别是不是从 0 开始。如果不是，重新跑转换脚本。
5.2 现象：模型把同一头猪的不同角度识别成不同个体
原因：训练数据里同一头猪的样本太少，或者数据增强过度导致模型学不到稳定特征。解决：每头猪至少 200 张样本，数据增强只做水平翻转、亮度调整、随机裁剪，别做旋转和透视变换，猪脸旋转后鼻盘位置变了，模型会懵。
5.3 现象：推理时框出一大片背景，猪脸只占框的一小部分
原因：anchor 没重新聚类，默认 anchor 太大。解决：用 K-means 在猪脸数据上重新聚 9 个 anchor，按面积分给三个尺度。聚类时用 1-IOU 做距离，迭代 50 次基本收敛。
5.4 现象：训练到一半 loss 突然变成 NaN
原因：学习率太大，或者某张图的标签坐标超出 0 到 1 范围。解决：先把学习率降一个数量级，如果还 NaN，检查标签文件里有没有大于 1 或小于 0 的坐标。另外检查图片有没有损坏，损坏的图片读出来是全黑或全白，也会导致梯度爆炸。
5.5 现象：模型在训练集上精度很高，换一个猪舍就认不出来
原因：过拟合到背景了，模型学的是栏舍地面纹理而不是猪脸特征。解决：采集数据时覆盖多个栏舍，训练时加随机裁剪和颜色抖动，让模型关注猪脸本身。如果已经过拟合，用 MixUp 或 CutMix 增强，把不同图的猪脸拼在一起，强迫模型学局部特征。
6. 把猪脸识别推到可用：模型量化与边缘部署的一个具体技巧
训练完的模型要落到猪场边缘设备上，直接跑 PyTorch 权重不现实，推理速度跟不上。我一般会做两步：先转 ONNX，再用 TensorRT 做 FP16 量化。转 ONNX 时注意把输入尺寸固定成 416×416，动态轴只留 batch 维。TensorRT 量化后，推理速度能提升 2 到 3 倍，精度掉不到 1 个点。
# 转ONNX python export.py --weights pigface_best.pt --img-size 416 416 --batch 1 --simplify # TensorRT量化（FP16） trtexec --onnx=pigface.onnx --saveEngine=pigface_fp16.engine --fp16 --workspace=2048导出时有个细节容易忽略：YOLOv3 的输出是三个尺度，转 ONNX 后输出节点名可能变成数字，TensorRT 解析时对不上。解决方法是导出前在模型里给三个输出加名字，比如output_small、output_mid、output_large，这样 TensorRT 能正确识别。量化完在验证集上跑一遍，确认 mAP 掉幅在可接受范围内再部署。
部署到边缘设备后，建议加一个简单的跟踪逻辑：连续 5 帧识别到同一头猪才确认身份，单帧结果不输出。这样能过滤掉遮挡和运动模糊导致的误识别。摄像头帧率设 15 到 20 帧就够，太高了边缘设备处理不过来，反而丢帧。
我自己踩过最深的坑是拿训练集里的猪脸去测部署效果，结果现场换了个角度就认不出来。后来养成习惯：部署前一定用现场新采的、没参与训练的数据跑一遍，mAP 掉超过 5 个点就回去补数据。这个习惯帮我省了很多返工。希望帮到你。
本文还有配套的精品资源，点击获取
