基于YOLO算法的马匹皮肤病目标检测实战：从数据集构建到模型优化

1次阅读

共计 2164 个字符，预计需要花费 6 分钟才能阅读完成。

马匹皮肤病是畜牧业常见问题，传统人工检测存在三大难题：

专业依赖性强 ：需兽医近距离观察，人力成本高且效率低下
早期症状隐蔽 ：过敏性皮炎等初期病变肉眼难以及时发现
数据获取困难 ：高质量标注数据集稀缺，主要因为：
马场拍摄环境复杂（光线变化、毛发遮挡）
病变区域标注需要兽医学知识
病例样本地理分布分散

通过对比实验验证不同版本在检测精度和速度的平衡：

版本	输入尺寸	mAP@0.5	FPS	显存占用
YOLOv5s	640×640	78.2%	142	2.4GB
YOLOv8m	640×640	82.1%	96	3.1GB
YOLOv8n	640×640	75.6%	158	1.9GB

最终选择 YOLOv8m：在保持实时性（>30FPS）前提下，相比 v5s 提升 3.9% mAP，适合部署到马场巡检机器人。

980 张图像构成：
– 过敏性皮炎：320 张（32.6%）
– 皮炎：290 张（29.6%）
– 健康马匹：370 张（37.8%）

标注规范 ：
1. 使用 LabelImg 标注工具
2. 病变区域标注到可见症状外延 2cm
3. 健康马匹标注全身 bounding box

采用 albumentations 组合增强（代码示例）：

import albumentations as A
transform = A.Compose([A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.3),
    A.CLAHE(p=0.2),
    A.RandomSnow(p=0.1,  # 模拟冬季场景
    snow_point_lower=0.1,
    snow_point_upper=0.3),
    A.Cutout(max_h_size=30, 
            max_w_size=30, 
            num_holes=5,  # 模拟毛发遮挡
            p=0.5)
], bbox_params=A.BboxParams(format='yolo'))

关键改进 ：
– 添加 RandomSnow 增强应对户外场景
– Cutout 模拟常见毛发遮挡
– 保留原图比例避免马匹形体畸变

解决类别不平衡的采样策略：

from torch.utils.data import WeightedRandomSampler
class_counts = [320, 290, 370]  # 各类样本数
weights = 1. / torch.tensor(class_counts, dtype=torch.float)
samples_weights = weights[dataset.labels]
sampler = WeightedRandomSampler(
    weights=samples_weights,
    num_samples=len(samples_weights),
    replacement=True)

使用 CIoU Loss 替代原 IoU Loss

分类损失添加 Focal Loss：

# 在 YOLO 损失类中添加
focal_loss = torchvision.ops.sigmoid_focal_loss(
    pred_scores,
    target_scores,
    alpha=0.25,
    gamma=2.0,
    reduction='mean')

模型量化 ：

model = torch.quantization.quantize_dynamic(
    model,
    {torch.nn.Linear, torch.nn.Conv2d},
    dtype=torch.qint8)

剪枝示例 ：

from torch.nn.utils import prune
parameters_to_prune = ((model.model[0].conv1, 'weight'),
    (model.model[1].conv2, 'weight'))
prune.global_unstructured(
    parameters_to_prune,
    pruning_method=prune.L1Unstructured,
    amount=0.2)  # 剪枝 20%