1. 猫情绪检测数据集的项目缘起与整体设计思路做宠物行为识别这行有些年头了猫的情绪检测一直是个让人又爱又恨的方向。爱的是需求真实存在——智能猫窝、宠物摄像头、宠物社交平台都想知道镜头里那只猫到底是开心、紧张还是炸毛恨的是公开可用的高质量数据太少大部分标注要么只框个猫要么情绪标签含糊得没法训练。这次我整理并落地了一套3200张规模的猫情绪检测数据集走的是YOLO目标检测路线把猫的几种典型情绪状态作为独立类别来标注直接可以拿去训练检测模型。这篇文章就把整套数据集的构建逻辑、标注规范、训练实操和踩过的坑完整讲一遍适合做宠物AI产品、行为识别研究或者单纯想拿YOLO练手目标检测的朋友参考。先说清楚这套数据集到底解决什么问题。市面上常见的宠物数据集比如一些通用的猫狗检测集标注粒度基本停留在这是一只猫的层面框出位置就完事了。但情绪检测要求模型不仅知道猫在哪还要判断这只猫当前处于什么情绪状态。这就意味着标注体系要重新设计类别定义要能区分得开否则模型学到最后就是一团糊。3200张这个量级不算大但对于一个垂直细分任务来说只要标注质量过硬、类别均衡足够训练出一个可用的baseline也能支撑后续的迁移学习和模型改进实验。整体设计上我把这套数据集定位成可直接训练、可复现、可扩展三个关键词。可直接训练意味着目录结构、标签格式、配置文件都按YOLO的标准来拿到就能跑可复现意味着标注规范、划分比例、训练参数都记录清楚别人照着做能复现出接近的结果可扩展意味着类别体系和标注工具链留了接口后续想加新情绪类别或者扩充数据不用推倒重来。下面几个章节会分别拆解类别设计、标注实操、训练流程和问题排查尽量把每个决策背后的理由讲透。1.1 为什么选YOLO而不是分类模型很多人第一反应是情绪检测不就是图像分类吗把猫的图片分成开心生气害怕几类不就行了这个思路在小样本、单只猫、背景干净的场景下确实能work但真实场景完全不是这样。一张宠物摄像头拍到的画面里可能有好几只猫可能猫只占了画面一角背景还有沙发、玩具、人的腿。这时候纯分类模型就抓瞎了它没法告诉你到底是哪只猫在生气。YOLO这类目标检测框架的优势就在这里它同时输出位置和类别。你可以理解为分类模型是给整张图贴一个标签而检测模型是给图里每个目标分别贴标签。对于多猫家庭、猫咖、宠物店这种场景检测路线是刚需。而且YOLO系列从v5到v8再到v11工程生态非常成熟预训练权重好找部署到边缘设备比如猫窝里的嵌入式芯片也有现成方案这对做产品的人来说省了太多事。另一个考虑是标注成本。分类标注只需要给整张图打一个标签检测标注要画框加类别工作量大概翻三到五倍。但检测标注的信息量也大得多一张图能同时提供位置和情绪两个维度的监督信号从单位标注成本的信息产出比来看检测反而更划算。尤其是当你想做数据增强、想分析模型到底关注猫的哪个部位耳朵、尾巴、瞳孔时检测框提供的信息是分类标签给不了的。1.2 3200张的规模是怎么定的数据集规模从来不是拍脑袋定的。3200张这个数字背后有几个约束。第一是标注人力一个人一天认真标大概能标300到400张含质检3200张差不多是十天左右的纯标注工作量对个人或小团队来说是可承受的。第二是类别均衡我设计了5个情绪类别如果每类想保证至少500个有效实例加上多猫场景和难样本3200张图能覆盖到每类600到800个实例基本够训练。第三是过拟合风险垂直任务上数据太少模型容易记住背景太多又没必要3200张配合数据增强训练一个中等规模的YOLO模型刚好在学得会和不过拟合之间。这里有个经验数据集规模不是越大越好关键是有效样本密度。我见过有人堆了一万张图结果80%都是同一只猫在同一个沙发上模型学到的其实是那只猫的花纹和沙发颜色换个环境就废了。3200张里我刻意保证了场景多样性——室内、室外、不同光照、不同猫种、不同拍摄角度宁可数量少一点也要让每一张都有信息增量。2. 猫情绪类别体系与标注规范详解类别体系是整套数据集的地基地基歪了后面全白搭。猫的情绪不像人类有明确的表情肌肉对应它的情绪表达主要靠耳朵角度、瞳孔大小、尾巴姿态、身体紧绷程度、胡须方向这几个维度综合判断。我最终定了5个类别下面逐个说清楚定义边界和容易混淆的地方。2.1 五个情绪类别的定义与边界放松relaxed耳朵自然朝前或略微侧向瞳孔正常不是极度放大或收缩身体姿态舒展可能是趴着、侧躺、尾巴自然垂放或轻微摆动。这是最容易标的类别但要注意和困倦区分——困倦时眼睛半闭我把它归到放松里因为从检测角度两者视觉特征接近强行拆开会导致类别间混淆严重。警觉alert耳朵竖起朝前瞳孔略微放大身体可能坐直或站立头部朝向某个方向尾巴可能僵直或缓慢摆动。这个类别的关键是注意力集中但没到害怕猫在听到陌生声音但还没判断出威胁时就是这种状态。容易和放松混淆的点在于耳朵都朝前区别在身体紧张度和瞳孔。恐惧fearful耳朵向后压平或向两侧摊开俗称飞机耳瞳孔放大身体压低或蜷缩尾巴夹紧贴身体。这是视觉特征最明显的类别之一飞机耳几乎是标志性特征。但要注意有些猫在极度放松时耳朵也会略微后压区别在于恐惧时身体是紧绷的、重心后移的。攻击aggressive耳朵后压瞳孔收缩或放大背部拱起毛发竖立尾巴炸开或剧烈甩动可能伴随张嘴哈气。这个类别和恐惧有重叠因为恐惧到极点会转为攻击。我的划分标准是以身体前倾、主动逼近、张嘴哈气为攻击以身体后缩、躲避、夹尾巴为恐惧。实际标注时这两类确实最难分后面会讲怎么处理。玩耍playful耳朵朝前瞳孔正常或略大身体姿态灵活可能前肢伏低后肢翘起邀请玩耍的姿势尾巴活跃摆动。这个类别容易和警觉混淆区别在于玩耍时身体是松弛的、动作幅度大且有节奏警觉时身体是僵住的。类别耳朵瞳孔身体尾巴典型场景放松朝前/侧正常舒展自然垂放晒太阳、被抚摸警觉竖起朝前略放大坐直/站立僵直/慢摆听到异响恐惧后压/摊开放大压低/蜷缩夹紧遇到陌生动物攻击后压收缩/放大拱背前倾炸开/甩动领地争夺玩耍朝前正常/略大灵活伏低活跃摆动逗猫棒互动2.2 标注工具选择与框选原则标注工具我用的是LabelImg和CVAT两套。LabelImg轻量、离线、上手快适合个人标注CVAT支持多人协作、有审核流程适合团队。格式统一导出YOLO的txt格式每行是类别id 中心x 中心y 宽 高坐标都归一化到0到1之间。这个格式是YOLO训练的标准输入不用再转换。框选原则这块踩过坑重点说。第一框要贴紧猫的身体轮廓但不要把胡须、尾巴尖这些细长部分硬框进去否则框会变得很大很扁影响回归。我的做法是以躯干为主体尾巴如果明显展开可以适当包含但胡须一律不框。第二多猫场景每只猫单独一个框哪怕两只猫叠在一起也要尽量分开标实在分不开的比如完全遮挡就标可见的那只遮挡部分不脑补。第三情绪标签是给这只猫的不是给整张图的所以同一张图里两只猫可以有不同的情绪标签这正是检测路线比分类路线强的地方。注意标注时如果遇到猫只露出半个身子、或者严重模糊的图直接跳过不标不要勉强。脏数据对模型的伤害比数据少更大一张错标能抵消十张正确标注的收益。2.3 难样本的处理策略难样本主要三类遮挡、模糊、多猫交互。遮挡的处理原则是可见即可标如果猫的身体被遮挡超过60%我一般直接放弃这张图因为剩下的信息不足以判断情绪。模糊的处理原则是能辨情绪才标如果糊到连耳朵角度都看不清果断跳过。多猫交互是最有价值的样本两只猫对峙、玩耍、互相舔毛这些场景能提供丰富的情绪对比但标注时要特别小心别把两只猫的框和标签搞混我的习惯是先标完所有框再逐个回头确认标签。还有一类特殊难样本是情绪过渡态比如猫从警觉转为恐惧的中间瞬间耳朵半压不压的。这种我统一归到更强烈的那个类别也就是归到恐惧因为从应用角度宁可早一点预警也不要漏报。这个策略在安防类宠物监控场景里尤其重要。3. 数据集目录结构与YOLO训练配置实操数据拿到手接下来就是怎么组织、怎么配置、怎么跑起来。这一章把从目录结构到训练启动的完整流程走一遍参数选择也会解释清楚为什么这么定。3.1 目录结构设计与划分比例标准YOLO数据集目录是这样的cat_emotion_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml划分比例我用的是训练集70%、验证集20%、测试集10%。3200张的话就是2240张训练、640张验证、320张测试。这里有个细节划分不能纯随机要保证每个类别的分布在各子集里大致均衡否则可能出现某个情绪类别在验证集里一个都没有的情况。我的做法是先按类别分层再在每层内随机划分这样能保证每个子集都覆盖全部5个类别。另外同一个场景或同一只猫的连续帧要尽量分到同一个子集避免数据泄漏。比如你用视频抽帧得到的数据相邻帧几乎一样如果一帧在训练集一帧在测试集测试结果会虚高。这个坑我在早期项目里踩过测试集准确率95%实际部署惨不忍睹后来才发现是帧泄漏。3.2 data.yaml配置文件详解配置文件看着简单但每一项都有讲究path: ./cat_emotion_dataset train: images/train val: images/val test: images/test nc: 5 names: 0: relaxed 1: alert 2: fearful 3: aggressive 4: playfulnc是类别数必须和names里的条目数一致多一个少一个都会报错。names的顺序要和标注时的类别id严格对应我建议在标注阶段就把这个顺序定死写进标注规范文档避免不同标注员理解不一致。path用相对路径还是绝对路径都行但团队协作时建议用相对路径换机器不用改配置。3.3 训练参数选择与计算过程训练我用的是YOLOv8n作为baselinenano版本参数量小、推理快适合先跑通流程。如果你想追求更高精度可以换YOLOv8s或m但要注意显存。下面是我这套数据集上实测比较稳的参数yolo detect train \ datacat_emotion_dataset/data.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ lrf0.01 \ momentum0.937 \ weight_decay0.0005 \ warmup_epochs3 \ patience30 \ augmentTrue逐个解释。epochs150是因为3200张数据量不大模型收敛快150轮足够配合patience30早停如果30轮验证指标不提升就自动停省时间。imgsz640是YOLO的经典输入尺寸猫的情绪特征耳朵、瞳孔在这个分辨率下能看清再小可能丢失细节再大显存吃不消。batch16是8G显存下的稳妥选择显存够可以加到32。lr00.01初始学习率配合lrf0.01最终学习率用的是余弦退火策略前期快速下降后期精细调整。warmup_epochs3是预热前3轮学习率从很小慢慢升到0.01避免一开始就把预训练权重带偏。weight_decay0.0005是权重衰减防止过拟合这个值在中小数据集上是经验值太大欠拟合太小过拟合。augmentTrue开启数据增强YOLO内置了马赛克增强、随机翻转、色彩抖动等。对情绪检测来说色彩抖动要谨慎因为瞳孔颜色和毛发状态是情绪线索过度调色可能把瞳孔放大这个特征改没了。我的建议是保留几何增强翻转、缩放、平移色彩增强的强度调低。3.4 训练过程监控与指标解读训练启动后重点看几个指标。box_loss和cls_loss是框回归损失和分类损失正常情况两者都应该是下降趋势如果cls_loss震荡厉害可能是类别不平衡或者学习率太大。mAP50是IoU阈值0.5下的平均精度这是最直观的指标我这套数据训练到收敛大概能到0.85左右。mAP50-95更严格一般会比mAP50低10到15个点。混淆矩阵是排查类别混淆的利器。我训练完第一版发现恐惧和攻击两类互相误判特别多看混淆矩阵一目了然。后来针对性补充了这两类的难样本又调整了标注边界第二版就改善很多。这里提醒一句YOLO输出的混淆矩阵有时候因为样本数统计方式不同会显得总和不为1这是正常的看相对大小就行别纠结绝对值。4. 常见问题排查与实战避坑经验这一章是整篇最有价值的部分都是真金白银踩出来的。训练猫情绪检测模型问题往往不在代码而在数据和参数细节上。4.1 训练不收敛或loss爆炸最常见的原因是学习率太大或者标注格式错误。先检查标签文件YOLO的txt格式要求坐标归一化到0到1如果标注工具导出的是像素坐标没归一化模型直接学废。检查方法很简单打开一个txt看看数值是不是都在0到1之间。另一个原因是类别id越界比如names里只有5类0到4标注里出现了5训练时会报错或者静默出错。如果格式没问题还是不收敛把学习率降到0.001试试或者先用预训练权重跑几个epoch看loss是否下降。预训练权重很重要yolov8n.pt是在COCO上训过的已经学会了什么是物体边缘什么是纹理这些通用特征从它开始微调比从零训练快得多也稳得多。4.2 验证集指标虚高但实际部署拉胯这个问题的根源八成是数据泄漏或者场景单一。前面提过帧泄漏还有一个隐蔽的是同一只猫泄漏——如果同一只猫的多张照片分散在训练集和验证集模型可能记住了这只猫的特征而不是情绪特征。解决办法是按猫的个体划分同一只猫的图只出现在一个子集里。另外检查验证集场景是否和训练集太像如果验证集全是室内部署到室外自然不行这时候要补充跨场景的验证数据。4.3 特定类别识别率低某个情绪类别总是识别不准先看样本数。如果攻击类只有200个实例而放松类有800个模型自然偏向多数类。解决办法有三一是补充少数类样本二是用类别权重让损失函数更关注少数类三是调整标注边界把模糊样本归到少数类。我用的是第一种加第三种组合补了150张攻击类难样本又把一批恐惧偏攻击的边界样本重新归到攻击类识别率从0.6提到了0.78。4.4 小目标和遮挡场景漏检猫在画面里占比很小时容易漏检。解决办法是提高输入分辨率比如从640提到960或者在数据增强里加入小目标缩放。遮挡场景漏检则要靠补充遮挡样本我专门收集了一批猫躲在纸箱后、沙发缝里的图标注时只标可见部分训练后模型对遮挡的鲁棒性明显提升。问题现象可能原因排查方法解决手段loss不下降学习率过大/标签格式错检查txt数值范围降lr/修正标注指标虚高数据泄漏/场景单一检查猫个体是否跨集按个体划分/补场景某类识别差类别不平衡统计各类实例数补样本/调权重小目标漏检分辨率不足看小目标占比提imgsz/加增强恐惧攻击混淆标注边界模糊看混淆矩阵重定边界/补难样本4.5 模型部署时的注意事项训练完导出模型YOLOv8支持导出ONNX、TensorRT等格式。部署到边缘设备时量化是绕不开的。INT8量化能把模型体积压到四分之一推理速度提升两三倍但精度会掉一点。我的经验是情绪检测这种细粒度任务量化后如果精度掉超过5个点就要考虑用FP16而不是INT8或者做量化感知训练。另外部署时的预处理要和训练时一致归一化参数、输入尺寸、通道顺序都不能变否则精度断崖式下跌。提示部署前一定要用真实场景的视频流做端到端测试不要只看测试集指标。测试集是静态图视频流有运动模糊、光照变化、帧间抖动这些都会影响实际表现。5. 数据集扩展与模型改进的后续方向这套3200张的数据集是个起点不是终点。实际用下来我觉得有几个方向值得继续投入。一是扩充类别比如加入疼痛发情这些更细分的状态但前提是定义要清晰、标注要一致否则类别越多越乱。二是引入时序信息单帧判断情绪有局限猫的尾巴摆动、耳朵转动都是动态过程用视频序列做时序建模比如结合LSTM或者Transformer能提升准确率。三是多模态融合结合声音呼噜、哈气、嚎叫和姿态关键点比纯视觉更可靠。模型改进方面可以试试在YOLO的检测头上做文章。猫的情绪特征集中在头部耳朵、瞳孔、胡须可以考虑加一个注意力模块让模型更关注头部区域。另外如果要做实例分割而不只是检测框可以换YOLOv8-seg把猫的身体轮廓分割出来对姿态分析更有帮助。这些改进我都还在实验阶段有结果了再单独写一篇。最后分享一个实操小技巧标注的时候养成写标注日志的习惯记录每张难样本的判断理由。比如这张归恐惧因为耳朵后压且身体后缩虽然瞳孔没放大。这些日志在后期排查类别混淆、统一标注标准时价值巨大比事后回忆靠谱得多。数据集的质量从来不是标出来的是反复质检和迭代出来的3200张我前后过了三遍第一遍粗标、第二遍精修、第三遍交叉质检每一遍都能发现新问题。
