企业官网建设流程全解析

养过猫的人都知道，猫的情绪不像狗那么直白——狗开心会摇尾巴，紧张会夹尾巴，这些特征相对固定；猫呢？耳朵动一下、瞳孔缩一下、尾巴尖抖两下，每一种都是信号，但组合起来千变万化。想用AI做宠物行为分析，第一步不是选模型，而是先搞定一套能反映真实场景的标注数据。这篇就说说我做的这份3200张YOLO宠物行为数据集，从采集、清洗、标注到训练YOLOv8的完整过程，以及中间踩过的那些坑。

1. 猫情绪检测这件事，为什么卡在数据集上

1.1 行为识别和情绪识别是两码事

很多入门项目会把“行为识别”和“情绪识别”混为一谈。行为识别解决的是“猫在干什么”，比如跑、跳、抓挠、舔毛；但情绪识别要回答的是“猫现在处于什么心理状态”，比如放松、警觉、紧张、愤怒。行为是外显的、可观测的，情绪则要靠行为姿态去推断。

我自己一开始也走了弯路，直接去搜“cats emotion dataset”，结果发现公开数据集非常少，而且大部分是学术场景下的实验室录影，猫被固定在一个小房间内，光线单一，镜头角度固定。这种数据训练出来的模型，放到家里客厅用，基本没法看——猫的角度、遮挡、光照全变了，模型立刻退化。

另一个常见误区是拿人脸的FER（Facial Expression Recognition）逻辑硬套到猫身上。人的情绪表情有相对稳定的面部肌肉模式，但猫的面部肌肉结构完全不同，表达情绪更多依靠耳朵角度、胡须位置、瞳孔宽度和整体身体姿态。单看一张脸，很多时候判断不了，必须把头部和身体一起放进检测框里。

所以我最终确定的思路是：用YOLO目标检测框架，把整只猫作为检测目标，类别直接定义为情绪状态。一张图里可能有三只猫，就标三个框，框里分别写猫的类别标签。这不是分类任务，是检测任务——模型不仅要判断情绪，还要输出猫在画面中的位置。

1.2 通用宠物数据集到底缺在哪

市面上能用的宠物数据集，比较有名的是Oxford-IIIT Pet Dataset，里面有37类猫狗品种，但标签是品种和物种，和情绪没有半点关系。COCO数据集里有猫这个类别，但只有“cat”一个标签，模型能识别出猫，却分辨不了它处于什么状态。

还有一些做“猫行为识别”的论文数据集，比如用传感器记录猫的日常活动，配合加速度计和摄像头。这类数据集有一个致命问题——传感器数据很难和视频帧精确对齐，而且传感器的佩戴会影响猫的自然表现。猫这种生物，身上挂个东西之后，行为会明显改变，采集到的所谓“自然行为”其实已经变形了。

情绪数据的采集困难还在于状态的不均匀分布。猫一天中大多数时间是放松或睡觉，紧张、愤怒、恐惧这类负向情绪状态占比很低。如果按自然比例采样，3200张图里可能有一半以上都是“放松”，模型训练出来对负向情绪的召回率会非常难看。

这种情况下，自制数据集几乎是唯一出路。3200张图不算多，但针对单一物种、单一目标类别、六类情绪状态，做精做细，落地到家庭环境中是完全够用的。

2. 3200张图的采集与清洗：宁可少，不能脏

2.1 采集渠道和场景分布

我这批数据主要来自三个渠道，每个渠道的比例刻意做了平衡，避免模型对某一类场景过拟合。

第一类是家里安装固定摄像头录制的视频。这是主要来源——固定机位的好处是视角稳定，白天和夜晚的光线变化都在同一个位置，猫经过时产生的姿态变化非常自然。我从大约40小时监控录像中，按照关键帧抽取，抽帧策略不是均匀抽帧，而是先过一遍预检测，帧里有猫才抽出来送人工筛选。这一步省了大量时间，否则40小时视频按1秒1帧来抽，要抽14万帧，人根本看不过来。

第二类是手机手持拍摄的日常片段。这部分补充了固定机位缺失的角度，比如俯拍、猫躺在人腿上的仰拍、贴近地板的平拍。手持拍摄的抖动问题比较严重，清洗时我简单粗暴地用了一个标准：目标区域的模糊程度超过肉眼可辨识的限度就删。

第三类是网络公开图库中明确标注可商用的素材。使用前要确认授权范围，挨个检查来源页面上的license声明。图库素材能补充一些家里拍不到的品种和场景，比如布偶猫、缅因猫这类长毛品种，我家没有。品种多样性对情绪检测是有意义的，因为长毛猫的耳朵形态和短毛猫有差异，模型如果只在短毛猫上训练，遇到长毛猫的“飞机耳”就容易误判。

最后留下来的分布大概是：监控视频抽帧约1400张、手机拍摄约1000张、图库素材约800张，合计3200张。

2.2 去重、模糊帧和负样本处理

清洗阶段我会按优先级筛掉四类素材：

一是相似度极高的连续帧。视频抽帧很容易产生几乎相同的画面——猫在同一个位置睡了十几秒，抽出来的每一帧姿态都差不多。这种帧如果在数据集中大量存在，会让训练集和验证集之间产生信息泄漏，模型会“记住”而不是“学会”。我用感知哈希算法算图像之间的相似度，阈值设置得比较保守，相似度超过0.92的帧只保留一张。

二是运动模糊。猫的动作速度比人快，尤其是扑咬、跳跃的瞬间，快门跟不上就大面积糊掉。人眼能识别，但YOLO的标注框在这种图上很难框准边界。YOLO训练时对边界框的精准度要求其实很高，框差5个像素，损失函数里就会体现出来，模糊图上标的框位置是随机的，等于给模型喂了噪声。

三是目标占比过小的图。猫在画面边缘、只占整张图的不到5%，检测框太小，模型基本学不到有效特征。这种图保留下来会拉低学习效率。我定了条线：猫的边界框短边小于32像素的直接删，这是YOLO普遍采用的锚框尺寸下限，小于这个值，模型很难提取到稳定纹理特征。

四是真正无法判断情绪的图。比如猫完全背对镜头、身体被毯子整个盖住、只能看到一团轮廓。这种图硬标的话，标注员只能靠猜，标签可靠性存疑，训练出来也是带噪声的映射。

清洗之后的数据量会有明显缩水——我从抽出来的6000多张里筛到4200张左右，标注过程中又因为边界框质量问题淘汰了一批，最后稳定在3200张。这个过程很肉痛，但是值得。数据质量不过关，后面所有调参工作都是白费。

3. 情绪类别体系设计：先定义清楚再看YOLO

3.1 六类情绪状态的判定标准

很多项目上来就定十几个类别，什么“好奇”“无聊”“期待”“不满”，标注员和模型全都一头雾水。情绪类别不是越多越好，类别之间要有可观察的形态差异，模型才学得动。

我最终用了六个类别，每个类别都有明确的视觉标志：

• 放松（relaxed）：身体舒展，往往侧躺或俯卧，眼睛半闭，耳朵自然竖立或微微后转，尾巴缓慢摇摆或静止。
• 警觉（alert）：耳朵直立向前，瞳孔放大，身体紧绷但不收缩，视线集中在某一点，尾巴大幅摆动。
• 愉快（happy）：尾巴高高竖起且尖端微颤，身体蹭人，前爪交替踩踏，面部肌肉松弛，有时伴随眼睛眯成缝。
• 紧张（anxious）：身体蜷缩压低，耳朵向侧面下压，瞳孔扩大，尾巴紧贴身体或夹在两腿间，频繁舔嘴唇。
• 愤怒（aggressive）：炸毛，弓背，耳朵完全压成飞机耳，瞳孔缩小，张嘴露牙或发出哈气，尾巴快速拍打地面。
• 恐惧（fearful）：身体试图躲藏，头部压低贴近地面，耳朵完全向后贴平，瞳孔异常放大，身体整体收缩成球状。

这六个类别的区分度并不是均匀的。放松和愉快之间经常混淆——猫在踩踏时身体姿态是放松的，但行为上已经表现出愉悦。我的处理原则是，只要一组典型行为占据主导，就标成对应类别；如果两种状态的标志行为同时出现且强度相当，比如放松侧躺但尾巴尖在颤动，就取那个更具体的行为状态。这里我建议宁可少标，也不要标一半一半的“混合态”——模型没有能力学出模糊边界，只会学会输出错误的置信度。

3.2 同一画面中的多猫与多状态处理

多猫家庭的场景，同一个画面里会出现几只猫，状态可能不一致：一只醒着、一只睡着，一只放松、一只紧张。YOLO允许一张图有多个边界框，每个框可以有独立的类别，所以不存在结构上的障碍。

实际操作中比较棘手的是两只猫挤在一起的情况——身体有重叠，边界框交叉，猫A的身体遮住了猫B的头。我的标注规则是：边界框只覆盖可见部分，被遮挡超过50%的目标不标。这样做会让边界框的类别特征弱一些，但总比标注错误的边界框好得多。

另一个容易被忽视的问题出在边界框的标注范围上。YOLO训练时，框内的特征会被池化提取，如果框得过大，把背景算进太多，模型学到的特征里会混入环境噪声；如果框得过小，只框住头部，那愤怒类别的炸毛特征就丢失了。我的经验是框住全身，但需要容纳全身粗细变化最大的区域。比如一只炸毛的猫，宽度比平时大三分之一，标注时一定要把炸开的毛圈进去，否则模型会误认为这是“胖”，而不是“愤怒”。

更细化的一个问题：同类别不同个体的体态差异极大。小猫的耳朵比例比成年猫大，长毛猫和短毛猫的轮廓线条也不同。我在标注规范里加了备注：以行为特征为主要判据，不要被品种外观带偏。一只耳朵贴平的长毛猫，和一只耳朵贴平的短毛猫，都要标成同一种情绪状态。

数据集中六个类别的分布如下表：

可以看到“放松”类别占了将近三分之一，其他类别相对平衡。这种分布不是完全均衡的，但我训练时没有直接做数据均衡，而是用了损失函数加权的方式。原因后面会提到。

4. YOLO标注实操：工具选择与质检流程

4.1 目录结构和坐标归一化

数据集的标注格式严格按照YOLO检测的标准：

datasets/cat_emotion/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── classes.txt

每个图像文件对应一个同名的纯文本标注文件，放在labels目录下对应的子目录里。比如images/train/000123.jpg，对应labels/train/000123.txt。如果某张图没有任何标签，也就是没有含猫目标，对应的txt文件为空，但文件本身要保留，否则数据加载器会报错。

txt文件的每行格式为五个字段：

class_id x_center y_center width height

• class_id：整数，从0开始，对应classes.txt中的行号
• x_center：边界框中心点的x坐标除以图像宽度，取0到1之间的浮点数
• y_center：同x_center，根据高度归一化
• width：边界框的宽度除以图像宽度
• height：边界框的高度除以图像高度

举个例子，一张1280像素宽、720像素高的图上，猫的边界框左上角在(300, 200)，右下角在(800, 600)，对应的归一化计算如下：

x_center = (300 + 800) / 2 / 1280 = 0.4297 y_center = (200 + 600) / 2 / 720 = 0.5556 width = (800 - 300) / 1280 = 0.3906 height = (600 - 200) / 720 = 0.5556

这行就是0 0.4297 0.5556 0.3906 0.5556，类别0是放松。这个坐标系的坑在于：如果标注时不小心把x_center和y_center写反，或者忘了归一化，模型训练时的损失值会爆炸式增长，且很难排查。我推荐标注工具直接导出YOLO格式，不要手工写坐标。

我用的标注工具是LabelImg和CVAT组合。LabelImg适合单人小批量标注，界面简单，直接支持YOLO格式导出，快捷键D切换下一张图，W创建框，效率还算可以。但批量处理几百张图以上，LabelImg没有云端协作和冲突检测，团队协作时容易出乱子。后来转到CVAT，它支持多人同时标注、任务分配、标注结果审查，而且有自动标注辅助功能，可以先拿一个初版模型对未标注的图做预标注，人工只需要调整框的位置，效率至少提升一倍。

4.2 双人复核与标注纠错

标注环节单独一个人做，越到后面越手滑。我两个批次共整理了三个月的数据，中间出现过的错误大概有三类：

第一类是类别误判。最典型的是紧张和愤怒的混淆：一只猫耳朵后压、身体压低但没有炸毛，标注员标成紧张，实际上是已经发出哈声的愤怒前兆。这类错误不是纯粹手滑，而是类别边界本身的模糊性带来的。解决办法不是重新培训标注员，而是在标注规范里加了一条：存在哈气、露牙、炸毛这三种行为中的任意一种，一律标愤怒。

第二类是边界框偏移。猫在快速转头时，标注框往往会框住头部加一部分空气，漏掉脖子以下的身体。这会导致训练时“愤怒炸毛”特征被截断，模型学到一半特征。CVAT的“按目标追踪”功能可以帮一点忙，但最终质检还是要人眼一格一格看。

第三类是文件格式错误。我们有一批图是从视频抽帧工具导出的，图像尺寸是1920x1080，但标注工具读取时被压缩成了960x540。在压缩图上标注的框坐标归一化后没问题——因为归一化是相对于图像尺寸的——但导出后如果图像路径对不上，训练脚本按原图尺寸加载，框的位置不会错，但比例信息是准的。这个坑发生在标注工具缓存了旧尺寸的情况下。质检脚本要多加一道校验，读取每张图像的实际宽高，重新核算标注框是否在合法范围内。

质检流程我按三步走：

1. 脚本先生成一个叠加边界框的预览图，每张生成后随机抽样10%人工检查，重点关注框是否贴合目标、是否漏标、有没有类别错标。
2. 跑一遍yolo格式的合法性校验，检查每个txt文件的行数、字段数量是否都为5、坐标是否在[0,1]区间内。
3. 用初版权重对全量数据做一次推理，把模型输出和人工标注不一致的样本拉出来给人看——不一定是标注错，可能是模型错，但差异大的样本一定是需要关注的。

这个流程走完，3200张图大概又修正了150多个标注框，最终才进入正式训练。标注这步偷的懒，后面训练时全都会加倍还回来。

5. 用这份数据集训练YOLOv8的实战记录

5.1 训练环境与参数设定

硬件上我用的是一张RTX 3090，显存24GB，这个规模跑YOLOv8s完全没有压力。CPU是AMD Ryzen 9，内存32GB，数据集整体加载进内存绰绰有余。如果用V100或者更小的卡，把batch size调小也可以跑，只是慢一些。

训练脚本基于ultralytics的YOLOv8s模型。选择s版本而不是m或l，是因为情绪检测的应用场景基本是实时摄像头，FPS要稳定在30帧以上，m和l在CPU或低端GPU上很难做到。精度上s版本比m低一些，但在单目标检测任务上差距没有想象中那么大，毕竟我们只是检测“猫”，不是检测80个类别。

以下是训练配置的关键参数：

最大输入尺寸640。虽然YOLOv8支持多尺度训练，数据集里的原始图尺寸基本都大于640，比如1080p或720p，训练时会被缩放。640是精炼速度和质量后的常用折中。如果你的显卡足够强，可以试试640以上的输入，比如832，边界框会稍微更精细，但显存占用会上升不少。 batch size设为16。3090跑640分辨率，16这个值不会爆显存，而且BN层的统计量足够稳。 epoch数设为80，配合早停。我用patience=20——如果连续20个epoch验证集mAP没有上涨，就提前结束。实际训练到第61个epoch时早停触发了，验证集mAP50稳定在0.78左右。 数据划分按6:2:2的比例，也就是train 1920张、val 640张、test 640张。

提示：验证集和测试集必须从不同来源的视频序列中抽取，不能简单随机乱分。如果测试集里混入了和训练集同一时间段拍摄的监控帧，模型“背下来”的痕迹会被当成有效学习成果，验证结果会虚高10个百分点以上。我做划分时以“拍摄片段”为最小单位，同一个片段里的帧全部放进同一份数据集，避免帧级数据泄漏。

5.2 训练结果与逐类指标分析

训练完成后，最关心的自然是每类情绪能不能正确识别。我在测试集上的指标如下（数据集随机划分，不同种子略有波动，但方向一致）：

整体mAP50约0.78，mAP50-95约0.51。这个结果作为基准线是能用的，但细看逐类指标，问题集中在愉快、紧张、恐惧三类的召回率上。一个共性原因是：这三类状态的典型特征持续时间短，猫可能在一两秒内从紧张转成防御甚至攻击，标注时如果抽帧时机没有捕捉到峰值状态，标签就会偏弱。

比较典型的一个失败案例：画面的猫正对着镜头啃猫抓板，尾巴轻轻摆动，我标成了“愉快”。模型实际预测为“放松”，置信度0.85。这其实是合理的——啃咬的动作模式在YOLO看来更接近静态行为，除非把“尾巴竖直+踩踏”这种动态特征清晰拍进画面，否则模型学不出反差。

6. 训练中的典型翻车现场与调优经验

6.1 类别不平衡的损失函数加权

看到前面那张数据分布表，可能有读者会说：放松类占比接近三分之一，要不要随机下采样，让六个类别的框数量接近？我试过，效果不好。原因在于放松状态本身的“形态特征”波动巨大——有侧躺、俯卧、蜷缩、舒展，身体姿态差异不亚于跨类别差异。如果把放松类的样本数量硬压下来，模型对放松类各种姿态的判别边界就会退化，实际应用中出现误报的频率反而增加。

我最终在损失函数里给“紧张”“恐惧”“愤怒”三个类别加了系数，做法是在ultralytics的配置里传入每个类别的权重向量，让低样本量的类别梯度贡献更大。具体数值：“放松”1.0，“警觉”1.0，“愉快”1.1，“紧张”1.3，“愤怒”1.2，“恐惧”1.4。这是相对黑盒的调优方式，效果上恐惧类AP50提升约6个百分点，但并没有解决根本问题——最终还是要补数据的。如果你的项目预算允许，这个方向值得投入更多。

6.2 相似行为类别的人工规则兜底

YOLO的可解释性差，它内部不会告诉你“这只猫为什么被判定为紧张”——它只会输出一个置信度。如果置信度比较低，比如0.5以下，人根本不知道模型的依据是什么。我在部署阶段加了一个简单的后处理规则：检测结果在紧张、恐惧、愤怒三类置信度都不超过0.4时，默认归入“警觉”类别。理由很简单：非常刻板的“警觉”特征——耳朵竖起、瞳孔较大、身体紧绷——是这三种负向情绪的共同前兆。模型对负向情绪的区分不完备，但至少对“非放松”的识别还是稳定的。用保守策略宁可错报“紧张”，也不要漏报真正的攻击前兆。

6.3 从单帧检测到时序预测的延伸

上面所有结论都基于单帧静态推理。实际部署时，我发现单帧预测的稳定性不够——同一只猫在同一段监控里连续出现10秒，每隔0.5秒抽一帧，帧与帧之间的预测类别会在“放松”和“警觉”之间跳来跳去。这不能完全怪模型，猫本身的情绪状态就是实时波动的，加上抽帧间隔期间姿态连续变化，单帧的瞬时状态只能表示那一刻的行为，不能代表一段时间的整体情绪。

解决的思路有两种。第一种是滑动窗口多数投票：取最近30帧的检测结果，统计每一类的出现频次，取频次最高且置信度超过阈值的类别作为当前情绪状态。这种做法实现简单，10行代码就够，但会引入几个帧的延迟，对实时交互场景有影响。第二种是引入视频行为识别模型，比如用SlowFast或TimeSformer，对连续帧序列建模，利用时序特征判别情绪走向。这种方法精度上限更高，但需要额外的GPU资源，而且标注成本直接翻倍——时序模型训练需要的是标注到帧的连续事件时间段，我的数据集目前还不足以支撑这个方向。

如果后面继续扩展，我更倾向于先给现有数据集补充音频特征。猫的哈气声、呼噜声、嚎叫声都是非常强烈的情绪信号，和视觉特征互补性极强。到时候数据集就需要做多模态对齐了，不只标注框，还要标注声音事件的时间戳。这是一个完整的系统工程，但和纯视觉方案相比，它能解决“画面静止但情绪波动”的核心盲区。

我个人的感受是，这份3200张的数据集在单帧静态检测上已经具备实用价值，但真正的落地场景几乎没有纯静态的。摄像头方案加一个时序投票模块，准确率立刻能起来一两个点。如果你也在做类似的项目，我建议从一开始就把时序信息考虑进标注规范里，不然等模型库训练完后想回补，成本是现在的三倍还不止。