点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12349333/pdf/sensors-25-04610.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

本文基于Sensors 2025刊发成果，系统解读面向资源受限终端的羊脸精准识别与模型轻量化技术方案，为畜禽个体标识、行为监测、精准饲喂提供可工程化的深度学习支撑。

PART/1

    背景   

1.1 行业刚需

羊只个体精准识别是智慧畜牧核心环节，传统耳标、RFID、烙印等方式存在易丢失、高成本、易损伤、难规模化等缺陷。基于面部生物特征的识别具备非接触、高唯一性、低成本优势，是规模化养殖的优选技术路径。

1.2 核心技术瓶颈

现有羊脸识别模型普遍存在三大痛点：

• 模型参数量与计算量过大，难以部署于移动端、嵌入式与边缘设备；

• 特征提取与多尺度融合效率不足，复杂遮挡、低光照场景鲁棒性弱；

• 精度与轻量化难以兼顾，工程落地性差。

为此，本文以YOLOv8n为基座，提出PFL‑YOLO轻量化羊脸识别模型，实现高精度与低算力的协同最优。

PART/2

     数据集   

2.1 数据采集

以甘肃临夏60 只澳湖杂交羊为对象，采用手机多视角采集：

• 水平：0°–180°；垂直：45°–135°；距离：0.25–1.0 m；

• 原始视频按 30 帧间隔抽帧，共获取 10225 帧图像。

2.2 数据清洗与增强

• 采用SSIM（阈值 0.75）剔除高相似冗余图像，保留 6418 张高质量样本；

• 经翻转、旋转、亮度、对比度等 6 种增强，扩充至12836 张；

• 按 8:1:1 划分为训练集、验证集、测试集。

 多视角羊脸样本示例图 

羊脸标注规范示意图

PART/3

     模型架构与核心创新模块   

PFL‑YOLO 在主干、颈部、检测头三级结构实施分组卷积、残差融合、参数共享、轻量注意力四维优化，整体架构如图所示。

 PFL‑YOLO 整体网络架构

3.1 EHConv：高效混合卷积模块

• 引入分组卷积保持感受野并降低计算量；

• 嵌入ECA 通道注意力聚焦面部关键特征；

• 采用Hardswish激活函数适配终端推理。

3.2 RC2f：残差多尺度特征融合

• 基于Res2Net重构 C2f 结构，实现细粒度特征交互；

• 浅层细节特征与深层语义特征跨层融合；

• 轻量化 ECA 提升通道权重自适应能力。

3.3 ESPPF：高效空间金字塔池化

• 轻量化重构 SPPF，实现多尺度特征高效融合；

• 分组卷积 + ECA 进一步压缩参数量与 FLOPs。

3.4 PFDetect：参数融合检测头

• 跨层参数共享合并分支，显著降低计算冗余；

• 引入Channel Shuffle解决分组卷积信息隔离问题；

• 轻量注意力强化关键特征捕获。

各模块改进前后对比

PART/4

     实验结果与性能分析   

4.1 核心指标

• mAP@50：99.5%

• mAP@50:95：87.4%

• 参数量：1.01 M

• 计算量：3.3 GFLOPs

• 模型体积：2.1 MB

• 推理速度：11.2 ms/img，89.4 FPS

4.2 与主流轻量 YOLO 对比

主流轻量模型与 PFL‑YOLO 性能对比

4.3 消融实验

四大模块协同作用，在mAP@50 保持 99.5%前提下，参数量降至 YOLOv8n 的33.4%，计算量降至40.7%，实现精度‑效率最优平衡。

4.4 可视化验证

• 热力图：PFL‑YOLO 关注区域更大、聚焦更精准，正面羊脸特征捕获能力显著优于基线；
• 预测结果：正面视角置信度达95%，复杂场景鲁棒性突出。
  

模型热力图对比 

模型预测结果对比

PART/5

     工程价值与应用场景   

终端部署友好：2.1 MB 超小体积，支持手机、嵌入式、边缘网关、监控摄像头部署；

养殖全场景适配：个体识别、精准饲喂、健康监测、行为分析、溯源管理；

泛化潜力：可快速迁移至牛、猪等畜禽面部识别任务。

PART/6

     结论   

本文提出的PFL‑YOLO是面向智慧畜牧的极致轻量化羊脸识别模型：

• 以 YOLOv8n 为基座，通过EHConv/RC2f/ESPPF/PFDetect四大创新实现结构优化；

• 在保持99.5% mAP@50高精度前提下，参数量仅 1.01 M、体积 2.1 MB；

• 完美平衡精度、计算量、部署性，为畜禽智能感知提供轻量化基准方案。

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐 

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测