利用改进的YOLO11n架构和TensorRT集成技术加快母猪哺乳行为监测的速度

《Porcine Health Management》：Accelerating sow nursing behavior monitoring with modified YOLO11n architecture and TensorRT integration

　　```html

摘要

背景

对母猪哺乳行为的有效监测对于动物福利的监控以及断奶前死亡率（PWM）风险的管理非常重要，而这在集约化养猪系统中仍然是一个重大挑战。传统的观察方法劳动强度大，且不适用于大规模农场，因此需要自动化解决方案。精准畜牧业（PLF）技术，尤其是计算机视觉和深度学习模型，为持续监测母猪的姿势和哺乳状态提供了可能性。YOLO（You Only Look Once）架构在不同的环境中展示了高精度和快速的对象检测能力。本研究开发并评估了一种经过TensorRT优化的修改版YOLO11n模型，用于监测分娩栏中母猪的姿势和哺乳状态。在本研究中，“哺乳”行为是根据俯视图像中猪仔的鼻子/嘴巴与乳房/乳头线的接触情况来判断的；没有明显接触情况的帧被标记为“非哺乳”。该模型的轻量级架构和推理加速功能解决了分娩室实时监测中的计算限制问题。

结果

改进后的YOLO11n模型的mAP@50达到了98.90%，同时通过移除小物体检测模块将其复杂度降低到207层和5.0 GFLOPs。这使得在NVIDIA A100 GPU上推理时间为4.6毫秒，在带有TensorRT优化的T4 GPU上为6.1毫秒。该框架能够检测并分类十种姿势和哺乳状态（坐姿、站立姿以及三种躺姿，每种状态都被标记为“哺乳”或“非哺乳”），包括存在部分遮挡和光照变化的测试图像。误分类主要发生在视觉上相似的类别之间，例如Sow_Sitting_Nursing和Sow_Sitting_Not_Nursing，这与从俯视角度观察时猪仔与乳头接触的不明确性有关。TensorRT优化进一步将推理延迟降低了58.56%（A100）和44.55%（T4），在评估的GPU平台上均显示出一致的延迟减少效果。

结论

本研究展示了利用轻量级深度学习架构进行精准畜牧业实时行为监测的潜力。改进后的YOLO11n模型和TensorRT优化为实现母猪姿势和哺乳状态的自动化监测提供了高效框架，有助于开展与PWM风险管理相关的福利导向型监测工作流程。未来的研究将评估轻量级的时间后处理方法和嵌入式部署，以减少帧与帧之间的标签闪烁，并评估在农场计算和I/O限制条件下的性能。