摘要
通过计算机视觉对牛的行为进行自动监测，首先需要具备可靠的检测能力，这是实现追踪、重新识别以及行为分析的基础。然而，训练准确的检测模型通常需要大量人工标注的数据集，这成为了扩展牛只监测系统规模的重大瓶颈。在本研究中，我们探讨了是否可以利用基础模型进行自动标注，以此替代人工标注来完成牛只检测任务。我们提出了EMA（Extensive Mitrovac Annotations）数据集，该数据集包含带有手动标注的牛只图片，标注信息包括牛头的方向、姿态标签（站立/躺卧）以及可见性状态（完全可见/部分可见）。我们系统地对比了人工标注的定向边界框与Segment Anything Model 3（SAM 3）生成的边界框，发现二者之间具有很高的一致性。此外，我们在人工标注数据以及SAM生成的标注数据上分别训练YOLO11-OBB检测器，结果表明，在我们的真实测试集上，基于自动标注数据训练的模型与基于人工标注数据训练的模型表现相当。我们的分析表明，只需少量经SAM标注的数据即可实现高精度检测，这证明了大规模自动标注的可行性。这些研究结果说明，在受控条件下，基础模型有望用于生成牛只检测流程中的训练数据，从而降低标注成本，并助力监测系统的规模化部署。EMA数据集及训练好的模型已公开发布，以支持精准畜牧业领域的进一步研究。
