家禽疾病诊断
Machine Learning Dataset for Poultry Diseases Diagnostics
中小型家禽养殖者的家禽疾病诊断注释数据集由家禽粪便图像组成。这些家禽粪便图像是在 2020 年 9 月至 2021 年 2 月期间在坦桑尼亚的阿鲁沙和乞力马扎罗地区使用手机上的开放数据工具包 (ODK) 应用程序拍摄的。典型的正常粪便物质是“健康”类和球虫病，“球菌”类取自家禽养殖场。一周后，这些鸡被接种了沙门氏菌病疫苗，并从患病鸡身上拍摄了“鲑鱼”类的粪便图像。这些鸡还接种了新城疫疫苗，并在三天内拍摄了“ncd”类的粪便图像。
所有图像都在.zip 文件中；“cocci.zip”有 2103 张图片，“healthy.zip”有 2057 张图片，“salmo.zip”有 2276 张图片，“ncd.zip”有 376 张图片。共标记了 6,812 个图像文件。
“imgObjDet_Yolo.zip”和“imgSegmentation.zip”文件分别包含用于在 YOLO 框架上进行对象检测的相应注释和用于语义分割任务的 JSON 文件。
公开数据集，数据多，都有标注。
相关论文：Deep Convolutional Neural Network for Chicken Diseases Detection
代码未公开。
品种分类
On farm automatic sheep breed classification using deep learning
羊品种的自动识别对养羊业很有价值。绵羊生产者需要识别不同品种的绵羊来估计他们羊群的商业价值。然而，在许多情况下，农民发现在没有大量经验的情况下识别绵羊品种是一项挑战。 DNA 测试是品种鉴定的另一种方法。然而，在生产环境中对大量绵羊进行实时评估是不切实际的。因此，在农场环境中操作时，能够有效且准确地复制绵羊品种专家的识别能力的自主方法对行业是有益的。我们在这个领域的最初贡献包括：在一个养羊场建立一个原型计算机视觉系统，建立一个数据库，该数据库包含在一个农场捕获的四个品种的 1642 张羊图像，并由专家用其品种进行标记，并使用机器训练一个羊品种分类器学习和计算机视觉的平均准确率达到 95.8%，标准差为 1.7。该分类器可以帮助养羊户准确有效地区分品种，并允许更准确地估计肉产量和成本管理。
代码未公开，数据集公开，包含四个品种的羊的全身图和脸部图。（数据集来自Kaggle，相关论文还有Sheep Face Classification using Convolutional Neural Network，VGG16 获得了 94% 的准确度，Resnet50 获得了 84% 的准确度，代码未公开）
Kaggle公开数据集。670张7个品种的马的全身图，01=>Akhal-Teke; 02=>Appaloosa; 03=>Orlov Trotter; 04=>Vladimir Heavy Draft; 05=>Percheron; 06=>Arabian; 07=>Friesian。
动物身份认证
Published: 6 March 2020 | Version 4 | DOI:10.17632/8ysxtyf8p2.4
Contributors: FABRICIO WEBER, Vanessa Ap. de Moraes Weber, Edson Matsubara, Urbano Gomes P. de Abreu
具有 51 类 Pantaneiro 牛的图像数据集。
数据集中的图像于 2019 年 1 月 25 日下午 1:50 至 4:48 之间在南马托格罗索州立大学/Aquidauana University Unit (UEMS/UUA) 的 Aquidauana Pantanal 牛保护中心 (NUBOPAN) 收集。位于南马托格罗索州潘塔纳尔地区的 Aquidauan/MS 市。地理坐标如下：南纬20º28'，西经55º48'，海拔149米。
在这项研究中，使用了 51 个不同性别和不同年龄的潘塔纳尔牛单位。这相当于该品种现有种群的 10%。使用数字视频记录器 (DVR) 集 MIDI MD-1004NS MD-DVR41 收集图像。图像质量为 AHD 720p，记录容量为 1Tb。在出口处放置了四个摄像头，用于收集背部、侧面、侧面和面部的图像。使用摄像机 1 收集牛背部的图像。该摄像机高约 2.5 米，倾斜角为 30º。
收集的视频存储在 DVR 中，传输到计算机，分析，并分成 212 个较小的视频。然后从这些视频中提取牛的图像。该数据集是使用 27,849 张潘塔纳尔牛的图像形成的，获得的图像数量根据每头牛的拍摄时间而有所不同。
图像质量低，有的图像中可能都未包含牛。
该数据集随附于论文“Visual Identification of Individual Holstein-Friesian Cattle via Deep Metric Learning”。它由两部分组成：（a）检测和定位，（b）识别。 有关此数据集的概述，请参阅论文的第 3 节。随附源代码。源代码、网络权重和数据集的关键部分是公开的 [1]。
图像使用无人机采集，主要拍摄的牛的背部花纹。
群体检测
该数据集包含 1 类的 203 张图像：用于检测目标的羊
边界框注释以 PASCAL VOC 格式提供
图像质量ok，数量少。
Aerial Sheep 数据集包含从鸟瞰视图中拍摄的图像，其中包含绵羊实例。 图像不区分绵羊的性别或品种，而是将它们分组为名为“绵羊”的单一类别。
可以下载各种格式的（用于目标检测的）数据，公开。
Chicken Detection and Tracking
公开数据集，提取的视频帧里面的图像，多样性不高，但提供各种格式的数据可供下载。
疼痛分析
Sheep Facial Expression Primary Dataset
Published: 30 May 2019 | Version 3 | DOI: 10.17632/y5sm4smnfr.3
Contributors: Alam Noor, Yaqin Zhao
绵羊面部表情主要数据集从 ImageNet、NADIS、Pixabay、Flickr 和 Gettyimages 的高分辨率绵羊图像中裁剪。 它由 1500 多张羊脸图像组成，其中有两个子集正常羊脸和异常羊脸。 羊的异常可以通过羊的耳朵、眼睛和嘴巴来识别。
数据集公开，图像质量参差不齐。
Automatic Pain Assessment in Horses
Published: 21 September 2021 | Version 3 | DOI:10.17632/t8rtzcgwxm.3
Contributors: Gabriel Lencioni, Rafael Sousa, Edson Sardinha, Rodrigo Romero, Adroaldo Zanella
用于开发用于马匹自动疼痛评估的机器学习算法的数据集。 这些图像是通过从经过阉割的马身上提取几天的视频帧而获得的。 这些帧是通过标记过程选择和评估的，以便用于卷积神经网络 (CNN) 的训练。
数据集公开，详细，包括身体、面部、耳朵、眼睛和嘴部特写。
代码开源，数据集未公开。
年龄体重估计
Sheep identity recognition, age and weight estimation datasets
羊被认为是主要的食物资源之一。现在的大部分研究都针对开发实时应用程序，以促进羊品种管理的识别以及收集体重和年龄等相关信息。体重和年龄是评估生产效率的关键指标。出于这个原因，视觉分析最近证明了它比其他方法取得了重大成功。视觉分析技术需要足够的图像来完成测试和研究。因此，收集绵羊图像数据库是实现这一目标的重要一步。我们在此处提供数据集，用于测试和比较正在开发的此类算法。我们收集的数据集包含 416 张彩色图像，用于不同姿势的绵羊的不同特征。在三个月到六年的时间范围内收集了 52 只羊的图像。对于每只羊，身体两侧拍摄了两张图像，脸部两侧拍摄了两张图像，俯视图拍摄了一张图像，臀部拍摄了一张图像，牙齿拍摄了一张图像。收集的图像涵盖不同的照明、质量水平和旋转角度。分配的数据集可用于测试绵羊识别、体重估计和年龄检测算法。这种算法对于疾病管理、动物评估和所有权至关重要。
数据集未公开。提供了详细的数据集采集方案。
身体状况评分数据库
BCS 数据库由Corfilac、IPLAB 和 Penn Veterinary Medicine 联合团队创建，作为可供整个研究社区使用的基准数据集。实际上，BCS 数据库包含 207 张彩色图像，对应于在不同光照条件和旋转角度下获取的 29 头牛的体型。对所考虑的奶牛没有斗篷、大小、年龄等方面的限制。奶牛顶部的解剖点已手动标记并与两名技术人员每周在现场估计的相应 BCS 一起存储（参见数据集）。这些图像是使用放置在挤奶机器人出口处的摄像头拍摄的。
公开，数量较少。
性别分类
Estimation of the Gender Ratio of Chickens Based on Computer Vision: Dataset and Exploration
散养鸡的性别比例被认为是商业肉鸡养殖中的主要动物福利问题。散养鸡生产者需要确定鸡的性别以估计其鸡群的经济价值。然而，由于环境背景复杂且鸡数是动态的，农民难以有效准确地估计鸡的性别比例。此外，手动估计可能是重复计数或漏算，因此不准确且耗时。因此，可以有效和准确地产生结果的自动化方法取代在农场环境中工作的鸡性别专家的识别能力，对行业是有益的。本文的贡献包括：(1) 构建世界上第一个人工标注的鸡性别分类数据库，包括800张在农场拍摄的鸡群图像和1000张单鸡图像，通过目标检测网络从鸡群图像中分离出来，并标注性别信息。(2)利用信息论中的深度神经网络和交叉熵训练公鸡和母鸡分类器，平均准确率达到96.85%。算法性能评价表明，所提出的自动化方法对农场环境鸡的性别分类具有实用性，为性别比例的估计提供了一种可行的思路。
数据集公开，代码未公开。