本教程针对农贸市场活禽违规交易（无圈养售卖、现场私宰等）场景，详细讲解如何使用YOLOv8构建实时目标检测系统，涵盖数据集采集标注、模型训练调优、边缘部署及智能告警集成的完整实操步骤，帮助开发者快速落地市场监管AI应用。

学习步骤

1. 明确检测目标与场景需求

   1. 确定核心检测对象：活禽（鸡、鸭、鹅等）、无笼活禽、现场宰杀工具（刀具、砧板）三类目标；2. 定义违规判定逻辑：当画面中出现无笼活禽+宰杀工具组合，或单独出现无笼活禽超过5秒时判定为违规；3. 明确部署场景：适配农贸市场室内外监控的低光照、复杂背景环境，支持实时推理与告警推送。

2. 自定义活禽违规交易数据集采集与标注

   1. 数据采集：从农贸市场监控录像截取1000+帧画面，补充网络公开的活禽交易相关图片，覆盖不同时段、光线、市场布局场景；2. 标注工具：使用LabelImg完成标注，设置类别为「live_poultry」「uncaged_poultry」「slaughter_tool」；3. 数据预处理：通过翻转、亮度调整、马赛克增强等方式扩充数据集至2000+样本，按7:2:1比例划分训练集、验证集、测试集，转换为YOLO格式的txt标注文件与yaml配置文件；4. 配置yaml文件：指定数据集路径、类别数量与类别名称。

3. 搭建YOLOv8开发环境并初始化模型

   1. 环境搭建：通过pip安装Ultralytics库与依赖包，命令为`pip install ultralytics opencv-python`；2. 模型选择：根据部署设备算力选择预训练模型，边缘设备选轻量化的yolov8n.pt，服务器端选精度更高的yolov8s.pt；3. 初始化模型：在Python脚本中导入YOLO类，加载预训练模型，代码示例：`from ultralytics import YOLO; model = YOLO('yolov8s.pt')`。

4. 模型训练与性能调优

   1. 启动训练：执行命令`yolo train model=yolov8s.pt data=poultry_trade.yaml epochs=50 batch=16 imgsz=640`，或通过Python脚本调用model.train()方法；2. 调优策略：启用余弦退火学习率调整，添加Mosaic数据增强，针对难样本（如遮挡的活禽）增加标注数量；3. 性能验证：训练完成后使用验证集评估模型mAP@0.5指标，目标达到0.9以上，若精度不足则增加epochs至80或更换更大模型。

5. 模型推理测试与边缘端部署

   1. 推理测试：使用训练好的best.pt模型进行图片与视频推理，命令为`yolo predict model=best.pt source=test_video.mp4`，验证违规检测的准确性与实时性；2. 边缘部署：将模型导出为ONNX格式，部署至NVIDIA Jetson边缘设备，使用TensorRT进行加速，确保推理延迟低于100ms；3. 集成监控系统：将推理接口与市场现有监控平台对接，实现实时视频流检测。

6. 智能告警系统集成

   1. 告警逻辑开发：在推理代码中添加规则，当连续3帧检测到违规目标时，截取违规画面并保存至服务器；2. 告警推送：调用短信API或微信公众号接口，将违规画面、时间、地点推送给市场监管人员；3. 误报优化：添加上下文判断，若画面中同时出现笼具则排除无笼活禽误判，设置置信度阈值为0.7减少误报。