基于DeepLabCut的红外多目标姿态估计与行为量化分析系统产品系统

立项原因：客户需要从红外视频中自动识别并分析密集栖息蝙蝠的群体行为，人工标注效率极低且无法量化。行业场景与痛点：红外灰度图下蝙蝠高度密集、外观相似、遮挡严重；客户提供的视频由不同时段拼接而成，存在身份冲突；行为分析需要像素级精度。传统人工观察无法满足科研级定量分析需求，亟需自动化姿态估计与行为量化系统。

项目包含四大功能模块：1）多目标姿态估计：基于DeepLabCut 3.0对密集蝙蝠群体进行关键点检测，实现个体骨架线稳定追踪；2）个体身份识别与跟踪：在严重遮挡和外观高度相似条件下维持个体身份一致性，支持群体内多目标持续跟踪；3）行为量化分析：将高精度坐标数据转化为个体行为及群体活跃度的定量指标，输出科研级分析结果；4）自动化批量处理管线：支持从原始红外视频到高精度CSV坐标数据的全自动分析流程，零基础用户可按说明快速上手。

我负责从环境搭建、框架迁移、数据清洗到模型调优、管线交付的全流程。技术栈为Python + PyTorch + DeepLabCut 3.0，独立完成跨版本迁移（2.3.5→3.0），解决API不兼容、绝对路径硬编码、标注人身份映射等工程难题。亮点：一是精准诊断出模型精度瓶颈源于客户"拼接视频"导致的身份识别逻辑混乱，通过清洗污染数据、重建项目并设计连续帧精细化微调方案解决；二是最终模型点位精度（RMSE）降至6.58像素，关键点识别准确率达89%-92%，满足科研级需求。