我们开发了一种多模态视觉框架用于精准畜牧业，结合了GroundingDINO、HQSAM和ViTPose模型。该框架通过视频分析动物行为，无需侵入性标记。GroundingDINO生成包围框，HQSAM分割个体动物，ViTPose估计关键点。通过绵羊数据集展示，该框架可提供活动模式、互动动态和姿势评估的洞察，适用于不同物种和分辨率，促进非侵入性畜牧监测，优化动物福利和生产力。