非人灵长类在系统发育上与人类相似，具有许多生理、解剖、免疫和神经特征，使其成为生物医学研究的优秀模型。在现代育种设施中有效管理其种群需要系统地收集个体数据，包括出生日期、怀孕状况、健康记录、亲子关系和疫苗接种历史。此类数据收集提高了运营效率，促进了动物福利，并减少了劳动力需求 。随着研究设施规模的不断扩大，需要精确可靠的方法来识别动物个体。准确识别对于维护研究数据的完整性以及实现个性化护理和监测，提高神经科学、行为学等研究领域的研究质量和动物福利也至关重要。这一需求遍及全球，世界各地的实验室都面临着类似的挑战。然而，猕猴的现有识别系统仍然有限凸显了对经济高效、准确和实用的解决方案的迫切需求。

依托单位中国科学院昆明动物研究所吴东东团队与合作者云南农业大学张佳进团队，提出了 ACE-YOLOX，这是一种为圈养猕猴量身定制的轻量级面部识别模型。该模型在YOLOX框架中融合高效通道注意力（ECA）、完全交并比损失（CIoU）和自适应空间特征融合（ASFF），在降低计算复杂度的同时提升预测精度，实现有效的多尺度特征提取。深度学习训练所用数据源于依托单位的1196 只猕猴的 179400 张标记面部图像的数据集，进一步分析和可视化验证了所提出模型的有效性，ACE-YOLOX在性能上超越经典目标检测模型，展现出卓越的识别精度与实时处理能力。同时，该团队还开发了Android应用程序，支持智能手机端侧实时猕猴识别，可明显降低长期数据采集的人力与时间成本，符合伦理研究规范。实验结果表明，ACE-YOLOX作为一种非侵入式识别工具具有显著应用前景，为未来开展猕猴面部表情识别、认知心理学及社会行为研究奠定重要基础。该研究成果已获授权国家发明专利（ZL 2023 1 1167413.4），并以“A deep learning lightweight model for real-time captive macaque facial recognition based on an improved YOLOX model”于2024年发表于Zoological Research。文章链接https://www.zoores.ac.cn/article/doi/10.24272/j.issn.2095-8137.2024.296

提供用于深度学习训练数据的1196只猕猴，以及相关技术人员协助采集实验猴的面部数据集。