由于耳标、二维码等现有的生猪标识方法存在成本较高、标记逐渐模糊以及易引起伤口感染等问题,难以适应家畜智能化养殖发展的需要。因此,将基于深度学习的识别技术应用于家畜识别正成为一种发展趋势。为了兼顾猪脸识别任务的精度和速度,本文将以云边协同架构为基础,在YOLOv3、YOLOv3-tiny模型的基础上,针对性引入一些有效单元,分别设计出应用于云端和边缘端的检测模型,主要内容如下:1)首先是云边协同架构的实现。云端负责保存采集到的的样本、训练检测模型、以及部署检测模型用于检测。边缘端负责采集样本、部署轻量级模型就近检测生猪个体。当边缘端遇到无法检测的样本时,通过互联网将该样本传输给云端,云端检测后保存检测结果,并将结果传输给边缘端;2)其次是云端模型的设计。在设计云端模型时,以YOLOv3模型为理论基础,在特征提取器中引入密连模块以提高模型特征提取能力。针对群养环境中小目标及面部有遮挡目标难以检测的问题,引入改进的SPP单元（Spatial pyramid pooling,SPP）以融合多尺度特征,提高模型的表征能力。实验结果表明,改进后的云端检测模型能够实现小目标检测且检测精度有显著提高。3)最后是边缘端模型的设计。在设计边缘端模型时,以YOLOv3-tiny模型为基本模型,针对采集到的生猪数据集进行了检测器尺度的选择。紧接着向选定的检测模型中引入Shuffle Netv2模型中的基本单元,在减少参数的同时提高模型特征提取能力。最后为模型选择合适的宽度。实验结果表明,改进后的边缘端模型较YOLOv3-tiny模型在检测速度上提高4帧/s,检测精度上提高0.17%,内存占用减少14.4MB。