gfyy25551. 项目概述：基于YOLO的学生课堂行为智能检测系统
在教育信息化浪潮中，课堂行为分析正经历着从人工观察到智能识别的革命性转变。传统教学中，教师需要同时兼顾授课内容和课堂纪律，往往难以全面掌握每个学生的实时状态。而人工记录又存在主观性强、效率低下、难以量化等问题。我们开发的这套系统，正是为了解决这些痛点而生。
系统采用当前最先进的YOLO（You Only Look Once）目标检测算法，能够自动识别12种典型课堂行为：使用手机、低头、看书、举手、睡觉等。与市面上简单的姿态识别方案不同，我们的系统实现了端到端的解决方案——从视频流输入、实时检测到数据分析全流程覆盖。主界面采用经典的三栏式设计：左侧功能区支持多种输入源切换，中间展示实时检测画面，右侧提供详尽的统计数据和筛选功能。
技术亮点：系统不仅支持图形界面操作，还提供了完整的训练脚本和API接口。教师可以直接使用我们预训练的模型，也能用自己的课堂视频数据训练定制化模型，真正实现了"开箱即用"和"深度定制"的完美结合。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构与技术选型
2.1 整体架构设计
系统采用C/S架构，前端使用PyQt5构建跨平台桌面应用，后端检测引擎基于Python实现。数据库选用轻量级的SQLite存储用户信息和检测记录，既保证了数据持久化，又无需复杂部署。整个系统分为四大模块：
- 用户管理模块：处理登录认证、权限控制和个人信息维护
- 检测引擎模块：封装YOLO算法，提供图片/视频/实时摄像头的检测能力
- 数据可视化模块：实时渲染检测结果，生成统计图表
- 模型训练模块：支持用户自定义数据集训练
2.2 YOLO算法选型对比
我们测试了YOLOv5nu、YOLOv8n、YOLOv11n和YOLOv12n四个版本，以下是关键指标对比：
| 模型 | 输入尺寸 | mAP@0.5-0.95 | CPU推理时延(ms) | 参数量(M) | FLOPs(B) |
|---|---|---|---|---|---|
| YOLOv5nu | 640×640 | 34.3 | 73.6 | 2.6 | 7.7 |
| YOLOv8n | 640×640 | 37.3 | 80.4 | 3.2 | 8.7 |
| YOLOv11n | 640×640 | 39.5 | 56.1 | 2.6 | 6.5 |
| YOLOv12n | 640×640 | 40.6 | - | 2.6 | 6 |