一、系统介绍本系统是一套基于深度学习的学生课堂行为检测系统采用 Ultralytics YOLOv8 作为核心检测引擎PySide6 构建图形用户界面专门用于智慧教室、学习状态监测、教学评估、教育科研等场景。用户只需加载预训练模型并选择图片、视频或摄像头即可自动识别并标注出画面中学生在课堂上的 5 类行为看书、坐着、睡觉、学习、乱走同时输出类别名称、置信度、坐标等完整信息。系统面向教师、教学督导、教育研究人员、智慧教室运维、教学科研等非专业编程用户设计提供直观的中文图形界面无需编写任何代码即可完成从模型加载到结果导出的全流程操作。核心能力自动识别 5 类课堂行为支持中文/英文类别名称切换一键导出检测结果 Excel 报表与标注图片/视频结果统计可视化二、功能介绍2.1 多模式检测输入模式说明单张图片选择一张图片进行检测结果显示在右侧面板批量图片选择文件夹自动检测其中所有图片文件视频文件逐帧检测视频支持跳帧加速实时摄像头连接 USB/内置摄像头实时显示检测结果2.2 参数调节置信度阈值0.01-1.0低于此值的目标被过滤值越高检测越严格IoU 阈值0.01-1.0控制重叠检测框的去重程度跳帧设置视频/摄像头模式下每隔 N 帧检测一次降低系统负载推理尺寸320-1280图像缩放尺寸影响检测精度和速度标注样式检测框粗细1-10、标签字号0.3-2.0、中英文类别名切换2.3 实时画面显示左侧画面原始输入图像右侧画面标注后的检测结果含检测框、类别名、置信度、中心点拖拽中间分隔条可调整双画面比例底部实时显示当前帧检出目标数和类别数2.4 统计与分析检测明细表每条检测结果的完整信息系统日志完整运行日志支持着色显示和导出为文本文件2.6 检测历史记录每次完成检测任务后自动写入数据库弹窗中可刷新、打开当时的结果目录、删除单条、清空全部2.7 结果保存检测后的标注图片JPEG 格式检测后的标注视频MP4 格式完整检测明细 Excel 报表.xlsx 格式可用 WPS/Excel 打开2.8 用户认证本地 SQLite 数据库存储账号信息SHA-256 随机盐值加密密码支持注册和登录。三、技术介绍3.1 整体架构main.py # 程序入口初始化数据库 → 登录认证 → 启动主界面 auth.py # 认证模块SQLite 用户数据库 登录/注册界面 ui_main.py # 主界面UI 构建 信号连接 业务逻辑 弹窗组件 detection_thread.py # 检测线程QThread 子类后台 YOLO 推理 config.py # 全局配置动态路径、默认参数、中英文类别字典3.2 核心技术栈技术用途版本说明PySide6Qt for Python GUI 框架6.xUltralytics YOLOv8目标检测模型v8OpenCV图像读取/写入/绘制cv2PyTorch深度学习后端2.0.1matplotlib统计图表绘制3.xpandas数据导出 (Excel)2.xSQLite3用户数据库Python 内置3.3 线程模型检测在独立子线程中运行避免阻塞 GUI 主线程3.4 模型信息模型架构YOLOv8可替换为任意 Ultralytics YOLO 版本类别数量5 类模型格式支持.ptPyTorch、.onnxONNX、.engineTensorRT四、系统优势4.1 零代码操作全中文图形界面无需编程基础。从注册登录到模型加载、检测分析、结果导出全部通过按钮和弹窗完成。4.2 路径动态解析所有路径模型、保存、字体基于项目根目录动态计算项目文件夹改名或移动到其他位置均无需修改配置。4.3 完整的中文生态类别名支持中文显示界面全中文日志、统计、表格列名均为中文图表中文正常渲染中文路径完整支持4.4 灵活的参数控制置信度、IoU、跳帧、推理尺寸、检测框粗细、字号、中英文切换均可通过弹窗实时调节无需重启或修改代码。五、系统部分功能展示5.1登录界面5.2系统主界面5.3图片检测5.4检测历史5.5数据集部分训练结果展示六、其他说明本系统为本人开发的原创作品。第三方组件声明组件用途许可PySide6Qt for Python GUI 框架LGPL v3Ultralytics YOLO目标检测算法实现AGPL v3OpenCV (opencv-python)图像处理Apache 2.0PyTorch深度学习框架BSDmatplotlib统计图表PSF-basedpandas数据导出BSD 3-ClausePillow中文文字渲染Historical Permission Notice and Disclaimer (HPND)免责声明本系统仅供学习与研究使用。训练数据和预训练模型版权归原始数据采集者所有。商业使用请确保获得相关授权。