基于YOLO26的学生课堂行为检测系统（中英文双版可切换） | 附完整源码与效果演示
本项目是一个基于 PyQt5 + YOLO28 的学生课堂行为检测系统，专为教育场景设计。系统能够实时识别学生在课堂上的6种典型行为状态，帮助教师了解课堂参与情况，提升教学管理效率。
📸 效果演示（可在后台配置中文/英文显示）
视频演示与源码获取
哔哩哔哩视频下方观看：
https://www.bilibili.com/video/BV1PNfnB2E1t
包含：
📦完整项目源码
📦预训练模型权重
🗂️数据集
一、项目简介
本项目是一个基于 PyQt5 + YOLO26 的学生课堂行为检测系统，专为教育场景设计。系统能够实时识别学生在课堂上的6种典型行为状态，帮助教师了解课堂参与情况，提升教学管理效率。
核心功能
| 功能模块 | 说明 |
|---|---|
| 🎯 实时检测 | 支持图片、视频、摄像头输入，实时识别学生行为 |
| 🏋️ 模型训练 | 支持自定义数据集训练，适配不同教室环境 |
| 📊 模型评估 | 自动生成性能评估报告，包括mAP、Precision、Recall等指标 |
| 🔄 数据转换 | 支持COCO、VOC格式转换为YOLO格式 |
| 🎨 多主题UI | 亮色、暗色、科技感三种主题可选 |
二、检测类别说明
系统可识别以下6种学生课堂行为：
| 类别ID | 类别名称 | 说明 |
|---|---|---|
| 0 | 举手 | 学生举手发言或提问 |
| 1 | 阅读 | 学生正在阅读书本/屏幕 |
| 2 | 写作 | 学生正在书写笔记 |
| 3 | 使用手机 | 学生使用手机的检测 |
| 4 | 低头 | 学生低头（可能走神或睡觉） |
| 5 | 睡觉 | 学生趴在桌上睡觉 |
数据集配置
path: main/datasets/dataset
train: images/train
val: images/val
test: images/test
# 类别数量
nc: 6
# 类别名称
names: ['举手', '阅读', '写作', '使用手机', '低头', '睡觉']
三、系统架构
YOLO26课堂行为检测系统
├── 🚀 启动层
│ └── start.py # 推荐入口
├── 🖥️ 界面层 (youi/ui/)
│ ├── main_window.py # 主窗口
│ ├── components/
│ │ ├── inference_tab.py # 推理界面
│ │ └── settings_tab.py # 设置界面
│ └── assets/ # 图标、样式资源
├── ⚙️ 核心层 (youi/utils/)
│ ├── inference_worker.py # 推理引擎
│ ├── training_worker.py # 训练引擎
│ ├── testing_worker.py # 评估引擎
│ ├── dataset_converter.py # 数据转换
│ └── theme_manager.py # 主题管理
└── 📁 数据层 (datasets/)
├── images/ # 图像数据
├── labels/ # YOLO标注
└── data.yaml # 数据集配置
四、快速开始
4.1 环境安装
# 克隆项目
cd YOLO26
# 安装依赖
cd youi
pip install -r requirements.txt
# CPU用户建议安装PyTorch CPU版本
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu
4.2 启动系统
# 方式1：使用启动脚本（推荐）
python start.py
# 方式2：直接运行主程序
cd youi
python main.py
五、使用指南
5.1 准备数据集
datasets/dataset/
├── images/
│ ├── train/ # 训练图像
│ ├── val/ # 验证图像
│ └── test/ # 测试图像
├── labels/
│ ├── train/ # 训练标注（YOLO格式）
│ └── val/ # 验证标注（YOLO格式）
└── data.yaml # 数据集配置
YOLO标注格式：
<class_id> <x_center> <y_center> <width> <height>
5.2 模型训练
在系统界面中选择：
- 配置训练参数（epochs、batch size、图像尺寸等）
- 选择预训练模型（yolo26n/s/m/l/x）
- 点击"开始训练"
5.3 实时推理
支持多种输入源：
- 📷 单张图片检测
- 📁 文件夹批量检测
- 🎬 视频文件检测
- 📹 摄像头实时检测
六、技术亮点
6.1 多线程架构
- 推理、训练、测试均采用独立工作线程
- GUI界面保持流畅，不卡顿
- 实时显示终端输出日志
6.2 主题切换
# 支持三种主题
- 亮色主题：适合白天使用
- 暗色主题：适合夜间使用
- 科技主题：专业监控风格
6.3 快捷键支持
| 快捷键 | 功能 |
|---|---|
| Ctrl+O | 打开文件 |
| Ctrl+R | 开始推理 |
| Ctrl+T | 开始训练 |
| Ctrl+Q | 退出程序 |
七、应用场景
- 智慧教室：实时监控学生课堂状态
- 教学评估：统计各类行为出现频率
- 课堂管理：及时发现走神、睡觉学生
- 教学研究：分析学生参与度数据
八、效果展示
九、总结
本系统基于YOLO26目标检测算法，结合PyQt5图形界面，实现了一个功能完善的学生课堂行为检测系统。系统具有检测精度高、实时性好、界面友好等特点，可广泛应用于智慧教育场景。
技术栈：
- 检测框架：YOLO26
- 界面框架：PyQt5
- 深度学习：PyTorch
- 图像处理：OpenCV
本项目基于 YOLO26 目标检测框架 与 PyQt5 图形界面架构 深度融合，构建了一套完整的学生课堂行为智能分析系统。从数据标注、模型训练、性能评估到实时推理部署，形成了端到端的闭环解决方案。系统不仅支持多输入源检测（图片 / 视频 / 摄像头），还通过多线程机制保障 GUI 流畅运行，在实际教学场景中具备较强的工程可落地性。
在算法层面，依托 YOLO 系列模型在实时目标检测领域的高效推理优势，实现了对“举手、阅读、写作、使用手机、低头、睡觉”等六类课堂行为的精准识别；在系统设计层面，通过模块化架构划分（界面层 / 核心层 / 数据层），增强了代码可维护性与扩展能力；在用户体验层面，提供主题切换、多语言支持与快捷键操作，使系统兼顾专业性与易用性。
整体来看，该系统不仅适用于智慧教室实时行为监测，还可作为教育数据分析、教学评估研究、校园 AI 实践课程的示范项目。无论是作为科研原型验证，还是作为工程项目落地，都具备较高的实用价值与扩展潜力。
如果需要进一步扩展，还可引入行为时序分析（Action Temporal Modeling）、行为统计可视化看板、或基于 Transformer 的多模态融合策略，实现更高层级的课堂行为理解与智能决策支持。
