硬核自律：我用 Python + YOLOv11 + MediaPipe 写了个“AI 监工”，专治写代码摸鱼

摘要：作为一个自制力为负数的开发者，为了在 Deadline 前交出代码，我怒肝了一个周末，开发了一款基于计算机视觉的桌面端“防摸鱼”神器——FocusGuard。

核心技术栈：Python 3.9 + YOLOv11-Nano (ONNX) + MediaPipe + CustomTkinter。
项目亮点：纯离线运行（保护隐私）、CPU 推理优化（低占用）、手势隔空交互。
本文将详细拆解其技术架构、模型压缩方案及多线程调度逻辑，附核心源码。

---

🤯 为什么造这个轮子？

1. 痛点：面向搜索引擎编程 -> 面向短视频摸鱼

当你打开 IDE 准备写个 Hello World，突然手机亮了，你拿起来“只看一眼”。
等回过神来，两个小时过去了，代码没写几行，只有 CPU 风扇在空转。

市面上的番茄钟软件只能计时，不能**“感知”**你的状态。作为程序员，我决定用魔法打败魔法——让电脑长只眼睛，一旦发现我在玩手机或者发呆，就物理报警。

2. 需求分析 (MVP版本)

• 实时监测：必须在 100ms 内识别出“玩手机”的动作。
• 低资源占用：不能为了跑个监控把我的 3060 显卡占满了，影响我跑 Docker 和 PyCharm。
• 隐私绝对安全：禁止联网上传视频流（这是底线，我可不想直播写代码）。
• 交互：不想用鼠标点来点去，要支持“隔空手势”控制。

---

🏗️ 系统架构设计

为了实现“轻量级”和“离线”，我放弃了庞大的 PyTorch 依赖（打包后太大），全面转向 ONNX Runtime。

• 输入层：OpenCV 读取摄像头流。
• 计算层：独立守护线程，分离 UI 渲染与 AI 推理（避免界面卡死）。
• 模型层：
  • YOLOv11s-Nano：用于检测 Cell Phone (COCO ID: 67)。
  • MediaPipe Hands：用于识别手部关键点（21个点）。

---

💻 核心技术实现 (干货部分)

1. 模型轻量化：从 PyTorch 到 ONNX

原版 YOLO 模型依赖 ultralytics 和 torch，打包成 .exe 后体积高达 2GB+，且启动极慢。
解决方案：将模型导出为 .onnx 格式，并移除所有 PyTorch 依赖，仅使用 opencv-python 的 dnn 模块加载。

核心代码：加载 ONNX 模型

import cv2
import numpy as np

class ObjectDetector:
    def __init__(self, model_path="yolo11s.onnx"):
        # 使用 OpenCV DNN 模块加载，完全脱离 PyTorch 环境
        self.net = cv2.dnn.readNetFromONNX(model_path)
        # 优先使用 CPU，保证在轻薄本上也能跑
        self.net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)
        self.net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)

    def detect(self, frame):
        # 预处理：归一化 (1/255.0) 并 Resize 到 640x640
        blob = cv2.dnn.blobFromImage(frame, 1/255.0, (640, 640), swapRB=True, crop=False)
        self.net.setInput(blob)
        
        # 前向推理
        outputs = self.net.forward()
        
        # 后处理逻辑（简化版，只取置信度最高的）
        predictions = np.transpose(outputs[0])
        rows = predictions.shape[0]
        
        for i in range(rows):
            row = predictions[i]
            # 获取类别得分 (YOLOv11 输出格式解析)
            classes_scores = row[4:]
            _, max_score, _, max_class_loc = cv2.minMaxLoc(classes_scores)
            
            # COCO 数据集中，Cell Phone 的 ID 是 67
            # 阈值设为 0.45，平衡召回率与误报率（防把计算器当手机）
            if max_score > 0.45 and max_class_loc[1] == 67:
                return True # 发现手机
        return False

2. 手势识别：向量几何的妙用

为了实现“不碰鼠标申请休息”，我利用 MediaPipe 提供的 21 个手部关键点坐标，通过计算指尖与指根的相对位置来判断手势。

手势逻辑：✌️ (Victory)

• 食指 (Index)：指尖 (8) 高于 指根 (6) -> 伸直
• 中指 (Middle)：指尖 (12) 高于 指根 (10) -> 伸直
• 无名指 (Ring)：指尖 (16) 低于 指根 (14) -> 弯曲
• 小指 (Pinky)：指尖 (20) 低于 指根 (18) -> 弯曲

核心代码：

def check_victory_gesture(hand_landmarks):
    """
    判断是否为剪刀手
    注意：在屏幕坐标系中，y 越小，位置越高
    """
    lm = hand_landmarks.landmark
    
    # 简单的布尔逻辑门
    index_up = lm[8].y < lm[6].y
    middle_up = lm[12].y < lm[10].y
    ring_down = lm[16].y > lm[14].y
    pinky_down = lm[20].y > lm[18].y
    
    return index_up and middle_up and ring_down and pinky_down

3. 性能优化：多线程与跳帧策略

在 Python 中，如果在主线程 (MainThread) 跑 AI 推理，UI 界面（Tkinter）会直接卡死无响应（ANR）。

优化架构：

1. UI 线程：只负责绘制界面、响应按钮、显示视频流预览。
2. Worker 线程：死循环读取摄像头 -> 推理 -> 更新全局状态变量。
3. 跳帧检测：不需要每秒处理 60 帧，人眼的反应速度没那么快，也没必要占满 CPU。
   • 每 3 帧跑一次手势识别（轻量）。
   • 每 4 帧跑一次手机检测（较重）。

def _monitor_loop(self):
    frame_count = 0
    while self.is_running:
        ret, frame = self.cap.read()
        frame_count += 1
        
        # 分时复用 CPU，避免过热
        if frame_count % 3 == 0:
            self.check_gestures(frame)
        
        if frame_count % 4 == 0:
            self.check_phone(frame)
            
        # 线程休眠 10ms，释放 GIL，让 UI 线程有机会刷新界面
        time.sleep(0.01)

---

🛠️ 遇到的“天坑”与解决方案

在开发过程中，最让我头秃的不是算法，而是环境打包。

坑 1：PyInstaller 打包后 MediaPipe 失效

现象：IDE 里运行正常，打包成 exe 后直接崩溃，报错 AttributeError: module 'mediapipe' has no attribute 'solutions'。
原因：MediaPipe 采用了复杂的动态加载机制，PyInstaller 的静态分析器找不到这些隐式调用的子模块（如 hands, drawing_utils）。
解法：在 .spec 文件中暴力收集（Collect All），并显式声明 Hidden Imports。

# FocusGuard.spec 配置片段
from PyInstaller.utils.hooks import collect_all

# 这一行救了我的命：强制收集 MediaPipe 的所有依赖
mp_datas, mp_binaries, mp_hiddenimports = collect_all('mediapipe')

a = Analysis(
    ...
    datas = my_datas + mp_datas, 
    binaries = my_binaries + mp_binaries, 
    hiddenimports = my_hiddenimports + mp_hiddenimports + [
        'mediapipe.python.solutions.hands', # 显式告诉打包机：我要这个！
    ],
    ...
)

坑 2：误报（把水杯当手机）

现象：喝水时被系统判定为玩手机，发出刺耳警报，心态崩了。
解法：

1. 提高置信度：将 YOLO 的 Conf Threshold 从默认的 0.25 提升到 0.45。
2. 状态防抖：不是检测到 1 帧就报警，而是引入 Counter。只有连续 3 帧检测到手机，才触发 State = Distracted。

---

📦 最终成品：FocusGuard v1.0

经过两周的迭代，这个项目已经从一个简单的 .py 脚本变成了一个完整的桌面软件。

主要功能一览：

• 📱 手机检测：拿起来就报警，放下就停止。
• 🙌 手势交互：比个“耶”自动进入 8 分钟休息模式。
• 📊 数据报表：自动记录专注时长、走神次数，生成 timeline 图表。
• 🚀 云端更新：集成了 Gitee API，自动检查新版本。

---

写在最后：
技术不仅能用来卷大模型，也能用来解决我们生活中的小问题。希望这个小工具能帮各位同行找回消失的专注力！

如果你觉得这个思路有意思，欢迎点赞收藏！代码有问题评论区见！ 👇

下载链接：
点击此处https://qcnxs6fhgged.feishu.cn/wiki/WTpGwF0FXizWCQkyRoqcsa4qn7g