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：

1. 配置训练参数（epochs、batch size、图像尺寸等）
2. 选择预训练模型（yolo26n/s/m/l/x）
3. 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

1. 智慧教室：实时监控学生课堂状态
2. 教学评估：统计各类行为出现频率
3. 课堂管理：及时发现走神、睡觉学生
4. 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。