当前位置：首页 > news >正文

考试作弊检测目标检测数据集 (YOLO格式)

news 2026/8/16 17:08:27

摘要：考试作弊检测目标检测数据集是一个专门用于考场监控场景下作弊行为自动识别的YOLO格式目标检测数据集,包含363张考场监控图像,分为训练集(256张,70.5%)、验证集(73张,20.1%)和测试集(34张,9.4%)。

数据集概述

考试作弊检测目标检测数据集是一个专门用于考场监控场景下作弊行为自动识别的YOLO格式目标检测数据集,包含363张考场监控图像,分为训练集(256张,70.5%)、验证集(73张,20.1%)和测试集(34张,9.4%)。数据集定义了7个检测类别:作弊行为(cheating-behaviour)、正常行为(Normal)、作弊(cheating)、监考人员(invigilator)、提交试卷(submitting)、手机(cell-phones)和人物(person),覆盖了考场中的关键人员、行为和违禁物品。图像来源包括真实监控摄像头录像截图(CCTV footage)和高中考场照片,部分图像经过数据增强处理(文件名包含.rf.标识符)。数据集采用YOLO标准格式标注,每张图像对应一个.txt标注文件,记录边界框坐标和类别ID。配套提供YOLOv11x预训练模型权重(110MB)和data.yaml配置文件,支持快速模型微调和部署。

数据结构与关键特征

数据集采用标准YOLO目录结构,包含train/validation/test三个子集,每个子集包含image(图像文件夹)和labels(标注文件夹)两部分。标注文件采用YOLO格式:每行代表一个目标,格式为”类别ID 中心x 中心y 宽度高度”(归一化坐标)。训练集标注分布显示类别严重不平衡:Normal类别774个标注框(占比最多)、cheating-behaviour类别636个标注框、cheating类别仅3个标注框,其他类别(监考人员、提交试卷、手机、人物)标注数量较少。类别设计存在语义重叠问题:类别0(cheating-behaviour)和类别2(cheating)都表示作弊相关行为,需要明确区分其具体含义(可能前者指动作过程,后者指确认状态)。数据集规模较小(总计363张),对于深度学习模型训练偏少,建议通过数据增强(旋转、翻转、亮度调整、随机裁剪)扩充至1000+张。配置文件data.yaml存在路径错误:配置中使用train/images、valid/images、test/images,但实际目录名为image(单数),会导致训练失败。

应用价值与研究方向

该数据集在教育技术、智能监控和计算机视觉领域具有实用价值和研究意义。在实际应用中,可用于开发实时考场监控系统、自动作弊预警工具、违禁物品检测平台和考试诚信管理解决方案,支持监考人员快速识别异常行为(手机使用、传纸条、抄袭)和违规物品,提升监考效率并降低人力成本。在研究方向上,适合用于YOLO系列模型微调(YOLOv5/v8/v11)、实时目标检测算法验证、小目标检测优化(手机等物品在监控画面中可能很小)、类别不平衡处理研究(focal loss、类权重调整)、数据增强策略评估以及边缘设备部署实验(TensorRT加速、模型量化),为构建低延迟高准确率的智能监考系统提供技术基础,推动教育公平和学术诚信在AI时代的技术保障。