基于YOLOv8和PyQt5的学生学习课堂行为检测系统 训练脚本、检测工具、GUI程序和其他必要的文件。深度学习目标检测中使用Yolov8训练学生课堂行为检测数据集的训练。

基于YOLOv8 + PyQt5的课堂检测系统

使用YOLOv8算法，结合PyQt5构建图形界面UI，实现高效、精准的课堂行为实时检测。系统操作简便

可用支持替换预训练模型和自定义数据集，用户可根据自身需求训练特定目标检测模型，例如识别学生举手、睡觉、玩手机等行为，实现检测目标的个性化定制。

基于YOLOv8和PyQt5的课堂检测系统的代码。我们将包括训练脚本、检测工具、GUI程序和其他必要的文件。

@[roc]

以下代码及文字，仅供参考

1. 安装依赖

首先，确保您已经安装了所需的库：

pipinstalltorch torchvision ultralytics pyqt5 opencv-python

2. 目录结构

以下是项目的目录结构：

datasets/ ├── classroom_detection/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ └── labels/ │ ├── train/ │ └── val/ Font/ models/ runs/ save_data/ test-file/ TestFiles/ UIProgram/ 2.py CameraTest.py CITATION.cff Config.py detect_tools.py imgTest.py installPackages.py MainProgram.py requirements.txt setup.py test.py train.py VideoTest.py yolov8n.pt 使用教程.xt 项目文件说明.png

3. 文件内容

3.1datasets/classroom_detection/目录

假设您的数据集已经按照YOLO的格式进行了标注。具体来说，每个图像对应一个同名的.txt文件，其中包含边界框的信息。标签文件的格式如下：

<class_id> <x_center> <y_center> <width> <height>

其中：

• <class_id>是类别ID（例如，举手为0，睡觉为1，玩手机为2）。
• <x_center>,<y_center>,<width>,<height>是归一化的边界框坐标。

3.2Config.py

配置文件，用于定义数据集路径、模型路径等。

[<title="Config.py">]# Config.pyDATASET_PATH='datasets/classroom_detection/'MODEL_PATH='runs/detect/train/weights/best.pt'IMG_SIZE=640BATCH_SIZE=16EPOCHS=50CONF_THRESHOLD=0.5

3.3train.py

训练YOLOv8模型的脚本。

[<title="train.py">]fromultralyticsimportYOLOimportos# Load a modelmodel=YOLO('yolov8n.pt')# You can also use other versions like yolov8s.pt, yolov8m.pt, etc.# Define dataset configurationdataset_config=f""" train:{os.path.join(os.getenv('DATASET_PATH','datasets/classroom_detection/'),'images/train')}val:{os.path.join(os.getenv('DATASET_PATH','datasets/classroom_detection/'),'images/val')}nc: 3 names: ['raising_hand', 'sleeping', 'using_phone'] """# Save dataset configuration to a YAML filewithopen('classroom.yaml','w')asf:f.write(dataset_config)# Train the modelresults=model.train(data='classroom.yaml',epochs=int(os.getenv('EPOCHS',50)),imgsz=int(os.getenv('IMG_SIZE',640)),batch=int(os.getenv('BATCH_SIZE',16)))

3.4detect_tools.py

用于检测的工具函数。

[<title="detect_tools.py">]fromultralyticsimportYOLOimportcv2importnumpyasnpdefload_model(model_path):returnYOLO(model_path)defdetect_objects(frame,model,conf_threshold=0.5):results=model(frame,conf=conf_threshold)detections=[]forresultinresults:boxes=result.boxes.cpu().numpy()forboxinboxes:r=box.xyxy[0].astype(int)cls=int(box.cls[0])conf=round(float(box.conf[0]),2)label=f"{model.names[cls]}{conf}"detections.append((r,label))returndetectionsdefdraw_detections(frame,detections):for(r,label)indetections:cv2.rectangle(frame,(r[0],r[1]),(r[2],r[3]),(0,255,0),2)cv2.putText(frame,label,(r[0],r[1]-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),2)returnframe

3.5UIProgram/MainProgram.py

主程序，使用PyQt5构建图形界面。

[<title="UIProgram/MainProgram.py">]importsysimportcv2fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QVBoxLayout,QWidget,QPushButtonfromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQt,QTimerfromdetect_toolsimportload_model,detect_objects,draw_detectionsimportosclassVideoWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("Classroom Behavior Detection")self.setGeometry(100,100,800,600)self.central_widget=QWidget()self.setCentralWidget(self.central_widget)self.layout=QVBoxLayout()self.central_widget.setLayout(self.layout)self.label=QLabel()self.layout.addWidget(self.label)self.start_button=QPushButton("Start Detection")self.start_button.clicked.connect(self.start_detection)self.layout.addWidget(self.start_button)self.cap=Noneself.timer=QTimer()self.timer.timeout.connect(self.update_frame)self.model=load_model(os.getenv('MODEL_PATH','runs/detect/train/weights/best.pt'))defstart_detection(self):ifnotself.cap:self.cap=cv2.VideoCapture(0)# Use webcamself.timer.start(30)defupdate_frame(self):ret,frame=self.cap.read()ifnotret:returndetections=detect_objects(frame,self.model,conf_threshold=float(os.getenv('CONF_THRESHOLD',0.5)))frame=draw_detections(frame,detections)rgb_image=cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)h,w,ch=rgb_image.shape bytes_per_line=ch*w qt_image=QImage(rgb_image.data,w,h,bytes_per_line,QImage.Format_RGB888)pixmap=QPixmap.fromImage(qt_image)self.label.setPixmap(pixmap.scaled(800,600,Qt.KeepAspectRatio))if__name__=="__main__":app=QApplication(sys.argv)window=VideoWindow()window.show()sys.exit(app.exec_())

3.6requirements.txt

列出所有依赖项。

[<title="requirements.txt">] torch torchvision ultralytics pyqt5 opencv-python

3.7setup.py

用于安装项目的脚本。

[<title="setup.py">]fromsetuptoolsimportsetup,find_packages setup(name='classroom_behavior_detection',version='0.1',packages=find_packages(),install_requires=['torch','torchvision','ultralytics','pyqt5','opencv-python'],entry_points={'console_scripts':['train=train:main','detect=UIProgram.MainProgram:main']})

3.8README.md

项目说明文档。

[<title="README.md">] # Classroom Behavior Detection System This project uses YOLOv8 and PyQt5 to create a real-time classroom behavior detection system. The system detects behaviors such as raising hands, sleeping, and using phones in a classroom setting. ## Installation 1. Clone the repository: ```bash git clone https://github.com/yourusername/classroom-behavior-detection.git cd classroom-behavior-detection

2. Install dependencies:

   pipinstall-rrequirements.txt

3. Set up environment variables (optional):

   exportDATASET_PATH=./datasets/classroom_detection/exportMODEL_PATH=./runs/detect/train/weights/best.ptexportIMG_SIZE=640exportBATCH_SIZE=16exportEPOCHS=50exportCONF_THRESHOLD=0.5

Training

To train the YOLOv8 model:

python train.py

Running the GUI

To run the graphical user interface:

python UIProgram/MainProgram.py

Usage Tutorial

See 使用教程.xt for detailed usage instructions.

### 4. 运行步骤 1. **确保数据集路径正确**： - 将您的数据集放在 `datasets/classroom_detection` 目录下。 - 确保图像和对应的标签文件存在并且格式正确。 2. **安装必要的库**： - 确保您已经安装了所需的库，如 `torch`, `torchvision`, `ultralytics`, `pyqt5`, `opencv-python` 等。 - 您可以使用以下命令安装这些库： ```bash pip install -r requirements.txt ``` 3. **运行代码**： - 首先运行训练代码来训练YOLOv8模型： ```bash python train.py ``` - 然后运行GUI代码来启动检测系统： ```bash python UIProgram/MainProgram.py ``` 希望这些信息能帮助您顺利构建基于YOLOv8和PyQt5的课堂检测系统。 好的，我们将构建一个基于YOLOv8和PyQt5的课堂检测系统。该系统将实现高效、精准的课堂行为实时检测，并提供用户友好的图形界面。以下是完整的代码实现，包括数据加载、模型训练、评估和推理。 ### 1. 安装依赖 首先，确保您已经安装了所需的库，特别是YOLOv8和PyQt5依赖的库。 ```bash pip install torch torchvision ultralytics pyqt5 opencv-python

2. 数据准备

假设您的数据集已经按照YOLO的格式进行了标注。具体来说，每个图像对应一个同名的.txt文件，其中包含边界框的信息。标签文件的格式如下：

<class_id> <x_center> <y_center> <width> <height>

其中：

• <class_id>是类别ID（例如，举手为0，睡觉为1，玩手机为2）。
• <x_center>,<y_center>,<width>,<height>是归一化的边界框坐标。

3. 完整代码实现

3.1 YOLOv8 模型训练

首先，我们需要训练一个YOLOv8模型。假设您的数据集目录结构如下：

datasets/ └── classroom_detection/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/

创建一个YOLOv8的数据集配置文件classroom.yaml，内容如下：

train:./datasets/classroom_detection/images/trainval:./datasets/classroom_detection/images/valnc:3names:['raising_hand','sleeping','using_phone']

3.2 训练YOLov8模型

以下是训练YOLOv8模型的代码：

[<title="YOLOv8 Classroom Detection Training">]fromultralyticsimportYOLO# Load a modelmodel=YOLO('yolov8n.pt')# You can also use other versions like yolov8s.pt, yolov8m.pt, etc.# Define dataset configurationdataset_config=""" train: ../datasets/classroom_detection/images/train val: ../datasets/classroom_detection/images/val nc: 3 names: ['raising_hand', 'sleeping', 'using_phone'] """# Save dataset configuration to a YAML filewithopen('classroom.yaml','w')asf:f.write(dataset_config)# Train the modelresults=model.train(data='classroom.yaml',epochs=50,imgsz=640)

3.3 构建PyQt5界面

接下来，我们使用PyQt5构建一个用户友好的图形界面，用于显示视频流和检测结果。

[<title="PyQt5 Classroom Detection GUI">]importsysimportcv2fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QVBoxLayout,QWidget,QPushButtonfromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQt,QTimerfromultralyticsimportYOLOclassVideoWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("Classroom Behavior Detection")self.setGeometry(100,100,800,600)self.central_widget=QWidget()self.setCentralWidget(self.central_widget)self.layout=QVBoxLayout()self.central_widget.setLayout(self.layout)self.label=QLabel()self.layout.addWidget(self.label)self.start_button=QPushButton("Start Detection")self.start_button.clicked.connect(self.start_detection)self.layout.addWidget(self.start_button)self.cap=Noneself.timer=QTimer()self.timer.timeout.connect(self.update_frame)self.model=YOLO('runs/detect/train/weights/best.pt')defstart_detection(self):ifnotself.cap:self.cap=cv2.VideoCapture(0)# Use webcamself.timer.start(30)defupdate_frame(self):ret,frame=self.cap.read()ifnotret:returnresults=self.model(frame,conf=0.5)forresultinresults:boxes=result.boxes.cpu().numpy()forboxinboxes:r=box.xyxy[0].astype(int)cls=int(box.cls[0])conf=round(float(box.conf[0]),2)label=f"{self.model.names[cls]}{conf}"cv2.rectangle(frame,(r[0],r[1]),(r[2],r[3]),(0,255,0),2)cv2.putText(frame,label,(r[0],r[1]-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),2)rgb_image=cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)h,w,ch=rgb_image.shape bytes_per_line=ch*w qt_image=QImage(rgb_image.data,w,h,bytes_per_line,QImage.Format_RGB888)pixmap=QPixmap.fromImage(qt_image)self.label.setPixmap(pixmap.scaled(800,600,Qt.KeepAspectRatio))if__name__=="__main__":app=QApplication(sys.argv)window=VideoWindow()window.show()sys.exit(app.exec_())

运行步骤

1. 确保数据集路径正确：

   • 将您的数据集放在datasets/classroom_detection目录下。
   • 确保图像和对应的标签文件存在并且格式正确。

2. 安装必要的库：

   • 确保您已经安装了所需的库，如torch,torchvision,ultralytics,pyqt5,opencv-python等。
   • 您可以使用以下命令安装这些库：

     pipinstalltorch torchvision ultralytics pyqt5 opencv-python

3. 运行代码：

   • 首先运行训练代码来训练YOLOv8模型。
   • 然后运行GUI代码来启动检测系统。