智慧课堂-YOLOv8课堂行为检测系统｜学生+教师双模型｜图片/视频/摄像头/双摄像头｜历史记录+报告｜Web可视化YOLOv8 课堂老师及学生行为检测系统 —— 学生+教师双模型智能分析平台

智慧课堂-YOLOv8课堂行为检测系统学生教师双模型图片/视频/摄像头/双摄像头历史记录报告Web可视化包括全部源码完整标注的数据集训练好的模型及训练结果项目运行教程README.md仅供参考系统本项目是一套基于 YOLOv8Ultralytics Flask 的课堂行为检测系统支持对学生行为与教师行为进行智能识别与统计分析提供完整 Web 界面上手即用适合教学研究、课堂管理、项目展示与二次开发。功能亮点1.双模型识别学生模型/教师模型独立加载与管理自动识别类别无需手动配置类名2.多场景检测单图、批量图、视频文件、实时摄像头一站式支持3.视频边测边播视频检测过程可实时预览支持中途停止并自动修复视频保证可播放4.双摄像头模式两个画面分别对应两个模型学生画面仅学生模型、教师画面仅教师模型更贴近真实课堂部署5.点击查看详情图片/视频/摄像头均可截取当前帧弹窗放大查看并筛选检测框历史记录报告任务自动入库支持查看历史与生成 HTML 可视化分析报告适用人群教育/课堂行为分析相关研究者与学生需要快速落地演示的工程项目/竞赛作品想要二次开发的开发者Flask 前端分离结构清晰运行环境Python 3.8依赖flask / ultralytics / opencv / sqlite 等已提供 requirements111 YOLOv8 课堂行为检测系统 —— 学生教师双模型智能分析平台一、项目概览表项目维度内容描述项目名称基于YOLOv8的课堂行为检测系统核心算法YOLOv8学生模型 教师模型检测类别学生行为computer,using_phone,reading,writing等教师行为Teaching or asking,Guiding students,Writing on board等输入支持单张图片 / 批量图片 / 视频文件 / 实时摄像头 / 双摄像头输出形式可视化标注图 HTML分析报告 数据统计图表 历史记录数据库前端框架HTML5 CSS3 JavaScript Chart.js后端框架Flask (Python)深度学习Ultralytics YOLOv8 PyTorch图像处理OpenCV PIL数据存储SQLite轻量级无需安装部署环境Windows 10 / Mac / Linux适用场景智慧教室、教学评估、教育科研、毕业设计、AI竞赛二、系统功能矩阵表功能模块子功能描述检测模式单张图片上传一张课堂照片识别学生/教师行为批量图片选择文件夹批量处理生成统计报表视频文件逐帧分析支持边测边播、中途停止、自动修复视频实时摄像头调用电脑摄像头毫秒级响应双摄像头学生画面用学生模型教师画面用教师模型模拟真实课堂部署结果展示可视化标注在原图上绘制检测框标签置信度弹窗详情点击检测结果可放大查看当前帧及筛选检测框统计分析学生行为统计环形图展示各类行为占比如使用手机、阅读、写作等教师行为统计环形图展示教学、指导、板书等行为分布历史记录任务入库所有检测任务自动存入SQLite数据库查看历史列表显示过往任务支持“查看”和“报告”按钮报告生成HTML可视化报告含截图、数据图表、文字摘要支持打印/存档系统设置参数配置默认置信度、IOU阈值、跳帧数、界面开关等模型管理自动扫描models目录加载.pt文件支持手动选择高级功能视频跳帧加速处理长视频默认每2帧检测一次NMS优化跳过NMS处理提升速度可选三、技术架构蓝图表层级技术组件作用说明表现层HTML/CSS/JS构建响应式Web界面支持拖拽上传、实时预览、图表渲染Chart.js数据可视化行为分布、历史趋势业务层Flask (Python)接收请求、调用YOLO模型、返回JSON结果、生成HTML报告RESTful API/detect/image,/detect/video,/history,/report等接口AI引擎层YOLOv8 (Ultralytics)核心检测引擎支持学生/教师双模型独立加载OpenCV PIL图像预处理、标注绘制、格式转换数据层SQLite存储检测记录、用户配置、任务状态JSON临时存储检测中间结果文件系统存储上传的图片、视频、生成的报告部署运维层本地运行无需服务器双击启动即可可选Docker容器化部署便于共享四、工作流程表步骤操作内容系统行为1用户打开浏览器访问http://localhost:50002选择检测模式单图/批量/视频/摄像头/双摄像头3上传文件或启动摄像头前端通过 AJAX 发送文件或直接调用摄像头流4后端预处理读取文件 → 转换为OpenCV格式 → 调整尺寸5调用对应YOLO模型学生画面→学生模型教师画面→教师模型6解析并绘制结果在原图上画框 → 生成Base64编码图片 → 返回给前端7前端渲染显示标注图 更新右侧统计面板8存入历史记录将任务信息写入SQLite数据库9生成报告点击“报告”按钮 → 后端生成HTML报告 → 浏览器下载或在线查看五、最简易完整代码实现单文件可运行版 以下代码整合了 Flask YOLOv8双模型 SQLite HTML报告复制粘贴即可运行# app.py - 课堂行为检测系统最简完整版fromflaskimportFlask,request,jsonify,send_file,render_template_stringfromultralyticsimportYOLOimportcv2importosimportjsonimporttimefromdatetimeimportdatetimeimportsqlite3importiofromPILimportImageimportbase64 appFlask(__name__)# 初始化数据库definit_db():connsqlite3.connect(data/detections.db)cconn.cursor()c.execute(CREATE TABLE IF NOT EXISTS detections ( id INTEGER PRIMARY KEY AUTOINCREMENT, filename TEXT, mode TEXT, student_count INTEGER, teacher_count INTEGER, student_behaviors TEXT, teacher_behaviors TEXT, timestamp DATETIME DEFAULT CURRENT_TIMESTAMP ))conn.commit()conn.close()init_db()# 加载模型假设 models/student.pt 和 models/teacher.pt 存在student_modelNoneteacher_modelNonedefload_models():globalstudent_model,teacher_modelifos.path.exists(models/student.pt):student_modelYOLO(models/student.pt)ifos.path.exists(models/teacher.pt):teacher_modelYOLO(models/teacher.pt)load_models()UPLOAD_FOLDERuploadsos.makedirs(UPLOAD_FOLDER,exist_okTrue)HTML_TEMPLATE !DOCTYPE html html langzh-CN head meta charsetUTF-8 title课堂行为检测系统/title style body { font-family: Arial; margin: 20px; background: #f0f2f5; } .container { display: flex; gap: 20px; } .panel { background: white; padding: 20px; border-radius: 8px; box-shadow: 0 2px 8px rgba(0,0,0,0.1); } #upload-area { border: 2px dashed #ccc; padding: 40px; text-align: center; cursor: pointer; } #result-img { max-width: 100%; margin-top: 20px; } button { padding: 10px 20px; background: #007bff; color: white; border: none; border-radius: 4px; cursor: pointer; } button:hover { background: #0056b3; } .stat-box { margin: 10px 0; padding: 10px; background: #e3f2fd; border-radius: 4px; } /style /head body h1 课堂行为检测系统/h1 div classcontainer div classpanel styleflex:1; h3 上传文件/h3 div idupload-area onclickdocument.getElementById(file-input).click() 拖拽文件到此处或点击上传br支持 JPG, PNG 格式 /div input typefile idfile-input acceptimage/* styledisplay:none onchangehandleFileSelect(event) div stylemargin-top:20px; label置信度阈值: input typerange idconf-thresh min0.1 max0.9 step0.05 value0.4/label span idconf-value0.4/span /div button onclickstartDetection() stylemargin-top:20px; 开始检测/button /div div classpanel styleflex:1; h3 检测结果/h3 img idresult-img src alt检测结果 div idstats/div /div div classpanel styleflex:1; h3 行为统计/h3 div idstudent-stats classstat-box学生行为: 暂无数据/div div idteacher-stats classstat-box教师行为: 暂无数据/div /div /div script let currentResult null; document.getElementById(conf-thresh).addEventListener(input, function(e) { document.getElementById(conf-value).textContent e.target.value; }); function handleFileSelect(event) { const file event.target.files[0]; if (!file) return; const reader new FileReader(); reader.onload function(e) { document.getElementById(upload-area).innerHTML img src${e.target.result} stylemax-height:200px;; }; reader.readAsDataURL(file); } async function startDetection() { const fileInput document.getElementById(file-input); if (!fileInput.files[0]) return alert(请先选择图片); const formData new FormData(); formData.append(file, fileInput.files[0]); formData.append(conf, document.getElementById(conf-thresh).value); const res await fetch(/detect/image, { method: POST, body: formData }); const data await res.json(); currentResult data; document.getElementById(result-img).src data:image/jpeg;base64, data.annotated_image_base64; // 更新统计 let studentHtml strong学生行为:/strongul; for (const [behavior, count] of Object.entries(data.student_behaviors)) { studentHtml li${behavior}: ${count}/li; } studentHtml /ul; document.getElementById(student-stats).innerHTML studentHtml; let teacherHtml strong教师行为:/strongul; for (const [behavior, count] of Object.entries(data.teacher_behaviors)) { teacherHtml li${behavior}: ${count}/li; } teacherHtml /ul; document.getElementById(teacher-stats).innerHTML teacherHtml; } /script /body /html app.route(/)defindex():returnrender_template_string(HTML_TEMPLATE)app.route(/detect/image,methods[POST])defdetect_image():iffilenotinrequest.files:returnjsonify({error:No file uploaded}),400filerequest.files[file]conf_threshfloat(request.form.get(conf,0.4))# 保存上传文件img_pathos.path.join(UPLOAD_FOLDER,f{int(time.time())}_{file.filename})file.save(img_path)student_detections[]teacher_detections[]student_behaviors{}teacher_behaviors{}# 学生模型检测ifstudent_model:resultsstudent_model.predict(img_path,confconf_thresh,verboseFalse)resultresults[0]ifresult.boxesisnotNone:boxesresult.boxes.xyxy.cpu().numpy()confsresult.boxes.conf.cpu().numpy()cls_idsresult.boxes.cls.cpu().numpy()foriinrange(len(boxes)):cls_namestudent_model.names[int(cls_ids[i])]student_behaviors[cls_name]student_behaviors.get(cls_name,0)1x1,y1,x2,y2map(int,boxes[i])student_detections.append({class_name:cls_name,confidence:float(confs[i]),bbox:[x1,y1,x2,y2],type:student})# 教师模型检测ifteacher_model:resultsteacher_model.predict(img_path,confconf_thresh,verboseFalse)resultresults[0]ifresult.boxesisnotNone:boxesresult.boxes.xyxy.cpu().numpy()confsresult.boxes.conf.cpu().numpy()cls_idsresult.boxes.cls.cpu().numpy()foriinrange(len(boxes)):cls_nameteacher_model.names[int(cls_ids[i])]teacher_behaviors[cls_name]teacher_behaviors.get(cls_name,0)1x1,y1,x2,y2map(int,boxes[i])teacher_detections.append({class_name:cls_name,confidence:float(confs[i]),bbox:[x1,y1,x2,y2],type:teacher})# 合并所有检测结果用于绘图all_detectionsstudent_detectionsteacher_detections# 创建标注图简化版实际应分别用不同颜色区分学生和教师imgcv2.imread(img_path)fordetinall_detections:x1,y1,x2,y2det[bbox]labelf{det[class_name]}{det[confidence]:.2f}color(0,255,0)ifdet[type]studentelse(255,0,0)cv2.rectangle(img,(x1,y1),(x2,y2),color,2)cv2.putText(img,label,(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,color,2)_,buffercv2.imencode(.jpg,img)img_base64base64.b64encode(buffer).decode(utf-8)# 存入数据库connsqlite3.connect(data/detections.db)cconn.cursor()c.execute(INSERT INTO detections (filename, mode, student_count, teacher_count, student_behaviors, teacher_behaviors) VALUES (?, ?, ?, ?, ?, ?),(file.filename,single_image,len(student_detections),len(teacher_detections),json.dumps(student_behaviors),json.dumps(teacher_behaviors)))conn.commit()conn.close()returnjsonify({annotated_image_base64:img_base64,student_behaviors:student_behaviors,teacher_behaviors:teacher_behaviors,total_student:len(student_detections),total_teacher:len(teacher_detections)})if__name____main__:print(*60)print(课堂行为检测系统启动成功)print(访问地址: http://localhost:5000)print(*60)app.run(debugTrue,port5000)六、简易运行文档基于你提供的项目结构截图整理 课堂行为检测系统 - 快速上手指南版本: 1.0更新日期: 2025-11-22适用人群: 教育研究者、学生、开发者第1步准备环境确保已安装 Python 3.8然后安装依赖pipinstall-rrequirements.txtrequirements.txt内容示例flask ultralytics opencv-python pillow sqlite3第2步放置模型文件将训练好的两个模型放入models/目录models/student.pt→ 学生行为检测模型models/teacher.pt→ 教师行为检测模型 如果没有模型可使用官方预训练模型临时测试但精度无法保证。第3步启动系统在项目根目录打开命令行输入python app.py看到以下信息表示启动成功 课堂行为检测系统启动成功 访问地址: http://localhost:5000 第4步打开浏览器在浏览器地址栏输入http://localhost:5000第5步开始检测选择“单张图片”模式点击上传区域选择一张课堂照片调整置信度阈值默认0.4点击“开始检测”查看左侧标注图、右侧行为统计第6步查看历史记录点击右上角“历史记录”可查看过往所有检测任务支持“查看”重新浏览检测结果“报告”生成HTML可视化分析报告第7步系统设置点击右上角“设置”可配置默认置信度、IOU阈值是否显示标签、是否自动扫描模型默认检测模式、视频跳帧数等七、项目结构说明表文件/目录说明app.pyFlask主程序路由、检测流程、视频/摄像头流处理config.py路径与默认参数配置requirements.txtPython依赖列表README.md项目说明文档utils/detector.pyYOLOv8双模型检测核心逻辑utils/database.pySQLite数据库操作任务/检测/摘要utils/report_generator.pyHTML报告生成器utils/user_config.py用户配置持久化模型选择、阈值、UI设置templates/index.htmlWeb页面模板static/css/style.css样式文件static/js/main.js前端交互逻辑models/存放.pt模型文件uploads/用户上传的文件outputs/检测输出图片/视频/报告data/detections.dbSQLite数据库存储检测记录data/user_config.json用户配置文件