YOLOv8课堂手机检测系统

课堂手机检测系统使用YOLOv8

项目概述

在这个项目中，我们旨在开发一个高效的系统，利用YOLOv8物体检测模型检测课堂环境中的手机使用情况。主要目标是通过识别手机的存在来监控和确保课堂期间的最小干扰。YOLOv8因其速度和准确性而广泛应用于此任务。

数据集

手机使用数据集
该数据集包含了在我们大学不同真实课堂场景中捕捉的图像，并注释了手机的存在。原始数据包括通过闭路电视摄像头捕捉的讲座视频，总时长为14小时32分钟。这些讲座视频被整理成5-12分钟的片段，展示了手机使用的高频活动。共从这些视频中提取了253帧。此数据集被划分为训练集和验证集，以便有效地训练YOLOv8模型。

桌面数据集

此数据集包含212帧空教室图像，没有学生或教授的活动。该数据集的目的是训练一个模型，使其能够识别课堂中的桌子/长椅，并且根据其y坐标（通过在此数据集上训练的模型推理得出）进行索引。

数据集中的标注图像

图1：标注图像，展示了课堂上有学生和手机。

图2：标注图像，展示了空教室的桌面布局。

模型训练

我们使用了YOLOv8s（小型）、YOLOv8m（中型）、YOLOv8l（大型）模型来进行此任务。模型经过若干轮训练，并通过改变训练轮数来进行微调，观察训练和验证损失图表中的正负变化。表现最佳的模型是YOLOv8m，经过55轮训练，优化了mAP（同时优化了精度和召回率）。该模型在mAP50上达到了89.5%。

训练配置
模型：YOLOv8m（中型）
轮数：55
批次大小：16（默认自适应批次）
优化器：Adam（默认）
图像大小：640
学习率：0.001（自适应）

训练图表

图3：YOLOv8m（55轮）的训练图表。

预测结果
训练完成后，模型在验证集上进行了评估。通过计算精度、召回率和mAP（均值平均精度）等性能指标来评估模型的效果。

预测图像

图4：YOLOv8m（55轮）模型的预测，展示了教室中检测到的手机。

结果
下表总结了YOLOv8m模型在各项评估指标上的表现。

轮数	时间（小时）	精度	召回率	mAP50	mAP50-95
30	0.113	0.857	0.782	0.864	0.552
45	0.171	0.843	0.809	0.873	0.568
50	0.188	0.842	0.775	0.873	0.563
55	0.202	0.844	0.835	0.895	0.581
60	0.236	0.842	0.793	0.880	0.581

表1：YOLOv8m训练结果。

结论

YOLOv8m模型在检测课堂环境中的手机使用方面表现出了很有前景的结果。凭借高mAP值，它证明了在教育环境中减少干扰的有效性。未来的工作可能包括进一步微调模型，并探索在课堂中的实时部署。

参考文献

YOLOv8文档：YOLOv8
数据集来源：定制课堂手机数据集