目标检测应用场景—数据集【NO.8】课堂行为检测

已于 2024-11-19 09:45:06 修改
阅读量446 收藏 7
点赞数 8
文章标签： 目标检测 目标跟踪 人工智能
于 2024-11-18 09:57:25 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34773082/article/details/143844788
版权

目标检测应用场景—数据集【NO.8】课堂行为检测

在前面：数据集对应应用场景，不同的应用场景有不同的检测难点以及对应改进方法，本系列整理汇总领域内的数据集，方便大家下载数据集今天分享一个非常好的非常小众的研究方向，有应用创新，可有利于发小论文和大论文，有需要的朋友可私信我。

数据集下载：

通过百度网盘分享的文件：课堂行为检测
链接：https://pan.baidu.com/s/17KsMPnKGTjCYawKYZCFe8Q?pwd=ddcx
提取码：ddcx
–来自百度网盘超级会员V6的分享

数据集介绍：

话不多说直接上图：图像数据集样本图如下所示 ，分为8个类别 ，具体类别如下 ：
0 # 低头写字 dx 72462
1 # 低头看书 dk 58932
2 # 抬头听课 tt 117528
3 # 转头 zt 5339
4 # 举手 js 4183
5 # 站立 zl 4101
6 # 小组讨论 xt 4663
7 # 教师指导 jz 680

可以通过利用目标检测算法检测出的地方，可以应用在一些模型研究、毕设中等。

训练集的数据集一共8884 张图片。原数据集格式为xml格式
JPEGImages文件夹下为原图
Annotations 文件夹下为xml格式的标签
在这里插入图片描述

数据集展示：

在这里插入图片描述

识别展示：

在这里插入图片描述

涛哈哈~
关注
目标检测应用场景—数据集【NO.35】学生课堂姿势数据集
m0_70388905的博客
05-17 628
学生课堂姿势数据集
基于YOLOv7的课堂行为检测，内涵BiFormer注意力和多种loss源码
会AI的学姐
10-20 2292
课堂行为检测，内涵BiFormer注意力和多种loss源码
基于YOLOv8的火焰烟雾检测系统（深度学习模型+UI界面+Python代码+训练数据集）
sybh的博客
01-13 1247
YOLOv8 在准确性和速度方面提供了尖端的性能。在前几版 YOLO 的基础上，YOLOv8 引入了新的功能和优化，使其成为各种目标检测任务的理想选择，适用于广泛的应用场景。主要特点先进的主干和颈部架构：YOLOv8 采用了最先进的主干和颈部架构，提升了特征提取和目标检测性能。无锚分割 Ultralytics 头：YOLOv8 采用无锚分割的 Ultralytics 头，相较于基于锚点的方法，能够提供更好的准确性和更高效的检测过程。优化的准确性与速度平衡。
非洲野生动物视频目标检测数据集（附yolov5 4.0实现源码）.zip
03-09
用于视频目标检测的数据集，包括野牛，犀牛，大象，斑马四个标签的图像和标注，大约1500多张图片，使用yolov5文件夹下的format_dataset.py文件，可以将african-wildlife里的原数据集数据转换成可以被yolov5程序识别的格式，保存到african-wildlife-dataset（自动分割训练集和验证集），videos文件里面是几个用于检测的视频。附赠已经用yolov5实现的源码，对应yolov5的4.0版本，检测效果还行。
基于深度学习的学生课堂行为检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
sybh的博客
04-13 1140
本项目基于YOLOv8目标检测算法开发了一套学生课堂行为智能检测系统，专门用于识别和分析学生在课堂上的六种典型行为状态。系统能够实时检测并分类以下行为：举手('hand-raising')、阅读('reading')、书写('writing')、使用手机('using phone')、低头('bowing the head')和趴在桌上('leaning over the table')。
目标检测应用场景—数据集【NO.1】遛狗是否牵绳
qq_34773082的博客
06-14 690
withdog:牵绳,withoutdog:未牵绳,可以通过利用目标检测算法检测出的地方，可以应用在一些模型研究、毕设中等。训练集的数据集一共 6209 张图片。原数据集格式为xml格式JPEGImages文件夹下为原图Annotations 文件夹下为xml格式的标签。
野生动物检测-目标检测数据集（包括VOC格式、YOLO格式）
DL_data_set的博客
09-10 2015
野生动物检测数据集，目标检测，yolo，voc，复杂背景
＜数据集＞手势识别数据集＜目标检测＞
qq_53332949的博客
07-20 631
YOLO与VOC格式的手势识别数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，类别：fist、no_gesture、like、ok、palm，图片数量：2400张。
【目标检测数据集】草莓成熟度度检测数据集VOC+YOLO格式400张
FL1768317420的博客
04-11 358
草莓是一种美味可口的水果，其鲜艳的红色外观和独特的香甜口感深受人们喜爱。草莓果实呈心形，表面覆盖着细小的种子，内部则是鲜嫩的红色果肉，咬一口就能感受到其特有的酸甜滋味。数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)总之，草莓是一种美味又营养丰富的水果，无论是从口感还是营养价值来看，都值得人们去品尝和享受。标注类别名称:["flower","growth","mature"]
使用SSD模型检测教学场景下的“举手”目标
zhy_csdn的博客
02-09 1799
由于项目需求，最近花了约三周的时间，尝试在我们自己的教学场景数据集上，完成SSD目标检测模型的测试，检测目标只有一个类别：举手(Handraising)。实际上，项目中已经存在可以完成举手目标检测的方案R-FCN，所以目的是为了验证SSD是否会有检测效果和检测速度的提升，这里简要记录一下整个流程，尽管之后在测试数据集上，SSD的检全率和准确率并不比R-FCN更好。一、背景介绍：SSD（Single...
基于深度学习的学生坐姿智能检测
最新发布
laoman456的博客
04-25 691
随着信息技术的不断发展，智能化学习环境逐渐成为现代教育的重要组成部分。学生的坐姿作为课堂行为的一部分，直接关系到学生的学习效果与身体健康。正确的坐姿能够提高学生的专注力，减少脊椎等健康问题。然而，传统的课堂管理方式很难做到实时监控和个性化反馈。 随着计算机视觉技术的进步，深度学习在图像识别领域取得了显著的成果。通过对学生坐姿的智能检测，能够实时评估学生的姿势状态，并给出反馈，为教师提供学生健康和行为的实时数据支持。因此，基于深度学习的学生坐姿智能检测系统具有重要的研究意义和实际应用价值。
路面车道线，车辆以及路面裂缝数据集（带有json格式标注）
05-18
本人将该数据集作为rcnn进行路面车道线，车辆以及裂缝检测的训练数据集，标注不易
路面裂缝数据集 CrackForest-dataset-master.zip
07-20
深度学习 图像识别 路面裂缝数据集
水果新鲜成熟度识别数据集-香蕉成熟新鲜等级识别分类数据集(5个等级).zip
03-05
【资源说明】 毕设水果成熟度识别数据集-香蕉成熟等级识别分类数据集(5个等级).zip 1、数据集适合各种分类识别算法所用，比如resnet、vgg、mobilenet、googlenet等等 2、如果需要用于yolo等目标检测算法，需要用labelimg工具打一下标签 3、数据集为香蕉成熟度识别分类数据集、一共分为五个等级，分别是：轻微发黑、未成熟、新鲜、严重发黑、中度发黑。 4、数据集已划分好，可直接使用，欢迎下载，使用问题请私信沟通。 更多数据集请看我100种数据集博客 欢迎下载，沟通交流，互相学习，共同进步！
野生动物数据集 野生动物识别
12-15
内容含 猩猩 大象 老虎 狮子 水牛 狒狒 狐狸 等十多种动物
深度学习+图像分割+道路裂缝数据集
09-03
内有两万张道路裂缝图像，我用labelme标注了250张，同时生成的json文件也有，可以直接用labelme打开。我还用python程序批量将250张标注好的图像生成mask图像，这250张图像可以直接用来做图像分割任务，如有需要批量转化json文件为mask图像的python程序可以查看我主页配套的另一资源https://download.csdn.net/download/weixin_52101154/38525192
一文掌握新版ElasticSearch8.X+SpringBoot3.X+JDK17最佳实践，常见搜索API使用和性能优化
二当家小D的学习资源库
04-19 3933
0基础快速上手ElasticSearch8.X+SpringBoot3.X+JDK17，常见API使用和性能优化
[数据集][目标检测]动物目标检测数据集VOC格式+yolo格式超80种类动物
FL1623863129的博客
11-19 789
北极熊数据集VOC格式+yolo格式284张1类别。啄木鸟数据集VOC格式+yolo格式203张1类别。猫头鹰数据集VOC格式+yolo格式476张1类别。猴子数据集VOC格式+yolo格式1091张1类别。蜘蛛数据集VOC格式+yolo格式1063张1类别。蝴蝶数据集VOC格式+yolo格式2045张1类别。金丝雀数据集VOC格式+yolo格式129张1类别。仓鼠数据集VOC格式+yolo格式133张1类别。刺猬数据集VOC格式+yolo格式129张1类别。
【数据集】【YOLO】【目标检测】道路裂缝数据集 5466 张，道路裂缝识别毕业设计，YOLO/VOC格式标注！
CV 小涵的博客，计算机本硕211毕业，研究计算机视觉、模型微调、RAG等方向，收藏有国内外优质数据集，解决视觉相关项目方案，欢迎交流讨论。
11-02 5769
【数据集】【YOLO】【目标检测】道路裂缝数据集 5466 张，YOLO/VOC格式标注！ 智慧交通、道路险情预警、道路养护！ 【数据集】道路裂缝数据集 5466张，目标检测，包含YOLO/VOC格式标注。数据集中包含一种分类，检测范围城市道路裂缝、高速道路裂缝、乡村道路裂缝。 该数据集含有5466张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试城市道路裂缝、道路坑洼、路面险情等情况。图片格式为jpg格式，标注格式分别为： YOLO：txt VOC：xml
学生上课面部表情识别YOLO
03-08
### 使用YOLO实现学生课堂面部表情识别 #### YOLOv11概述 YOLO（You Only Look Once）是一种高效的实时物体检测算法，其最新版本YOLOv11进一步提升了速度和准确性。该模型采用单阶段检测方式，在一次推理过程中完成边界框预测和类别分类[^1]。 #### 数据集准备 对于学生课堂面部表情识别任务而言，构建高质量的数据集至关重要。Fer2013是一个广泛应用的表情数据集，包含了七类基本情绪标签：愤怒、厌恶、恐惧、快乐、平静、悲伤以及惊讶。这些图片均为48×48像素的灰度图像，非常适合用于训练深度学习模型来识别人脸上的细微变化[^4]。 为了适应特定应用场景——即教室环境中的学生群体，建议收集额外的真实世界样本并将其加入现有数据库中。这有助于提高模型泛化能力和鲁棒性，尤其是在面对不同光照条件或角度的情况下表现更佳。 #### 模型架构设计 在本项目里选择了YOLO作为基础框架来进行人脸位置定位；而对于具体的表情分类，则引入了一个轻量级卷积神经网络MobileNetV3负责特征提取工作。这种组合不仅保持了较高的精度水平，同时也降低了计算成本，使得整个系统能够在普通硬件设备上流畅运行[^3]。 以下是简化版的Python代码片段展示如何加载预训练好的YOLO权重文件，并定义后续处理流程： ```python import cv2 from yolov11 import YOLOv11 # 假设已经安装好对应的库 def detect_faces(image_path): yolo = YOLOv11() image = cv2.imread(image_path) faces = yolo.detect_face(image) return faces if __name__ == "__main__": face_images = detect_faces('student_classroom.jpg') for i, img in enumerate(face_images): filename = f'face_{i}.jpg' cv2.imwrite(filename, img) ``` 上述脚本实现了从给定路径读取一张照片后利用YOLO找出所有人脸的位置信息，并保存裁剪后的子图以便下一步分析。 接着就是对面部区域执行表情判断操作了。这里假设已经有了一个经过良好训练的情感分类器`emotion_classifier()`函数可用: ```python from mobilenet_v3 import MobileNetV3Small # 同样假设有现成模块可导入 model = MobileNetV3Small(num_classes=7).eval() for idx in range(len(face_images)): emotion_label = model.predict(face_images[idx]) print(f"Face {idx}: Emotion detected -> {emotion_label}") ``` 这段程序遍历之前获取到的所有脸部切片，依次送入预先搭建完毕的小型MoblieNet V3网络当中得到最终的结果输出。 最后一步则是整合以上两部分逻辑至统一的应用界面内供教师端使用。借助于PySide6工具包可以快速创建跨平台图形用户接口(GUI)，从而方便地实现实时监控功能。 ```python import sys from PySide6.QtWidgets import QApplication, QLabel, QVBoxLayout, QWidget from PySide6.QtGui import QImage, QPixmap class MainWindow(QWidget): def __init__(self): super().__init__() layout = QVBoxLayout(self) self.label = QLabel("No camera feed yet.") layout.addWidget(self.label) app = QApplication(sys.argv) window = MainWindow() window.show() sys.exit(app.exec()) ``` 此段Qt应用程序模板展示了最简单形式下的窗口布局设置过程。实际开发时还需要考虑视频流抓取、多线程并发控制等问题以确保良好的用户体验。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值