课堂行为动作识别数据集

最新推荐文章于 2024-05-31 14:29:44 发布
最新推荐文章于 2024-05-31 14:29:44 发布
阅读量284 收藏
点赞数 2
分类专栏： 深度学习专栏 Python学习专栏 文章标签： 目标跟踪 人工智能 计算机视觉 YOLO 深度学习 机器学习
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/weixin_51534858/article/details/137074395
版权

一共8884张图片
xml  .txt格式都有 Yolo可直接训练 已跑通
动作类别一共8类。

全部为教室监控真实照片，没有网络爬虫滥竽充数的图片，可直接用来训练。以上图片均一一手工标注，标签格式为VOC格式。适用于YOLO算法、SSD算法等各种目标检测算法。

        本人使用此数据集训练的yolov5s模型，准确率在98.6%左右，可准确完成课堂学生检测任务。如有需要可以提供训练好的权重文件和检测UI界面。

以下为数据集的部分图片展示，有需要的朋友可以随时交流交流。

获取数据集请关注下列公众号

程序小健
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
课堂场景行为识别数据集(29万张照片左右）
10-20
课堂场景行为识别(29万张照片左右） 课堂场景行为识别(29万张照片左右） 课堂场景行为识别(29万张照片左右）
教室行为状态分析数据集.
06-19
教室行为状态分析数据集. 对公开的课堂行为状态数据集进行了标签划分，方便使用PaddleClas训练。
学生上课状态检测数据集
08-26
深度学习上课状态检测数据集，适用于智慧课堂等项目，包含图片以及xml标签
深度学习之基于yolov3学生课堂行为及专注力检测预警监督系统
m0_73484725的博客
11-26 1060
深度学习技术在学生课堂行为及专注力检测预警监督系统的应用是一项极具挑战性和创新性的研究领域。利用YOLOv3（You Only Look Once version 3）作为基础框架，可以有效地实现对学生在课堂上的行为和专注力的实时监测和预警。以下是对这个系统的详细介绍：一、系统功能行为监测：该系统可以实时监测学生的行为，如坐姿、肢体动作、面部表情等，通过深度学习算法对这些行为进行识别和分析，从而判断学生的专注程度和兴趣点。
基于yolov5轻量级的学生上课姿势检测识别分析系统
Together_CZ的博客
12-03 6677
基于yolov5轻量级的学生上课姿势检测识别分析系统
课堂学生行为的检测识别数据集.zip
10-15
本数据集用于课堂学生行为的检测识别 数据集总数29万多张，可用于深度学习目标检测，放心下载！！！ drink listen phone trance write
基于计算机视觉的学生上课姿态识别
sinat_58088248的博客
01-09 1351
【私信获取源码】 数据集 1.1AVA数据集介绍 AVA数据集为目前行为数据集中背景最复杂、人体目标最多的数据集，是由Google在2018年所发表的一个用于训练动作检测的数据集，该数据集注释430个15分钟电影切片中的80个原子视觉动作，在空间和时间上定位了动作，从而产生了1.62万个动作标签。这个数据中的内容有以下特点：更多的使用原子动作而不是复合动作（如bow、kneel、jump、sleep等）、对于每个人有更多的的时空标注（每个人会同时具有多种行为）、在切片内的标注尽可能的详细（每个切片中
融合人体姿态估计和目标检测的学生课堂行为识别
张伟的专栏
10-03 8638
正在上传…重新上传取消正在上传…重新上传取消正在上传…重新上传取消正在上传…重新上传取消正在上传…重新上传取消正在上传…重新上传取消正在上传…重新上传取消摘要： 在課堂教学中 ， 人工智能技术可以帮助实现学生行为分析自动化 ， 让教师能够高效且直观地掌握学生学习行为投入的情况 ， 为后续优化教学设计与实施教学干预提供数据支持.构建了学生课堂行为数据集 ， 为后续研究工作提供了数据基础;提出了一种行为检测方法及一套可行的高精度的行为识别模型 ， 利用 OpenPose 算法提取的人体姿态全局特征 ， 融合 Y
基于轻量级CNN开发构建学生课堂行为识别系统
Together_CZ的博客
01-09 3293
基于轻量级CNN开发构建学生课堂行为识别系统
基于yolov5 人体行为检测 跌倒 站立 蹲下 坐下 跑 五种行为检测目标检测
c9_0019的博客
11-07 5114
本文章用于学习与参考基于YOLOv5模型，实现了对人体行为的准确检测和分析。通过实验结果和分析，验证了该模型在人体行为检测领域的有效性和潜力。人体行为检测技术在安防、智能驾驶、人机交互等领域具有广泛应用前景，未来还有更多的研究和改进空间。通过不断探索和创新，我们有望进一步提升人体行为检测技术的性能和应用范围，为社会带来更多的便利和安全。
线课堂学生注意力识别数据集
12-20
线课堂学生注意力识别数据集，主要检测对象为：长时间闭眼、打哈欠、凝视远方，一共19000多张线上课堂图片 线课堂学生注意力识别数据集，主要检测对象为：长时间闭眼、打哈欠、凝视远方，一共19000多张线上课堂图片 ...
课堂举手数据集VOC+YOLO格式4001张1类别.zip
05-23
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) 图片数量(jpg文件个数)：4001 标注数量(xml文件个数)：4001 标注数量(txt文件个数)：...
课堂举手阅读书写数据集VOC格式5015张3类别.zip
05-23
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) 图片数量(jpg文件个数)：5015 标注数量(xml文件个数)：5015 标注数量(txt文件个数)：...
数据集VOC目标检测数据集人脸表情识别检测8类别A版-8279张可用yolo训练
01-11
数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：8279 标注数量(xml文件个数)：8279 标注类别数：8 标注类别名称:["fear","sad",...
课堂行为数据集VOC+YOLO格式671张6类别.7z
最新发布
06-13
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) 图片数量(jpg文件个数)：671 标注数量(xml文件个数)：671 标注数量(txt文件个数)：671 ...
课堂行为数据集 VOC格式+YOLO格式
lwx666sl的博客
02-29 873
课堂上，学生们认真写作，用文字表达自己的思想和观点，锻炼自己的写作能力，同时也在思考和创作的过程中深化对知识的理解。课堂上，学生偷偷玩手机，不仅分散了自己的注意力，也干扰了教师的教学和同学的学习，是一种不负责任的行为。课堂上，学生们专心阅读课本，沉浸在知识的海洋中，用心感受文字的魅力，不断提升自己的阅读能力和理解能力。课堂上，学生们积极举手发言，展现自己的思考和见解，不仅活跃了课堂氛围，也促进了师生间的互动交流。标注数量(xml文件个数)：650余张。标注数量(txt文件个数)：650余张。
YOLO改进策略|智慧课堂案例|YOLOv5、YOLOv7 和 YOLOv8自动检测学生的课堂行为，实现了⾼达 80.3% 的平均精度
sybh的博客
05-31 747
近年来，随着⾏为检测技术的发展[1]，分析课堂视频中学 ⽣的⾏为以获取其课堂状态和学习表现的信息已经成为可 能。这项技术对于学校的教师、管理⼈员、学⽣和家⻓来说 ⾮常重要。然⽽，在传统的教学模式中，教师很难关注到每 个学⽣的学习情况，只能通过观察少数学⽣来了解⾃⼰教学 ⽅法的有效性。学校管理⼈员依靠现场观察和学⽣表现报告 来发现教育教学中的问题。家⻓只能通过与⽼师和学⽣的沟 通来了解孩⼦的学习情况。
基于via的课堂学生行为数据标注 与yolov7目标检测与自动标注系统
CSPhD-winston的博客
03-24 3589
经过了一定数量图片数据的标注（2.7k张），再经过yolov7的训练，就可以使用训练的权重对未标注的图片进行自动标注，然后人工检测微调标注框。如果程序正常结束，那么via的标注框与yolo的框是匹配的。然后修改/root/yolov7/cfg/training/文件下的yolov7.yaml。check.py的作用就是是检查via中的框的数量和yolo格式数据集的框的数量是否一致。在http://root/yolov7/data/下创建risehand.yaml。
课堂行为识别 数据集
07-27
课堂行为识别数据集是用于训练和评估机器学习模型以识别学生在课堂环境中的行为。这些数据集通常包含学生的行为记录，例如他们的动作、面部表情、言语和其他非语言交互。这些数据集可以用于开发智能教育系统、学生情感分析、学习行为分析等应用。 以下是一些常用的课堂行为识别数据集： 1. AffectiveROAD - 这是一个用于情感分析和多模态行为识别的数据集，包含了学生在课堂上的视频和音频数据。 2. EDUB-Seg - 这个数据集包含了来自不同教室的多模态传感器数据，用于分析学生的注意力、参与度和情绪状态。 3. GazeCapture - 这是一个用于研究眼动追踪技术的数据集，其中包含了学生在课堂环境中的眼动数据。 4. EMOTIC - 这个数据集包含了来自不同场景的图像和文本，用于情感分析和行为识别。 5. UTD-MHAD - 这是一个基于惯性传感器的数据集，用于分析人体动作和姿势，在教育领域可以应用于课堂行为识别。 这些数据集可以帮助研究人员和开发人员开发出更准确和智能的课堂行为识别系统。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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