企业官网建设流程全解析

简介：这套基于YOLOv5目标检测的网课专注度检测系统，面向计算机相关专业毕业生与深度学习入门者，提供完整的Python源码、训练好的模型以及PyQt5图形界面，能够对网课学习状态进行实时分析，帮助识别专注程度与分心行为。压缩包共122个文件，整体大小约179.87MB，包含py/pyc源码、pt权重文件、onnx导出模型、yaml参数配置、界面相关ui文件、图标图像以及项目计划书和说明文档，人脸关键点检测数据与提示音频也一并打包，目录组织规整，便于按功能模块查阅。项目源自导师认可的高分毕业设计，评审分达99分，代码结构完整、依赖梳理清晰，基本可以达到直接运行或二次开发的程度。当前已有112人学习下载，特别适合需要快速搭建目标检测应用、熟悉YOLOv5与PyQt5集成流程的在校学生，也可作为课程设计或毕业答辩的参考方案。

1. 网课专注度检测不是玄学：YOLOv5+PyQt5技术栈为什么适合当毕设

网课专注度检测系统，听起来像玄学，拆开其实就两件事：用yolov5目标检测模型识别人脸、手机、低头状态，再用PyQt5把这些结果实时画到桌面窗口里。做这个方向的人诉求一般很直接——毕设要高分，又不想去啃冷门数据集。yolov5的成熟度能撑起整个检测链路，PyQt5又能补齐可视化工作量，两者拼起来，从摄像头取流到画框出报表，一个完整的功能闭环就出来了。适合零基础起步，也适合想两个月内跑通整套项目的同学。真正的风险点不在模型训练，而在界面线程和推理速度之间的配合——这篇文章就按我自己的排坑顺序来讲。

2. 先立目标再调模型：专注度怎么定义、YOLOv5用哪一版网络结构

2.1 专注度检测到底检测什么：三类标签设计与姿态判断逻辑

拿“专注度”这三个字去做目标检测，第一步不是选模型，而是把专注度变成一个能被标注框住的东西。检测模型只能输出“这里有什么、在哪个位置”，它不能直接告诉你“这个学生有没有在听”。所以常见做法是做一个中间层：给页面上的状态打标签，再用标签组合去推导专注度。

我一般会这样定义标签体系。第一类是“人”，完整检测学生躯干或头部，用于确认是否出现在摄像头范围里。第二类是“手机”，用于判断是否在低头玩手机。第三类可以加“书本/笔记”作为专注状态的正向证据。检测层的输出只是坐标框，真正计算专注度靠的是后续的状态机逻辑——比如检测到人但长时间检测不到手机，判定为专注；人离开了画面或手机框持续出现，判定为分心。

# focus_status.py：把检测结果转成专注度状态机的伪代码 class FocusState: def __init__(self, absent_frames=15, phone_frames=30): self.absent_frames = absent_frames self.phone_frames = phone_frames self.absent_count = 0 self.phone_count = 0 def update(self, detections, img_h, img_w): has_person = any(d.cls == 0 for d in detections) # 假设0类是人 has_phone = any(d.cls == 1 for d in detections) # 假设1类是手机 self.absent_count = self.absent_count + 1 if not has_person else 0 self.phone_count = self.phone_count + 1 if has_phone and has_person else 0 if self.absent_count > self.absent_frames: return "absent" # 人离开画面 if self.phone_count > self.phone_frames: return "distracted" # 长时间玩手机 return "focused"

这段代码说明了专注度系统的核心：模型只负责“有什么”，状态机负责“发生了什么”。absent_frames和phone_frames要按视频帧率调，比如25fps的采集源，15帧就是0.6秒，太灵敏会导致误报。这里的detections是模型后处理完的结果数组，每个元素带cls和坐标框。

2.2 YOLOv5网络结构选型：s模型还是m模型，以及C3模块和检测头

yolov5有n/s/m/l/x几个尺寸，毕设场景我最推荐s或m。s模型参数最少，在CPU上也能勉强跑到每秒十几帧；m模型精度高一点，但需要一块显存不低于4GB的显卡。至于网络结构里具体的东西：Backbone的C3模块负责提取特征，Neck的FPN+PAN结构把多层特征融合，Head的三个检测头分别在80x80、40x40、20x20特征图上输出小目标、中目标和大目标。

专注度检测场景里，手机通常是画面里较小的目标，所以关键在小目标那一层。如果训练时发现手机经常漏检，优先看80x80这个检测头的loss是不是偏高。选型上还有个容易被忽略的细节：直接下载官方COCO预训练权重，里面本来就有person类和cell phone类，所以迁移学习的起点非常好。如果自己从头训练，小目标收敛会慢得多。

2.3 推理后处理：置信度阈值、NMS与专注度状态机之间的衔接

模型输出的是原始张量，必须经过后处理才能变成上面状态机能用的detections。后处理主要做两件事：按置信度阈值过滤掉低质量框，再做NMS去除重叠框。yolov5仓库里的non_max_suppression函数参数很关键，conf_thres我习惯设为0.25，iou_thres设为0.45，这两个值要在误报和漏检之间找平衡。

置信度阈值设太低，比如0.1，画面里会出现大量“幽灵框”，手机检测的误报会直接污染专注度状态机；设太高，比如0.6，手机小目标很容易被过滤掉。一个可靠的做法是先拿测试视频跑一遍，把检测框的可视化打开，看哪些框是错检，哪些框是漏检，再回头调阈值。后处理还有个性能细节：可以用half=True开启FP16推理，但CPU上不要开，有些老CPU的FP16指令集不全，推理反而变慢。

3. 把训练跑通：数据集处理、训练命令与3个必调超参数

3.1 VOC转YOLO格式：转换脚本与四个边界坑

无论是自己标注还是找公开数据集，最常见的是VOC格式的XML标注，而yolov5训练要的是YOLO格式的TXT，每行“类别ID 归一化中心x 归一化中心y 归一化宽 归一化高”。转换脚本需要遍历JPEGImages里的每张图，把XML里的坐标换算成归一化值，然后按同样的文件名写入labels目录。

# voc2yolo.py：VOC XML标注转YOLO TXT格式 import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, out_dir, class_names): tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find("size/width").text) img_h = int(root.find("size/height").text) lines = [] for obj in root.iter("object"): cls_name = obj.find("name").text if cls_name not in class_names: continue cls_id = class_names.index(cls_name) bndbox = obj.find("bndbox") x1 = float(bndbox.find("xmin").text) y1 = float(bndbox.find("ymin").text) x2 = float(bndbox.find("xmax").text) y2 = float(bndbox.find("ymax").text) # 边界框裁剪，避免归一化后坐标超出0~1 x1 = max(0, min(x1, img_w)) y1 = max(0, min(y1, img_h)) x2 = max(0, min(x2, img_w)) y2 = max(0, min(y2, img_h)) cx = ((x1 + x2) / 2) / img_w cy = ((y1 + y2) / 2) / img_h bw = (x2 - x1) / img_w bh = (y2 - y1) / img_h lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") out_path = os.path.join(out_dir, os.path.basename(xml_path).replace(".xml", ".txt")) with open(out_path, "w") as f: f.write("\n".join(lines)) class_names = ["person", "phone"] # 与data.yaml里的nc顺序必须一致

这里有个典型的坑：类别的顺序不能换。假如class_names是["phone", "person"]，但训练配置里data.yaml写的是["person", "phone"]，模型会一直把手机当成人来学，训练出来的loss低但实际检测完全错乱。第二个坑是边界框坐标超出图像范围，如果标注框紧贴图片边缘，坐标可能在图像外面，需要像我上面那样用max/min裁剪之后再归一化。第三个坑是数据集图片和标签文件名要完全一致，大小写都不能差。第四个坑是转换后一定要随机抽几张图，把框画回去看一眼，这一步能发现坐标横纵颠倒、除以的是宽度而不是高度这类低级错误。

3.2 训练命令与超参数：epochs、batch-size、imgsz怎么定

转换完数据之后，按yolov5的标准目录摆放数据集，然后直接跑训练脚本。目录结构是datasets/attention/images/train、datasets/attention/images/val，标签目录对应labels/train和labels/val，再写一个data.yaml声明路径、类别数量和类别名。

# 在yolov5仓库根目录下执行 python train.py \ --data datasets/attention/data.yaml \ --weights yolov5s.pt \ --epochs 100 \ --batch-size 16 \ --imgsz 640 \ --device 0 \ --workers 4 \ --project runs/attention

这条命令的意思是：加载预训练的yolov5s.pt作为初始权重，训练100轮，每批16张图，输入分辨率640x640。前三个超参数我按重要程度排：epochs不要太少，50轮以下模型可能还没收敛，但也不是越多越好，100轮之后观察val/box_loss和val/cls_loss，连续10轮不再下降就可以停了；batch-size取决于显存，6GB显存跑s模型可以设16，跑m模型降到8；imgsz建议就640，想提升小目标精度可以试1280，但训练时间会翻倍，且PyQt5推理端也要跟着改成1280，否则精度直接打折。

训练过程中我习惯看三个指标：val/box_loss、val/cls_loss和mAP@0.5。这三个都在TensorBoard里，训练结束也可以打开runs/attention/exp/results.csv看指标。初期如果mAP@0.5一直上不去，先检查转换脚本输出的TXT文件里有没有空文件——空标签文件会导致训练时该图被跳过，数量多了等于白训。

3.3 评估与导出：val.py看指标，导出TorchScript方便PyQt加载

训练结束后要做评估，yolov5自带的val.py会输出每个类别的精确率、召回率和mAP。专注度场景里要特别看重手机的召回率，因为手机漏检直接导致分心状态判断失效。评估完导出模型，PyQt5界面端加载建议用TorchScript格式，这样推理代码不依赖yolov5仓库的Python环境，部署时干净很多。

# 先用val.py评估 python val.py --data datasets/attention/data.yaml --weights runs/attention/exp/weights/best.pt --imgsz 640 # 导出TorchScript，供PyQt5项目加载 python export.py --weights runs/attention/exp/weights/best.pt --include torchscript --imgsz 640

导出之后会得到best.torchscript文件，PyQt5端直接torch.jit.load加载，不需要再实例化Detect模块，也绕开了模型版本对不上的问题。这里有个经验：导出前确认Pixel和标注用的类别顺序一致，export.py不会帮你重新映射类别。

4. PyQt5界面集成：实时检测线程与信号槽的落地写法

4.1 界面结构与线程划分：为什么推理必须丢进QThread

PyQt5界面集成的第一个关键决策，是把视频推理放进子线程。很多翻车案例都是把cv2.VideoCapture.read()和模型推理写在主窗口的事件循环里，结果画面一卡，窗口直接提示“未响应”，再严重点直接闪退。原因是推理是同步阻塞操作，一帧推理耗时可能达到50到100毫秒，阻塞期间界面无法刷新。

正确结构是三个线程：主线程只跑Qt事件循环，负责创建窗口、响应用户点击；QThread子线程里跑视频循环，取帧、推理、回传结果；如果要做统计报表，统计计算丢到第三个线程，避免和推理抢GIL。一个线程里的耗时操作越少，界面越流畅。

4.2 视频流循环与信号回传：核心代码与参数说明

QThread和界面通信靠信号槽。子线程检测到一帧就发一个信号，信号携带检测框、类别、置信度和当前画面的帧数据，主线程收到信号后重绘界面。信号里传numpy数组没问题，PyQt5的pyqtSignal支持object类型。

# detect_thread.py：PyQt5推理线程的骨架 import cv2 import torch import numpy as np from PyQt5.QtCore import QThread, pyqtSignal class DetectThread(QThread): frame_ready = pyqtSignal(object, object, int) # 帧数据、检测结果、状态 def __init__(self, model_path, source=0, conf_thres=0.25): super().__init__() self.model = torch.jit.load(model_path, map_location="cpu") self.model.eval() self.cap = cv2.VideoCapture(source) self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720) self.running = True def run(self): while self.running: ret, frame = self.cap.read() if not ret: break rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) img = torch.from_numpy(rgb).permute(2, 0, 1).float().div(255) img = img.unsqueeze(0) with torch.no_grad(): results = self.model(img) # 这里做后处理、NMS，得到boxes和labels self.frame_ready.emit(frame, (boxes, labels, scores), state) self.cap.release() def stop(self): self.running = False self.wait()

这段代码的重点是信号定义和跑循环的方式。frame_ready信号每次带三个参数，主线程槽函数接收后把它们画到QLabel上。source可以是摄像头索引，也可以是视频文件路径，调试期间建议先拿视频文件测，摄像头打不开的情况排查起来更花时间。torch.jit.load出来的模型推理不需要torch.no_grad，但保险起见还是加上，它同时能减少内存占用。

4.3 画框与状态显示：QLabel实时刷新、表格记录与截图保存

主线程拿到检测结果后的处理逻辑，通常是把整帧画面转成QImage，再画上检测框和状态文字，最后设置到QLabel上。画框用QPainter完成，注意坐标换算——模型输入是640x640，但摄像头采集是1280x720，检测框坐标必须按比例映射回去。

# main_window.py：主线程里的绘制逻辑 def update_frame(self, frame, detections, state): rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, _ = rgb.shape for box, label, score in zip(*detections): x1, y1, x2, y2 = [int(v) for v in box] # 坐标从640分辨率映射到原图分辨率 x1 = int(x1 * w / 640) y1 = int(y1 * h / 640) x2 = int(x2 * w / 640) y2 = int(y2 * h / 640) cv2.rectangle(rgb, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(rgb, f"{label} {score:.2f}", (x1, y1 - 6), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) qimg = QImage(rgb.data, rgb.shape[1], rgb.shape[0], QImage.Format_RGB888) self.video_label.setPixmap(QPixmap.fromImage(qimg)) self.status_label.setText(f"当前状态: {state}")

坐标映射这一步特别重要，不映射的话，框会偏到画面的左上角小区域。检测结果的展示不要只放一个画面，还要有状态标签和时间线记录。每次状态切换时记录时间点，之后做专注度报表就有基础数据了。

5. YOLOv5+PyQt5常见坑：卡顿、闪退、检测不到目标的排查

5.1 界面卡死、无响应

现象：点击开始检测后，窗口标题栏出现“未响应”，几秒后恢复，或者直接崩掉。 原因：推理代码和画面刷新都写在主线程里，一帧推理50毫秒以上，Qt事件循环被阻塞，系统判定窗口失去响应。 解决：把所有cap.read()和模型推理挪到QThread的run()里，主线程只做信号接收和绘制。还要注意子线程里不要创建任何QWidget，Qt的UI操作必须留在主线程。

5.2 摄像头黑屏或打不开

现象：cv2.VideoCapture(0)返回False，或者打开后画面全黑。 原因：笔记本摄像头索引不是0；部分设备需要额外的后端参数；摄像头被其他程序占用。 解决：用cv2.VideoCapture(0, cv2.CAP_DSHOW)强制指定DirectShow后端，Windows下有效。写一个简单的摄像头枚举脚本，循环试索引0到5，找出能正常读到帧的索引。调试阶段用视频文件替代摄像头，先把链路跑通再换摄像头。

5.3 检测框全部为空或标签错乱

现象：加载训练好的模型后，画面上一个框都没有，或者把手机框成“person”。 原因：data.yaml里的类别顺序和训练时的class_names不一致；置信度阈值设得过高；输入图像的尺寸和训练时不一致。 解决：以训练时的data.yaml为准，重新检查voc2yolo.py里的类别列表。把conf_thres降到0.15试试，如果还是没框，打印模型输出 tensor 的形状，确认后处理代码是否匹配导出模型。

5.4 显存不足导致训练中断

现象：训练跑到第几个epoch直接报CUDA out of memory。 原因：batch-size设太大，或imgsz设了1280，显存被中间特征图占满。 解决：把batch-size从16降到8或4，同时--workers降到2，减少数据加载进程占用的内存。还可以在train.py里加--amp参数开启混合精度训练，能把显存占用砍掉一半左右，速度反而更快。

5.5 模型加载慢、启动时间长

现象：点击“开始检测”后，等了十几秒窗口才有反应。 原因：torch.jit.load后没有做warming up，首次推理时模型会执行初始化算子，耗时是正常推理的好几倍。 解决：加载完模型后，用一张全零的假图先推理一次，把算子触发开销消耗掉，再进入真正的视频循环。代码就一行：self.model(torch.zeros(1, 3, 640, 640))。

6. 让毕设更耐看：专注度打分与统计报表的最后一招

很多专注度检测毕设卡在“检测出来了，但不会量化”。如果你想让项目档次明显高于平均水平，加一个“专注度评分”模块——每秒钟根据状态机输出一个专注/分心/离开的判定，然后用滑动窗口算出一分钟内的专注度百分比，最后把整个网课时段的评分画成曲线，并导出CSV。这一块代码不多，但答辩时非常出效果。

# score.py：滑动窗口专注度打分 import csv import time from collections import deque class FocusMeter: def __init__(self, window_size=60, fps=25): self.window = deque(maxlen=window_size * fps) self.start_time = time.time() self.records = [] def add_frame(self, state): self.window.append(1 if state == "focused" else 0) def score(self): if len(self.window) < 30: return None return round(100 * sum(self.window) / len(self.window), 1) def save_csv(self, path): elapsed = time.time() - self.start_time with open(path, "w", newline="") as f: writer = csv.writer(f) writer.writerow(["time_sec", "focus_score"]) writer.writerow([round(elapsed, 1), self.score()])

这个模块的思路是把状态流变成一个0/1序列，再用队列做滑动窗口平均。窗口大小按分钟算，60秒窗口在25fps下就是1500帧，队列容量刚好够。保存CSV时建议每个评分周期存一行，不要只在退出时存一次，否则程序异常退出数据全丢。我自己的习惯是状态栏上同时显示“当前专注度”和“已检测时长”，曲线部分用pyqtgraph画，比matplotlib嵌Qt流畅得多。

最后再说一个血泪经验：demo演示前一定把摄像头驱动提前装好，现场装驱动是最容易翻车的环节。这套方案的真正价值在于它把目标检测、后处理、界面工程、数据统计串成了一条完整链路，你不需要在每个环节都做到极致，但每个环节都要能说出设计理由。希望帮到你，这比模型刷高那一个点的mAP值更有说服力。

本文还有配套的精品资源，点击获取