devbox
不正经
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

助力打造智慧数字课堂，基于YOLOv5全系列【n/s/m/l/x】不同参数量级模型开发构建教学课堂场景下学生课堂行为检测识别分析系统_yolo学生课堂行为检测模型的国内外现状

作者：不正经 | 2024-05-29 13:00:22

赞

踩

yolo学生课堂行为检测模型的国内外现状

近年来，随着行为检测技术的发展，分析学生在课堂视频中的行为，以获取他们的课堂状态和学习表现信息已经成为可能。这项技术对学校的教师、管理人员、学生和家长都非常重要。使用深度学习方法自动检测学生的课堂行为是分析学生课堂表现和提高教学效果的一种很有前途的方法。在传统的教学模式中，教师很难及时有效地关注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。加之课堂时间有效提问式的交互方式难以覆盖到所有人群，传统的应试教育模式通过考试来检查学生知识掌握的程度往往具有滞后性和低效性。除此之外，学生家长只有通过与老师和学生的交流才能了解孩子的学习情况。而这些反馈相对具有主观性，学习本身是一个需要自发性主动性去参与的过程，但是在青春的年纪很多学习之外的诱惑或者是注意力不集中等因素会导致学生在课堂的参与度不高，如何通过教学过程中的及时反馈响应来聚焦课堂注意力提高教学效率成为了最核心的问题，我们不是教育专家，我们只是喜欢探讨如何将技术与现实生活场景相结合，本文的核心思想就是想要探索利用目标检测模型来检测分析学生的行为，分析他们的学习状态和表现，对于出现的异常行为进行响应或者是记录，为教育教学提供更全面、准确的反馈，通过对课堂行为数据的分析进而有效地纠正低效的课堂行为，从而提高学习成绩。

本文主要是选择最新的YOLOv5来开发实现检测模型，我们开发了五款不同参数量级的模型用于整体对比分析，首先看下实例效果：

简单看下实例数据情况：

如果对如何基于YOLOv5开发构建自己的目标检测应用的话可以参考我前面的超详细教程：

《基于自建数据集【海底生物检测】使用YOLOv5-v6.1/2版本构建目标检测模型超详细教程》

这里就不再展开介绍了，接下来看下训练数据配置文件内容：

  1. # Dataset
  2. path: ./dataset
  3. train:
  4.   - images/train
  5. val:
  6.   - images/test
  7. test:
  8.   - images/test
  9.  
  10.  
  11.  
  12. # Classes
  13. names:
  14.   0: handRaising
  15.   1: reading
  16.   2: writing
  17.   3: usingPhone
  18.   4: bowingHead
  19.   5: learningOverTable

YOLOv5可以说是集大成者，在我看来占据了目标检测任务半壁江山的位置。

YOLOv5是一种快速、准确的目标检测模型，由Glen Darby于2020年提出。相较于前两代模型，YOLOv5集成了众多的tricks达到了性能的SOTA：
yolov5主要分为以下几部分：
Input
Backbone
Neck
Head
Input部分主要是集成了强有力的自动化数据处理和数据增强技术，可以自动padding原图自动计算最优anchor设定，采用了Mosaic数据增强融合了CutMix数据增强的方法，Mosaic数据增强由原来的两张图像提高到四张图像进行拼接，并对图像进行随机缩放，随机裁剪和随机排列。使用数据增强可以改善数据集中，小、中、大目标数据不均衡的问题，在源头端创造了足够广泛、丰富有代表性的数据集，在模型训练过程中可以降低对GPU资源的消耗量，因为随机增强技术的加持对于不同尺寸的目标或者是不均衡类别目标的检测识别能力都有所提升。
Backbone部分主要包含：Conv、C3、SPFF，Conv卷积层由卷积，Batch Normalization和SiLu激活层组成。batch normalization具有防止过拟合，加速收敛的作用。C3包含了3个标准卷积层，数量由配置文件yaml的n和depth_multiple参数乘积决定，经历过残差输出后去掉了卷积模块，激活函数换成了SiLU。
Neck部分主要是SPPF和PAN，SPPF(Spatial Pyramid Pooling - Fast )改进了原始的SPP模块,使用3个5×5的最大池化，代替原来的5×5、9×9、13×13最大池化，多个小尺寸池化核级联代替SPP模块中单个大尺寸池化核，从而在保留原有功能，即融合不同感受野的特征图，丰富特征图的表达能力的情况下，进一步提高了运行速度。PANet改进了FPN模块，在FPN的基础上又引入了一个自底向上(Bottom-up)的路径。经过自顶向下(Top-down)的特征融合后，再进行自底向上(Bottom-up)的特征融合，这样底层的位置信息也能够传递到深层，从而增强多个尺度上的定位能力。
Head部分主要用于检测目标，分别输出20*20，40*40和80*80的特征图大小，对应的是32*32，16*16和8*8像素的目标。

实验截止目前，本文将YOLOv5系列五款不同参数量级的模型均进行了开发评测，接下来依次看下模型详情：

【yolov5n】

  1. # YOLOv5 
    声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/不正经/article/detail/642240
    推荐阅读
    相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。