课堂行为识别与学情分析系统（EduBot · YOLOv8 + 自研行为分类模型）产品系统

面向高校与职业院校的课堂学情管理场景。传统课堂巡查依赖人工听课记录，教师难以在授课过程中同步掌握全班的抬头率、低头率、使用手机、趴桌、交谈等行为分布，教学督导也缺少可回溯的量化数据。本项目立项旨在用计算机视觉把课堂行为采集与学情统计自动化，为任课教师和教学管理部门提供客观、可追溯的课堂状态数据，降低人工巡课成本，并为教学评价提供数据支撑。

系统包含五大模块：一、实时行为识别，基于 YOLOv8 完成教室画面中的学生与教师目标检测，再调用 5 个自研行为分类模型分别判定抬头、站立、使用手机、趴桌、交谈；二、课堂看板，按座位与时间轴展示行为分布、抬头率与异常行为占比；三、学情统计，按班级、课程、时间段汇总行为数据并生成趋势对比；四、教学辅助，支持 PPTX 一键转思维导图、教案与练习题生成（含答案、可保存）、英文内容翻译解析，接入通义千问与紫东太初；五、系统管理，基于 JWT 的登录鉴权、基于 bcrypt 的密码存储，以及班级、课程与用户权限管理。

我担任全栈开发与 AI 模型开发负责人，独立完成数据采集与标注、模型训练与调优、Flask 后端接口、前端页面开发和服务器部署。技术栈为 Python + PyTorch 2.5.1 + torchvision 0.20.1（CUDA 12.4）+ ultralytics 8.3.99（YOLOv8n）+ OpenCV 4.11 + Flask 3.1 + SQLAlchemy 2.0 + MySQL + LangChain 0.3.24 + OpenAI SDK 1.78。数据集为约 9000 张教室学生与教师图像，按 3:1 划分训练集与验证集。实现上先用目标检测锁定人物区域，再用轻量分类模型做行为判定，兼顾精度与推理速度；部署在本地服务器并通过内网穿透对外提供访问，用 Nginx 做反向代理，后续迁移到 ThinkPad E15 Gen4 上完成 CPU 推理验证。前端已在 Gitee 以 MIT 协议开源，可直接查看代码。