基于深度学习与摄像头的坐姿检测系统设计与实现

简介：一份基于深度学习的智能坐姿检测系统完整项目，适合课程设计、期末大作业或毕业设计场景。项目通过摄像头或图像输入，利用姿态估计与分类模型实时判断人体坐姿是否规范，可扩展至学习提醒、健康监测等应用。压缩包内共15个文件，主要包括Python源码、训练数据、模型权重和音频文件：其中多个py文件分别负责数据预处理、模型训练、姿态检测主流程和简单演示界面，“.pth”为预训练模型，data目录存放标注数据，mp3可用于不良坐姿语音提醒。整体资源包仅48KB，结构紧凑，便于快速部署与二次开发。当前已有1059人学习浏览。项目经严格调试，下载后按说明配置环境即可直接运行，尤其适合需要快速搭建完整方案、深入理解深度学习落地的初学者或毕业生参考。

1. 为什么坐姿检测要选深度学习加摄像头

以前做坐姿提醒，直觉反应是上硬件：压力坐垫、毫米波雷达、带传感器的椅子，一套做下来成本几百，还要考虑供电和蓝牙连接。换个思路，用普通 USB 摄像头加深度学习模型，把画面里的人对应到“坐姿好不好”这个判断上，整套代码加数据集、训练好的权重一起跑通，成本就剩一台电脑。这个项目就是这种实现：PyTorch 训练出网络权重 net.pth，Core 目录下的 dataSet.py、process.py、pose.py 等模块完成读帧、预处理、推理、音频提醒的完整闭环，附训练集数据目录。适合三类人：做毕业设计需要完整落地链路的学生，想在公司内部做久坐提醒原型的工程师，以及研究姿态估计想找可对照基线的人。

2. 训练数据怎么组织：dataSet.py 与 process.py 的前置工作

2.1 Data/Train 的目录结构与标签方式

解压后 Data/Train 目录下是按类别划分的子文件夹，每个子文件夹名就是标签，里面放对应坐姿类别的图片。这种组织方式在图像分类项目里最常见，PyTorch 的torchvision.datasets.ImageFolder可以直接读，但项目里自己写了 dataSet.py，说明训练时还做了定制逻辑，比如按 8:2 切训练集和验证集，或者对样本做加权采样。

标签建议控制在 3 到 5 类：good、forward、lean_left、lean_right、slouch。类别太少模型学不到区分度，类别太多标注成本和误判率都会上升。我在类似项目里见过有人把类别拆成 8 类，训练集只有几百张，结果验证集准确率上不去，这种问题多半出在类别粒度而不是模型结构上。dataSet_test.py对应测试集评估入口，如果测试图片是单张拷进来的，路径写错会报 FileNotFoundError，注意看异常信息里是文件名还是目录名。

2.2 dataSet.py 里自定义 Dataset 的关键实现

dataSet.py 的核心是继承torch.utils.data.Dataset，重写__len__和__getitem__。常见做法是扫描目录，把每个样本的路径和整数标签存成列表，__getitem__里用 Pillow 或 OpenCV 读图，再套 transform。参考骨架如下：

import os import torch from torch.utils.data import Dataset from PIL import Image class PostureDataset(Dataset): def __init__(self, root, label_map, transform=None): self.samples = [] self.transform = transform for label_name in os.listdir(root): label_dir = os.path.join(root, label_name) if not os.path.isdir(label_dir): continue label = label_map[label_name] for img_name in os.listdir(label_dir): img_path = os.path.join(label_dir, img_name) self.samples.append((img_path, label)) def __len__(self): return len(self.samples) def __getitem__(self, idx): img_path, label = self.samples[idx] img = Image.open(img_path).convert("RGB") if self.transform: img = self.transform(img) return img, torch.tensor(label, dtype=torch.long)

代码逻辑：__init__里把目录名映射成整数标签，__getitem__返回的是(tensor图片, tensor标签)而不是(路径, 标签)，这样 DataLoader 才能直接 batching。label_map 建议写成{"good": 0, "forward": 1, ...}而不是用os.listdir的顺序自动编号，原因在于推理端（比如 simple_demo.py）也要用同一份映射，顺序一致才不会出现“训练准确率 95%，一跑摄像头全乱判”的情况。

提示：如果图片命名带中文或空格，Windows 下用Image.open可能报 UnicodeDecodeError。统一改成img_0001.jpg这类命名能省掉很多麻烦。

2.3 process.py 预处理流水线与参数

process.py 在训练和推理两条链路里都要用到。训练链路里，它是 transform 工厂；推理链路里，它把摄像头帧转成模型输入。两处共用一份预处理逻辑，避免出现 train loss 很低、摄像头推理却一塌糊涂的经典坑。

import cv2 import torch from torchvision import transforms IMG_SIZE = 224 NORMALIZE_MEAN = [0.485, 0.456, 0.406] NORMALIZE_STD = [0.229, 0.224, 0.225] def build_train_transform(): return transforms.Compose([ transforms.Resize((IMG_SIZE, IMG_SIZE)), transforms.RandomHorizontalFlip(), transforms.ColorJitter(brightness=0.2, contrast=0.2), transforms.ToTensor(), transforms.Normalize(NORMALIZE_MEAN, NORMALIZE_STD), ]) def build_infer_transform(): return transforms.Compose([ transforms.Resize((IMG_SIZE, IMG_SIZE)), transforms.ToTensor(), transforms.Normalize(NORMALIZE_MEAN, NORMALIZE_STD), ]) def preprocess_frame(frame_bgr): rgb = cv2.cvtColor(frame_bgr, cv2.COLOR_BGR2RGB) # numpy(H,W,C) 转 PIL 再走统一 transform pil_img = Image.fromarray(rgb) tensor = build_infer_transform()(pil_img) return tensor.unsqueeze(0) # (1,3,224,224)

参数说明：IMG_SIZE取 224，是因为 backbone 用 ResNet 系列时最后是 7x7 或 1x1 池化，224 是约定输入尺寸；如果你换成 EfficientNet，224 也兼容。归一化的 mean/std 用的是 ImageNet 统计值，因为加载预训练权重时模型假设输入服从这个分布。preprocess_frame里unsqueeze(0)补了 batch 维，推理时不用再手动 reshape。

2.4 数据增强怎么选和样本均衡怎么处理

坐姿检测的增强策略跟通用分类不完全一样。垂直翻转不能用，上下翻转后“人坐在椅子上”的语义直接崩掉；随机裁剪也不宜太狠，裁剪过头会把头部和肩部裁掉，模型学的特征是残肢而不是坐姿。表格里是我常用的一组配置：

样本不均衡在坐姿项目里很常见：good 类好拍，forward 和 slouch 类样本少。处理办法是给 DataLoader 传WeightedRandomSampler，权重按类别样本数的倒数算。我一般会把 logits 输出维度跟len(label_map)保持一致，然后在代码里打印每个 epoch 的类别准确率，而不是只看整体 acc，这样能发现“good 类 98%，forward 类 40%”的偏科问题。

3. 训练脚本与权重产出：train.py 的超参数设计和 net.pth 生成

3.1 模型选型：ResNet 还是轻量 CNN

训练阶段用 torchvision 提供的预训练 ResNet18 是比较稳妥的起步方案。坐姿图像和 ImageNet 的分布差距不算大，预训练权重能显著加快收敛，几十个 epoch 就能达到可用水平。如果部署机器没有 GPU，可以把pretrained=True改成False，或者换 MobileNetV3 这种轻量结构，代价是收敛速度变慢。素材里 Model 目录只有一个 net.pth，说明训练脚本把state_dict存成了单文件，加载时得配合模型结构定义才能用，这一点在第 4 章会展开说。

如果以后想从“分类整张图”升级到“框出人体再判断”，可以迁移到目标检测模型。参考 yolov8 训练自己数据集的流程，把标注从目录分类改成检测框格式，本质上就是把任务从图像分类换成目标分类，但训练脚本、推理链路都要重写，不建议毕设初期就上检测方案。

3.2 超参数表与典型取值

这些参数在 train.py 里一般是集中定义在文件顶部或一个 config dict 里。做课设时不要在代码里散落魔法数字，验收答辩时被问到“这个 15 是什么意思”会很狼狈，统一收口在超参数区是基本习惯。

3.3 train.py 训练骨架

下面是一段精简过的训练主循环，保留关键逻辑：

import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import models device = torch.device("cuda" if torch.cuda.is_available() else "cpu") num_classes = 5 model = models.resnet18(pretrained=True) model.fc = nn.Linear(model.fc.in_features, num_classes) model = model.to(device) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=2) val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=2) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3, weight_decay=1e-4) scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=15, gamma=0.5) for epoch in range(50): model.train() running_loss = 0.0 for images, labels in train_loader: images = images.to(device) labels = labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() * images.size(0) scheduler.step() model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in val_loader: images = images.to(device) labels = labels.to(device) outputs = model(images) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() val_acc = correct / total print(f"epoch={epoch+1} loss={running_loss/len(train_loader.dataset):.4f} val_acc={val_acc:.4f}") # 保存 state_dict，文件名对应 Model/net.pth torch.save(model.state_dict(), "Model/net.pth")

逻辑说明：model.fc被替换成输出num_classes个类别的全连接层，这是迁移学习最常用的改法；optimizer.zero_grad()每组 batch 清一次梯度，loss.backward()反向传播，optimizer.step()更新权重，这个三步顺序不能乱。model.eval()和torch.no_grad()在验证时必须成对出现，否则 BN 和 Dropout 会沿用训练行为，val_acc 会虚高。保存权重用state_dict()而不是整个 model，文件更小，加载时也更灵活。

3.4 训练监控与 net.pth 保存的坑

训练日志里的 loss 下降速度和 val_acc 曲线要一起看。如果 train loss 持续下降、val_acc 徘徊不动，优先怀疑过拟合，可以加数据增强强度或增大 weight_decay；如果 val_acc 最近几个 epoch 一直在震荡，先观察到尾，不要急着调参。项目里 dataSet_test.py 对应测试集评估，训练完在这个脚本上跑一遍再发布权重，我一般会确认测试集 acc 不低于验证集 acc 的 3% 以内，差距大了说明某个子集有数据泄漏或者分布不一致。

保存 net.pth 时有个细节：如果后面想把模型换回完整 checkpoint，建议存成 dict：

torch.save({ "arch": "resnet18", "state_dict": model.state_dict(), "label_map": label_map, }, "Model/net.pth")

这样加载时可以先用arch重建结构，再载入权重。如果直接保存state_dict，加载的人必须知道模型的类名和fc替换方式，否则报unexpected key(s)是必然的。素材里的 net.pth 我估计走的是第一种省事路线，所以 main.py 里module.py一定写死了 resnet18 和fc输出维度，改网络结构时记得同步改 module.py。

4. 从摄像头到声音提醒：main.py、pose.py 与 Audio 的完整链路

4.1 各模块职责边界

这个分层的好处是每一层都能单独替换。比如把 module.py 里的 ResNet18 换成 MobileNetV3，只要输入输出 shape 不变，其他模块不用动；pose.py 里如果发现角度阈值不准，也只改一个文件。

4.2 主循环数据流与代码

main.py 的主循环典型实现如下，里面关键的是用cv2.VideoCapture拿摄像头帧，经过预处理和 forward 后交给 pose.py 判读：

import cv2 import torch import time from Core.module import load_model from Core.process import preprocess_frame from Core.pose import judge_posture from Core.view import draw_result from Core.audio import play_alert model = load_model("Model/net.pth") model.eval() cap = cv2.VideoCapture(0) # 0 表示默认摄像头 bad_frames = 0 last_alert_time = 0.0 ALERT_COOLDOWN = 30 # 秒 while True: ret, frame = cap.read() if not ret: break input_tensor = preprocess_frame(frame).cuda() # 无 GPU 时去掉 .cuda() with torch.no_grad(): logits = model(input_tensor) posture = judge_posture(logits) # 返回 good / forward / lean_left / ... # 连续帧判断 + 冷却时间，避免频繁播报 if posture != "good": bad_frames += 1 else: bad_frames = 0 if bad_frames >= 15 and (time.time() - last_alert_time) > ALERT_COOLDOWN: play_alert("Audio/audio.mp3") last_alert_time = time.time() show_frame = draw_result(frame, posture) cv2.imshow("Posture Monitor", show_frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()

逻辑说明：bad_frames起到时序平滑作用，防止单帧误检导致播报乱响。ALERT_COOLDOWN设定两次提醒的最小间隔，这个参数在真实办公场景中很关键，否则一整天下来的提醒次数会让人直接把程序关掉。

4.3 pose.py 的坐姿几何判断是怎么回事

如果模型输出的是类别，pose.py 直接查表映射就行；如果模型输出的是人体关键点坐标，pose.py 就要算角度。项目里单独把 pose.py 拎出来，说明它至少承担了“从模型输出到可解释坐姿标签”的转换。常见做法是用左右肩和头部三个关键点做几何判断：

import math def angle_between_points(a, b): """返回 ab 连线与水平线的夹角，单位度""" dx = b[0] - a[0] dy = b[1] - a[1] if dx == 0: return 90.0 return math.degrees(math.atan2(abs(dy), abs(dx))) def judge_posture_from_keypoints(left_shoulder, right_shoulder, nose): shoulder_angle = angle_between_points(left_shoulder, right_shoulder) # 肩线倾角大于阈值则认为左右歪斜 if shoulder_angle > 15: if left_shoulder[1] < right_shoulder[1]: return "lean_left" return "lean_right" # 鼻子在左右肩连线垂直投影上的偏移比例 shoulder_width = abs(right_shoulder[0] - left_shoulder[0]) + 1e-6 offset_ratio = abs(nose[0] - (left_shoulder[0] + right_shoulder[0]) / 2) / shoulder_width if offset_ratio > 0.25: return "forward_or_slouch" return "good"

参数说明：15 度和 0.25 不是拍脑袋定的，我一般会先采集用户保持正确坐姿 10 秒，把肩线倾角和偏移比做平均，分别得到正常值，再以正常值加减两倍标准差作为阈值写入配置文件。不同身高、不同摄像头安装高度的用户，这套几何参数差异非常大，固定阈值只能保证 demo 可用，距离产品化还差一个标定环节。

4.4 Audio 音频模块的触发与防打扰

audio.mp3 的播放如果自己用 winsound 实现，只能在 Windows 跑；跨平台用 pygame 或 pyaudio 更稳。pygame 的 mixer 初始化开销不小，不要在每次提醒时都重新 init，应该在 main.py 启动时初始化一次。

import pygame _pygame_inited = False def play_alert(audio_path): global _pygame_inited if not _pygame_inited: pygame.mixer.init() _pygame_inited = True pygame.mixer.music.load(audio_path) pygame.mixer.music.play()

提示：pygame 播放完立刻 load 同一文件没问题，但如果在音乐还没播完时再次调用，会直接切断前一次播放。配合 main.py 里的bad_frames >= 15和 30 秒冷却，这个情况基本不会出现。无头服务器上没有音频设备，pygame.mixer.init()会抛异常，建议用 try/except 包一层，失败时降级成打印日志。

5. simple_demo.py 快速验证与排错技巧

5.1 simple_demo.py 在部署链路里的位置

simple_demo.py 的作用是脱离摄像头和 GUI 跑推理。它的输入可以是一张图片或一段视频文件，运行完直接退出，不进入主循环，这样在做环境验证时非常方便。推荐调用方式是命令带参数，而不是改代码：

python simple_demo.py --input test.jpg python simple_demo.py --input bad_case.mp4

在服务器这种无桌面环境里，main.py 的cv2.imshow会直接报错，simple_demo.py 反而是主力验证入口，我一般先跑通它再回去查摄像头问题。它也承担回归测试的角色：把之前误判的图片攒成一个目录，每次改完模型或改完阈值，全量跑一遍，数一下误判数有没有变多。

5.2 最常见的五个运行问题定位

5.3 把双阈值和告警渠道改成可配置

坐姿检测这类项目，交付后用户一定会有“提醒太频繁”“我在喝水也算前倾”这类反馈。改代码不是解决办法，把阈值和提醒间隔全部搬进一个 JSON 配置文件，才算真正收尾。下面是可以直接用的结构：

import json with open("config.json", "r", encoding="utf-8") as f: cfg = json.load(f) THRESHOLD_ANGLE = cfg["pose"]["shoulder_angle_deg"] THRESHOLD_OFFSET = cfg["pose"]["head_offset_ratio"] ALERT_COOLDOWN = cfg["alert"]["cooldown_sec"]

对应 config.json 里是{"pose": {"shoulder_angle_deg": 15, "head_offset_ratio": 0.25}, "alert": {"cooldown_sec": 30}}。改动阈值后重启进程即可，不用动一行 Python 代码。在此基础上再做一步：play_alert里除了播 audio.mp3，同时调用一个 webhook 通知函数，把“什么时候检测到异常坐姿”推送到企业微信或钉钉机器人，就具备了给多台办公电脑做统一久坐监控的雏形。

本文还有配套的精品资源，点击获取