PyQt5与深度学习实战：智慧课堂专注度分析系统构建全解析

简介：基于PyQt5与深度学习的线下课堂学生专注度分析系统，以完整Python源码、设计文档及预训练模型打包形式呈现，重点面向计算机相关专业学生的毕业设计、课程设计及项目立项演示。项目代码经功能验证，可稳定运行，支持在此基础上二次开发扩展其他课堂行为分析功能。资源共含218个文件，涵盖88个py核心逻辑源码、9个ui界面文件、66个pyc编译缓存、模型配置与说明文档、图片与图标素材等，压缩包整体约17MB，结构清晰便于定位修改。当前已有150人浏览学习，适合具备一定Python基础、希望快速搭建智慧课堂分析原型或深入学习PyQt5与深度学习结合应用的开发者。压缩目录包含设计文档、界面截图、演示动图及模型文件，能够辅助理解专注度判定流程与系统模块划分，便于直接运行、调试并作为课设或毕设基础。

1. 智慧课堂专注度分析：这套 PyQt5 加深度学习的系统到底在解决什么问题

教室后排永远有几个学生不在状态：低头、趴着、眼神飘窗。老师不可能每时每刻扫到每个角落，等发现问题再提醒，注意力已经断了。智慧课堂里的专注度分析，做的就是让摄像头替老师盯人——用深度学习逐帧判断学生是看黑板、低头写字还是打盹聊天，再在 PyQt5 桌面上实时显示并统计成课堂专注度曲线。这套工程把源码、设计文档和模型一起打包，适合课程设计、毕业设计和想同时练 GUI、OpenCV、深度学习三块技能的开发者。接下来从架构拆起，讲清跑通步骤、判定逻辑和最容易被忽视的坑。

2. 先拆架构再动手：PyQt5 界面、深度学习模型和数据流三条线怎么串

很多人拿到这种 zip 压缩包的第一反应是解压、找 main.py、直接运行，结果要么报缺依赖，要么界面能开但摄像头黑屏。这里我建议先花半小时把架构看懂，再动手跑。理解下面三个问题，后面所有调试都有方向：桌面端为什么是 PyQt5、推理模型选什么、数据从摄像头到数据库怎么流转。

2.1 为什么桌面端选 PyQt5 而不是 Web 前端

线下课堂场景有三个硬需求：直接读本机摄像头、逐帧显示视频画面、打包成单机程序拿到答辩现场就能演示。如果换成 Web 方案，你得自己解决摄像头权限、推流、跨域、刷新延迟，这些工作量加在一起，比专注度模型本身还大。PyQt5 的优势恰恰集中在这些地方——OpenCV 读出来的 numpy 图像可以直接转成 Qt 的 QImage，不需要经过 HTTP 或 WebSocket 中转；QTimer 每几十毫秒触发一次读帧与刷新，天然匹配视频流；打包时用 PyInstaller 出一个 exe，演示机器上只要装了摄像头驱动就能跑。

从零开始接触 PyQt5 也不用慌，这个项目其实只用了四个核心类。QMainWindow 负责主窗口和布局容器，QLabel 负责显示一帧一帧的画面，QTimer 负责按固定间隔触发读帧，QThread 负责把耗时的模型推理从界面线程里挪走。这四个类掌握住，整个系统的界面部分就通了。我一般不建议开始就扑到 Qt Designer 里拖控件，先把一个带视频画面的白板窗口跑通，再回头加按钮和布局，这样定位问题快得多。至于 pyqt5 界面设计的具体美化，比如用 setStyleSheet 改背景色、给 QLabel 加边框，放到最后做，它不影响功能正确性。

还有一个容易被忽略的细节：OpenCV 读出来的是 BGR 顺序，而 Qt 显示用的是 RGB。很多新手把 cv2 的帧直接塞进 QImage，画面变成蓝蒙蒙一片，就是这个通道顺序没处理。常见的做法是cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)转换一次，或者直接用QImage.Format_BGR888格式跳过转换。后者少一次像素遍历，在高分辨率下能省一点 CPU，但可读性差一些，我通常选择先 cvtColor，代码更直观。

2.2 深度学习模型选型：CNN 分类还是姿态估计

专注度分析在学术界没有标准模型，这是整个项目里最像黑匣子的部分。你必须先想清楚一个问题：到底要分析单人还是多人？摄像头是近景拍一个学生，还是全景拍整个教室？这两个答案直接决定模型选型，也决定数据标注的工作量。

常见的做法有三条路线。第一条是轻量 CNN 图像分类：把每个学生的头部区域裁出来，直接分「专注 / 分心」两类。这条路线最简单，数据好标、训练快、推理快，课程设计完全够用。第二条是目标检测加分类级联：先用 YOLO 在整帧画面里检出所有人头，再对每个检测框做状态分类。它适合多人课堂，但工程链条长，要处理检测框抖动、目标编号、重叠遮挡，写起来最费劲。第三条是姿态估计：用 MoveNet、OpenPose 这类模型提取头颈关键点，计算低头角度、转头角度、趴桌置信度。判定维度最细，但关键点模型对图像分辨率要求高，教室全景画面里每个学生只占几十像素，效果往往不如第二条路线。

如果是课设或毕设，我给的建议是别一上来碰姿态估计。课堂场景里学生离摄像头远，人脸检测经常失败，但「头部 + 肩部」这么一块小图做分类，鲁棒性反而高。用 YOLO 先检出人头框，再把框略微外扩一点送入 CNN 分类器，这个组合是深度学习中比较稳的落地套路。模型格式上，OpenCV 的 DNN 模块支持直接加载 ONNX 文件，连 PyTorch 环境都不用装，这对 PyQt5 桌面程序的分发特别友好。你做 pyqt5 界面设计的同事或队友，只要装 opencv-python 就能跑推理，少一个深度学习框架的依赖，部署时少踩一半的坑。

标题里的模型下载解压后，第一件事是确认模型文件的扩展名和输入尺寸。ONNX 文件用net = cv2.dnn.readNetFromONNX(path)加载；PyTorch 的 .pt 文件得用torch.load加载，还要知道模型类别定义和训练时的预处理方式。如果压缩包里只有模型没有说明，就用print(net.getUnconnectedOutLayers())或直接喂一张测试图看输出维度，先确认输出是 2 类还是 3 类。连类别顺序都搞不清楚就开始接代码，后面百分百会在专注度分数映射上翻车。

2.3 源码包的结构设计与数据流向

拿到一个 PyQt5 深度学习项目的源码包，目录结构通常长这样。这是一个典型的拆分方式，写代码的阶段按这个结构组织，后面调试和答辩演示都会轻松很多。

smart_classroom/ ├── main.py # 程序入口，创建主窗口并启动事件循环 ├── ui/ # PyQt5 界面层 │ ├── main_window.py # 主窗口，按钮与布局 │ └── camera_view.py # 摄像头画面显示控件 ├── core/ # 业务逻辑层 │ ├── detector.py # 加载深度学习模型并推理 │ ├── focus_analyzer.py # 专注度判定逻辑 │ └── database.py # 结果写入 SQLite ├── models/ # 模型文件与标签映射 │ └── focus_model.onnx ├── data/ # 运行产生的录像、截图、报表 ├── docs/ # 设计文档、数据库设计、答辩 PPT 素材 └── requirements.txt # 依赖清单

为什么入口文件要单独放在最外层？因为 PyInstaller 打包时以它作为起点，打包配置里的依赖路径都相对它写。如果入口文件嵌在深层目录，打包时经常出现资源文件找不到的情况。这属于 PyQt5 打包最经典的坑之一，后面避坑章还会提到。ui 和 core 分开，是为了防止界面代码和推理代码互相 import 成环。哪怕这个项目只有几百行，养成这个习惯，后续加功能时你会发现改起来很快。

数据流是一条直线：摄像头读取原始帧，送入 detector 做目标检测和状态分类，得到每个学生的单帧专注度；focus_analyzer 把单帧结果放进滑动窗口统计，判定这段时间是否走神；database 把每分钟的统计结果落库；界面层只负责展示最终结果和刷新画面。记住这条线，出了问题就能快速定位：画面卡了怀疑界面线程，结果不准怀疑模型和判定逻辑，数据没写入怀疑 database 层，不要一上来就乱调参数。

3. 跑通最小系统：pyqt5 安装、摄像头画面与模型推理三步走

这一章的目标是让你在本地跑出一个能显示摄像头画面、并且能调用模型输出状态的桌面程序。不要急着把界面做得花里胡哨，先保证链路是通的。

3.1 pyqt5 安装与版本匹配：先解决环境再写代码

第一步永远是建虚拟环境。直接往系统 Python 里装依赖，两个月后如果另一个项目需要不同版本的 PyQt5，你会后悔当初没建 venv。下面这段是项目最常见的初始化命令，顺序和版本都经过大量课程设计项目验证。

# 建议使用 Python 3.9 或 3.10，避免 3.12+ 的兼容问题 python -m venv venv # Windows venv\Scripts\activate # Linux/macOS source venv/bin/activate pip install pyqt5==5.15.10 opencv-python numpy # 如果模型需要用 PyTorch 加载，再装 CPU 版 pip install torch torchvision

参数说明：PyQt5 5.15 是 5 系列的最后一个大版本，大量课程设计和开源项目都基于它编写。Python 版本如果高于 3.10，pip 很可能找不到匹配的 wheel，直接报「Could not find a version」。这不是命令写错了，而是版本墙。opencv-python 是 OpenCV 的官方预编译包，一定要装这个，不要装成 opencv-contrib-python 之外的山寨包。

装完先做一次快速验证，别急着跑整个工程。这条验证命令能区分「PyQt5 没装好」和「你的代码有 bug」两种问题，调试时很省时间。

python -c "from PyQt5.QtWidgets import QApplication; app=QApplication([]); print('PyQt5 OK')"

3.2 在 PyQt5 界面里显示摄像头画面并叠加检测框

环境准备好之后，先写一个最简的窗口，把摄像头画面显示出来。这个代码块是整个系统界面的骨架，之后要加检测框、要叠加识别结果，都是在 update_frame 里往 frame 上画。

import cv2 from PyQt5.QtCore import QTimer, Qt from PyQt5.QtGui import QImage, QPixmap from PyQt5.QtWidgets import QLabel, QMainWindow class CameraWindow(QMainWindow): def __init__(self): super().__init__() self.video_label = QLabel(self) self.setCentralWidget(self.video_label) # 0 是默认摄像头，笔记本外接摄像头可能改成 1 self.cap = cv2.VideoCapture(0) # 降低分辨率能明显提升帧率 self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) self.timer = QTimer(self) self.timer.timeout.connect(self.update_frame) self.timer.start(30) # 30ms 约等于 33fps def update_frame(self): ok, frame = self.cap.read() if not ok: return # 这里预留模型推理接口，后面接入 detector # frame = self.detector.inference(frame) rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch = rgb.shape qimg = QImage(rgb.data, w, h, ch * w, QImage.Format_RGB888) self.video_label.setPixmap( QPixmap.fromImage(qimg).scaled( self.video_label.size(), Qt.KeepAspectRatio))

逻辑说明：QTimer 每 30 毫秒触发一次 update_frame，这个函数里做了三件事——从摄像头读一帧、转成 QImage、渲染到 QLabel。中间注释掉的那一行，就是后续把深度学习模型的输出画到 frame 上的接入点。参数说明：30ms 是经验值，如果电脑性能弱，可以改到 50ms，画面会略卡但 CPU 占用明显下降；640x480 是推理速度和画面清晰度的平衡点，用 1080p 喂模型，单帧处理时间会翻几倍。

注意这里有一个隐患：如果在 update_frame 里直接跑模型推理，界面会卡成一帧一帧的。原因是推理是同步阻塞操作，跑一次几毫秒到几百毫秒，UI 事件循环被堵住了。暂时先不管，第五章避坑清单里专门讲怎么用 QThread 解决。

3.3 把深度学习模型接进来：加载、预处理和专注度分数映射

画面通了，现在把模型接上。下面的 FocusDetector 类封装了一个最常用的推理流程，用 OpenCV DNN 加载 ONNX 模型，输入一个 BGR 图像块，输出类别和专注度分数。

import cv2 import numpy as np class FocusDetector: def __init__(self, model_path, input_size=(224, 224)): # 用 OpenCV DNN 加载 ONNX，省掉 PyTorch 运行环境 self.net = cv2.dnn.readNetFromONNX(model_path) self.input_size = input_size # 标签顺序必须与训练时一致，否则分数映射会错 self.labels = ["focused", "distracted"] def predict(self, bgr_patch): # 预处理：缩放 + 归一化 + BGR 转 RGB img = cv2.resize(bgr_patch, self.input_size) blob = cv2.dnn.blobFromImage( img, 1.0 / 255.0, self.input_size, (0, 0, 0), swapRB=True) self.net.setInput(blob) probs = self.net.forward()[0] idx = int(np.argmax(probs)) # 单帧专注度：专注=1.0，分心=0.0 score = 1.0 if idx == 0 else 0.0 return self.labels[idx], score, float(probs[idx])

逻辑说明：模型只接受固定尺寸的输入，所以先 resize 到 224x224。blobFromImage 完成归一化和通道转换，scale 参数 1/255 把像素值压到 0 到 1。forward 返回的是每个类别的概率，argmax 取出最大概率对应的索引。参数说明：input_size 必须和模型训练时一致。很多模型文件跑起来结果完全不对，就是因为训练用 224，推理时改成了 128。缩放的插值方式也有讲究，默认的 INTER_LINEAR 在大多数情况下够用，但如果输入图像很小，可以先放大两倍再缩放，减少细节丢失。

返回的 probs 也要关注。如果两个类别概率分别是 0.52 和 0.48，说明模型很不确定，这时候硬取 argmax 会把模糊样本判错。我一般在代码里加一个判断：概率差小于 0.1 的样本标记为「模糊」，不计入专注度统计。这个细节写在设计文档里，答辩时能让老师觉得你想过问题，而不只是调包。

接入前面 CameraWindow 的注释位置：

label, score, conf = self.detector.predict(frame) cv2.putText(frame, f"{label} {conf:.2f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 255, 0), 2)

4. 专注度判定逻辑：从单帧分类到课堂时间窗口的可靠统计

模型输出的「专注 / 分心」只是单帧快照，直接拿它当整堂课的结论，你会被自己系统的准确率气到。这一章讲怎么把单帧结果变成课堂维度的可靠统计。

4.1 单帧状态不能直接当结论：定义你的状态标签

课堂上有一种很常见的情况：学生低头在写字，模型判定为「低头」，然后被算成走神。但低头写字和低头睡觉在单帧图像上确实很像，这就是为什么单帧分类结果不能直接拿来下结论。你需要先定义一套能自圆其说的状态标签，每个标签对应不同的专注度权重。

下表是我在类似系统里常用的标签设计，你可以按自己的课堂场景调整，但一定要保证「判定依据」是可解释的。

权重是这套系统里最「玄学」的部分，没有标准答案。你要做的是在答辩时能说清楚为什么低头写字给 0.8 而不是 0.5——因为写字是课堂允许的行为，但持续时间过长也可能是在开小差。我一般会把权重做成配置文件，跑实验时来回调，而不是写死在代码里。

定义好标签之后，再去回看你手上的模型输出。如果模型只有两个输出，你可以把「低头静止」和「转头侧视」都映射到分心，把「低头写字」映射到中间态。如果模型是三分类输出，恭喜你，直接对应即可。最怕的是模型输出和标签对不上，那说明训练数据本身就没设计好，后续再怎么调判定逻辑都白搭。

4.2 滑动窗口统计：用连续 N 帧决策代替单帧决策

单帧分类不稳定，一个抖动、一个遮挡就会导致结果跳变。最常见的做法是用一个滑动窗口，只统计最近 N 帧里非专注状态的比例，超过阈值才判定为走神。这样既抗抖动，又能把「瞬间低头」和「持续趴桌」区分开。

from collections import deque class FocusTracker: def __init__(self, window_size=45, distract_ratio=0.6): # window_size: 参与统计的帧数 # distract_ratio: 非专注帧占比阈值 self.window = deque(maxlen=window_size) self.distract_ratio = distract_ratio def update(self, focus_score): # focus_score: 0=分心, 0.8=中性, 1.0=专注 self.window.append(focus_score) def is_distracted(self): if len(self.window) < self.window.maxlen: return False distracted = sum(1 for s in self.window if s < 0.5) return distracted / len(self.window) >= self.distract_ratio def average_focus(self): if not self.window: return 0.0 return sum(self.window) / len(self.window)

逻辑说明：deque 的 maxlen 参数决定了窗口大小，新数据进来时最旧的数据自动弹出，始终保持最近 N 帧。is_distracted 计算非专注帧占比，average_focus 返回窗口内的平均专注度，这个值就是每一分钟报表的数据来源。参数说明：window_size=45 配合 15fps 的推理帧率，正好覆盖 3 秒。窗口太短，低头捡个笔都会被判定为走神；窗口太长，学生趴了半分钟才发现，失去了实时提醒的意义。distract_ratio 建议从 0.6 起步，误报多就往上调，反应慢就往下调。

这个模块同时解决另一个问题：多人课堂的目标管理。如果画面里有多个学生，你需要为每个学生维护一个独立的 FocusTracker 实例，用检测框的 ID 做索引。YOLO 会给每个目标分配跟踪 ID，但检测框抖动会导致 ID 跳变，这是多人追踪里最头疼的事。一个偷懒但有效的办法是：不追踪 ID，只统计每个人头中心点在帧间的位置变化，距离小于阈值就认为是同一个人。

4.3 报表输出：把专注度数据写进 SQLite 并画曲线

专注度统计出来之后，一定要落地存储。用 SQLite 而不是 CSV 文件，是因为多学生同时写入时 CSV 容易互相覆盖，而且 SQLite 查询语法答辩时展示起来更直观。

import sqlite3 import time class FocusDB: def __init__(self, db_path="focus.db"): self.conn = sqlite3.connect(db_path) # 如果表已存在，这条语句不会重复创建 self.conn.execute(""" CREATE TABLE IF NOT EXISTS focus_log ( id INTEGER PRIMARY KEY AUTOINCREMENT, student_id TEXT, timestamp INTEGER, focus_score REAL )""") self.conn.commit() def write(self, student_id, focus_score): self.conn.execute( "INSERT INTO focus_log (student_id, timestamp, focus_score) VALUES (?, ?, ?)", (student_id, int(time.time()), focus_score)) self.conn.commit() def query_by_student(self, student_id): cur = self.conn.execute( "SELECT timestamp, focus_score FROM focus_log " "WHERE student_id = ? ORDER BY timestamp ASC", (student_id,)) return cur.fetchall()

逻辑说明：focus_log 表用 timestamp 记录每次写入的时间，focus_score 记录该时刻的专注度。每秒钟写一条会数据爆炸，我通常让程序每隔 60 秒取一次滑动窗口的平均值写入，这样一堂 45 分钟的课每个学生只有 45 条记录，画曲线也清爽。参数说明：student_id 在单人模式下可以用固定值，比如 "student_0"，多人模式下就是检测框跟踪 ID。如果你想做更细的分析，加一个 session_id 字段区分不同课堂，这样设计文档里「数据统计与分析」章节就有内容可写了。

5. 避坑清单：PyQt5 与深度学习推理联调的 5 个典型问题

这一章全是我自己和身边人实际踩过的坑，每条都按「现象、原因、解决」的顺序写，希望你在还来得及的时候避开。

5.1 pip 装不上 pyqt5，连带 labelme 也没法用

现象：执行 pip install pyqt5 报错「Could not find a version that satisfies the requirement pyqt5」，安装 labelme 时也提示依赖无法满足，最后什么都装不上。

原因：Python 3.12 及以上版本没有对应的 PyQt5 稳定 wheel。很多课程项目依赖 PyQt5 5.15.x，而这个版本只覆盖到 Python 3.10 左右。新解释器和老库之间横着一条版本墙，pip 直接找不到可用的包。

解决：换 Python 3.9 或 3.10 建虚拟环境，然后再装。注意是建虚拟环境，不是卸载系统 Python——你可能有其他项目依赖新版解释器。切换之后先跑一遍前面 3.1 节里的验证命令，确认 PyQt5 能 import 再继续。如果你只是想用 labelme 标数据，也可以直接装 labelme，它会自动匹配适合的 PyQt5 版本，但最好还是统一到同一个虚拟环境里，免得标数据和跑系统用了两套依赖。

5.2 摄像头画面卡死，一启动就无响应

现象：点击「开始识别」后，窗口开始转圈，几秒后系统提示程序未响应。关掉识别按钮，画面又恢复正常。

原因：把模型推理直接写在了 QTimer 的槽函数里。推理是同步阻塞操作，一帧几十毫秒到几百毫秒，期间事件循环被死死堵住，界面自然卡死。推理越慢，卡顿越明显，如果模型输入是 1080p 原图，卡到你以为死机了。

解决：用 QThread 把读帧和推理丢到工作线程。典型做法是写一个继承 QThread 的工作类，run 方法里循环读帧、推理，然后发信号把结果传回主线程。界面线程只负责接收信号并刷新 QLabel。如果觉得 QThread 麻烦，也可以退而求其次：把推理和界面刷新放在同一个 QTimer 里，但降频到每 3 帧推理一次。这样代码改动最小，但治标不治本，CPU 占用还是会高。

5.3 模型加载要好几秒，第一次推理像死机

现象：程序能正常打开，但第一次点击识别的瞬间，画面停顿了 3 到 5 秒，然后突然开始流畅输出，之后一切正常。

原因：模型文件几个 MB 到几十 MB，从磁盘加载到内存需要时间；ONNX 模型首次推理还会触发运行时算子初始化，比后续推理慢一个数量级。很多同学把模型加载写在了按钮的点击槽函数里，导致每次点击都要重新加载一遍。

解决：启动程序时就把模型加载好，放在主窗口初始化方法里，不要等按钮点击再加载。加载完成后，用一张全零图或者一张随机噪声图跑一次空推理，让运行时的初始化工作提前完成，这个操作叫 warm-up。这样真正开始识别时，第一次推理的速度已经和后续持平。另外，如果发现模型加载确实太慢，可以用 onnx-simplifier 简化模型结构，再转成 fp16 精度，体积能缩小将近一半，加载速度也会明显提升。

5.4 摄像头黑屏或打不开，提示设备被占用

现象：程序能启动，但画面区域一直是黑的，控制台输出 CAP_IMAGES: can't find camera 或者读取不到帧。

原因：Windows 下最常见的原因是摄像头被其他程序占用。视频会议软件、直播工具、甚至前一个没退干净的 Python 进程都会把摄像头独占。Linux 下则是权限问题，当前用户不在 video 组里，没有权限访问 /dev/video0。还有一种可能：摄像头索引不对。

解决：按顺序排查。第一步确认没有其他软件占用摄像头，把视频会议客户端彻底退出，检查任务管理器里有没有残留的 python.exe。第二步确认索引，笔记本自带摄像头通常是 0，外接 USB 摄像头可能是 1，把代码里的 VideoCapture(0) 改成 VideoCapture(1) 逐个试。第三步处理权限，Linux 执行 sudo usermod -aG video $USER 然后重新登录。Windows 还额外检查系统设置里的相机隐私权限，确认桌面应用被允许访问摄像头。

5.5 低头就误报走神，记笔记被当成睡觉

现象：系统对低头动作极其敏感，学生记笔记时频繁被判为分心，课堂专注度曲线惨不忍睹，明显不符合真实情况。

原因：单帧 CNN 只学了个「低头」和「抬头」的表象，不区分低头动作的持续时间，也不区分低头时手部有没有动作。单帧图像里记笔记和睡觉，真的很像。

解决：把判定逻辑分级，不要只依赖模型的单帧输出。第一步用头部角度判断低头程度，角度小于 15 度算正常看黑板，15 到 45 度算中性，大于 45 度标记为「可疑」。第二步结合持续时间，可疑状态持续超过 5 秒才升级为「分心」。第三步如果模型输入分辨率允许，对检测框的下三分之一区域做手部运动检测——帧间差分就能判断手有没有在动，有动作就降级为中性。这三步做完，误报率能降下来一大截。这些都是纯规则逻辑，不需要重新训练模型，改起来成本很低。

6. 进阶验证：用课堂录像做一次专注度曲线对照实验

系统跑通之后，你还需要一个能说服别人的验证。单纯拿摄像头对着自己歪头低头，只能说明流程通，不能说明专注度数据可信。我建议你做一个可复现的对照实验，把系统从「能跑」提升到「能证明有效」。

具体做法是这样的。录一段 15 到 20 分钟的课堂录像，画面里可以只有两三个同学。播放录像时，人工每 30 秒记录一次这些同学的真实状态，专注记 1，不专注记 0，得到一份人工标注序列。然后把同一段录像喂给系统，让系统也按 30 秒的时间片输出平均专注度，二值化之后和人工标注对比，算出时间片一致率。

import numpy as np # 人工标注与系统输出，时间片一一对应 manually = [1, 1, 1, 0, 0, 1, 1, 1, 0, 0] system = [1, 1, 0, 0, 0, 1, 1, 1, 0, 1] acc = np.mean(np.array(manually) == np.array(system)) print(f"时间片一致率: {acc:.2%}")

这个指标不需要很高，能到 70% 上下，就足以说明系统不是随机乱猜，把它写进设计文档的「测试与结果」章节，比贴一堆模型结构图更有说服力。除了准确率，还要看曲线趋势是否一致：人工标注里第三分钟到第五分钟集中走神，系统曲线也在同一段出现明显下滑，这说明系统捕捉到了真实的课堂节奏变化。

如果想让实验更有趣，可以进一步对比不同视频片段的专注度差异，比如课程开始五分钟、中间二十分钟、临近下课五分钟各取一段，看看专注度是不是真的呈现「高一低一回升」的形态。这类观察写在论文或报告里，很能体现你对问题的理解。同时可以考虑用 QtCharts 把整节课的专注度曲线画在界面上，这是答辩时最直观的一个亮点——老师一眼就能看到什么时候课堂注意力在滑坡。

我第一次做这个系统时，把所有逻辑都堆在 UI 线程里，答辩演示当场卡死，后来才明白界面与推理必须分离。这套系统真正的价值不在于准确率有多高，而在于你能不能把摄像头到数据库这条链路完整走通，并且每一步都能说清为什么这么做。希望这份拆解和踩坑记录能帮到你。

本文还有配套的精品资源，点击获取