简介：这是一套面向高校计算机相关专业毕业设计场景的完整项目资料，围绕“上课学生行为识别”展开，采用Python语言与Django框架搭建后台管理系统，结合YOLOv5与OpenCV实现课堂行为检测，数据库使用MySQL，适合作为深度学习与Web开发结合的毕设选题参考。系统区分管理员与学生两类权限：管理员负责学生注册审核、课程信息维护、行为检测记录查询与通知发布；学生端可修改个人信息、查看通知，并通过摄像头选择当前课堂课程，实时识别玩手机、睡觉、举手等课堂行为。压缩包共705个文件，约299.74MB，包含224个png、207个jpg、96个gif等图像素材，44个py源码、50个js脚本、13个html页面及21个css样式文件，另有sql建库脚本与db数据文件，覆盖前端界面、后端逻辑与模型资源。资源还附带论文、开题报告与PPT，已有110人学习，便于读者快速理解系统架构、复现检测流程并整理毕设文档。

1. 从一张教室监控截图说起：这套 Django + 深度学习行为识别系统到底能跑出什么

去年帮一个做教务的朋友看他们学校的课堂录像，四十分钟一节课，人工回看统计学生抬头率、趴桌率、玩手机次数，一个老师一天最多处理两个班，眼睛都看花了。当时我就在想，这种重复劳动完全可以用视觉模型顶上去。后来拿到这套「上课学生行为识别系统」，它的定位很明确：用 Python 深度学习做课堂场景下的学生行为分类，再用 Django 把推理结果、统计报表、课程管理串成一个能登录、能上传、能看图的 Web 系统。技术栈是 Django + PyTorch/OpenCV 这一套，配套还带了论文、开题报告和答辩 PPT，属于典型的毕业设计完整交付物。适合谁？一是正在做计算机视觉方向毕设、需要一套能跑通闭环的同学；二是想拿一个真实场景练手 Django 工程化部署的开发者。它解决的不是「识别精度刷到 SOTA」的问题，而是「从数据集标注、模型训练、推理服务到 Web 展示」这条链路怎么打通。下面我按自己拆包复现的顺序，把能抄的步骤和踩过的坑都摊开讲。

2. 环境与依赖：把 Django 和深度学习框架装到同一台机器上

2.1 为什么这套系统对 Python 版本和 CUDA 特别敏感

这套项目本质上是两个技术栈的缝合：Django 负责 Web 层，PyTorch（或 TensorFlow，看具体实现）负责推理层。缝合点在于 Django 的视图函数里要 import torch 并加载模型权重。问题就出在这里——Django 4.x 要求 Python 3.8 以上，而很多深度学习轮子对 Python 小版本又很挑。我见过最常见的翻车是：系统里装了 Python 3.12，pip 装 torch 时找不到对应版本的 whl，于是 pip 自动去编译源码，编译到一半报错退出。所以第一步不是急着 pip install，而是先把版本对齐。

我一般会这样确认环境：

# 查看当前 Python 版本，建议 3.8 ~ 3.10 python --version # 查看 pip 对应的 Python pip --version # 如果有 NVIDIA 显卡，确认驱动和 CUDA 版本 nvidia-smi

nvidia-smi右上角显示的 CUDA Version 是驱动支持的最高版本，不是你必须装的版本。比如显示 12.1，你装 cu118 的 torch 也完全没问题，向下兼容。没有独显就用 CPU 版 torch，训练会慢，但推理一张图几百毫秒也能接受，毕设演示够用。

2.2 依赖安装的推荐顺序与 requirements 处理

拿到源码包后，先别急着pip install -r requirements.txt。很多毕设项目的 requirements 是作者本机pip freeze出来的，里面混了一堆无关包，甚至锁死了平台相关的版本。我的做法是先看文件内容，把核心依赖挑出来单独装。

# 建议先建虚拟环境，避免污染全局 python -m venv venv # Windows 激活 venv\Scripts\activate # Linux / macOS 激活 source venv/bin/activate # 先装深度学习框架，CPU 版示例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 再装 Web 与图像处理相关 pip install django opencv-python pillow numpy

这里有个参数值得说：--index-url指向 PyTorch 官方轮子源，比默认源快很多，也能避免装到同名但不对的包。装完 torch 后，进 Python 敲import torch; print(torch.__version__)确认能正常导入，再继续装 Django。顺序反了的话，Django 装完发现 torch 导入失败，你还得回头排查，浪费时间。

2.3 数据库迁移与静态文件：Django 首次启动必做

Django 项目跑起来之前，数据库表结构得先建好。这套系统一般用 SQLite，开箱即用，不用额外装 MySQL。

# 生成迁移文件（如果作者没提供） python manage.py makemigrations # 执行迁移，建表 python manage.py migrate # 创建后台管理员账号 python manage.py createsuperuser # 启动开发服务器 python manage.py runserver

migrate这一步如果报错，八成是 models.py 里定义的字段和已有迁移文件对不上，或者作者把 db.sqlite3 一起打包了但表结构是旧的。遇到这种情况，把 db.sqlite3 删掉重新 migrate 通常能解决，但要注意会丢失已有数据。createsuperuser创建的账号用来登录 Django admin 后台，方便你直接看数据库里的识别记录。启动后浏览器访问 127.0.0.1:8000，能看到登录页或首页，说明 Web 层通了。这时候还没到模型推理，别急着传图。

3. 模型推理链路：从上传一张课堂图到返回行为标签

3.1 数据预处理：为什么训练时的归一化参数必须和推理一致

深度学习模型对输入尺寸和数值范围极其敏感。训练时如果用的是 224x224 输入、ImageNet 均值方差归一化，推理时也必须一模一样。我见过有人推理时直接cv2.imread读原图塞进模型，结果输出全是乱码标签——因为尺寸和归一化都对不上。这套系统里通常会在推理脚本或 Django 视图里封装一个预处理函数，你要确认它和训练脚本用的是同一套参数。

import cv2 import numpy as np import torch def preprocess(image_path, input_size=224): # 读取图片，注意 OpenCV 默认 BGR img = cv2.imread(image_path) # 转 RGB，因为训练时多半用的是 RGB img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 缩放到模型输入尺寸 img = cv2.resize(img, (input_size, input_size)) # 转 float 并归一化到 [0,1] img = img.astype(np.float32) / 255.0 # 标准化，均值方差要和训练一致 mean = np.array([0.485, 0.456, 0.406]) std = np.array([0.229, 0.224, 0.225]) img = (img - mean) / std # HWC -> CHW，再加 batch 维度 img = img.transpose(2, 0, 1) img = np.expand_dims(img, axis=0) return torch.from_numpy(img).float()

逻辑说明：cvtColor转 RGB 是因为 OpenCV 读进来是 BGR，而 PyTorch 预训练模型基本都按 RGB 训练。resize到 224 是 ResNet、MobileNet 这类骨干网的标准输入。归一化的 mean/std 是 ImageNet 统计值，如果你训练时用的是自己算的均值方差，这里必须换成你自己的。最后transpose把通道维换到前面，expand_dims加 batch 维，因为模型 forward 期望的是 NCHW 四维张量。参数input_size要和你训练时的配置对齐，改错一个数字，精度就掉一大截。

3.2 加载权重与推理：state_dict 不匹配怎么办

模型结构定义在某个 model.py 里，权重要么是 .pth 要么是 .pt。加载时最常见的报错是Missing key(s) in state_dict或Unexpected key(s)。前者说明模型定义少了层，后者说明多了层。还有一种情况是作者用torch.save(model)保存了整个模型对象，而不是state_dict，这种加载方式对目录结构有依赖，换台机器就可能失败。

import torch from model import BehaviorNet # 假设模型定义在这个模块 # 实例化模型结构 model = BehaviorNet(num_classes=5) # 加载权重，map_location 保证 CPU 也能加载 GPU 训练的权重 state_dict = torch.load('weights/best.pth', map_location='cpu') # 如果保存的是整个模型而非 state_dict，需要判断 if isinstance(state_dict, dict) and 'state_dict' in state_dict: state_dict = state_dict['state_dict'] model.load_state_dict(state_dict) model.eval() # 切换到推理模式，关闭 dropout 和 batchnorm 更新

map_location='cpu'是个后悔药级别的参数，没有它，GPU 上训练的权重在纯 CPU 机器上加载会直接报错。model.eval()必须调用，否则 dropout 层会随机丢弃神经元，每次推理结果都不一样，你会以为是模型玄学，其实是模式没切对。如果load_state_dict报 key 不匹配，先用print(model.state_dict().keys())和print(state_dict.keys())对比，看差在哪一层，再决定是改模型定义还是改权重加载逻辑。

3.3 把推理接进 Django 视图：一次请求的完整生命周期

Web 层和模型层的交汇点在 views.py。用户上传图片，视图接收文件，调用预处理和推理，把结果写进数据库，再渲染到模板。这里要注意的是模型加载不能放在每次请求里，否则每传一张图就重新加载一遍权重，慢到无法忍受。正确做法是在模块级别或 AppConfig.ready() 里加载一次，全局复用。

from django.shortcuts import render from django.core.files.storage import FileSystemStorage from .models import RecognitionRecord from .inference import predict # 封装好的推理函数 def upload_and_predict(request): if request.method == 'POST' and request.FILES.get('image'): image = request.FILES['image'] # 保存上传文件 fs = FileSystemStorage() filename = fs.save(image.name, image) file_path = fs.path(filename) # 调用推理，返回标签和置信度 label, confidence = predict(file_path) # 写入数据库 RecognitionRecord.objects.create( image=filename, label=label, confidence=confidence ) return render(request, 'result.html', { 'label': label, 'confidence': round(confidence, 4), 'image_url': fs.url(filename) }) return render(request, 'upload.html')

逻辑说明：request.FILES拿到上传的文件对象，FileSystemStorage负责落盘并返回可访问路径。predict函数内部做了预处理、模型 forward、softmax 取最大概率。RecognitionRecord.objects.create是 Django ORM 的写入操作，一行搞定建表插入。confidence用 round 保留四位小数，避免模板里显示一长串浮点数。这里有个隐藏坑：如果predict里加载模型用了全局变量，而 Django 开发服务器默认是多线程的，第一次请求时模型还没加载完，第二个请求进来可能拿到空模型。稳妥做法是在apps.py的ready()里预热加载。

4. 避坑与排查：复现这套系统时最容易翻车的五个地方

4.1 上传图片后页面报 500，日志显示 CUDA out of memory

现象：本地用 CPU 跑得好好的，换到有显卡的机器或者服务器上，传几张图之后突然 500。原因：模型默认加载到了 GPU，但显存被其他进程占着，或者 batch 维度没控制好，一次塞了太多图。解决：在加载权重时显式指定map_location='cpu'，或者推理前torch.cuda.empty_cache()。如果确实要用 GPU，把 batch_size 设为 1，课堂场景单张推理足够。另外检查是不是在视图里循环调用了模型加载，导致显存里堆了一堆重复模型。

4.2 识别结果永远是同一个标签

现象：不管传什么图，输出都是「抬头」或都是「趴桌」。原因：最常见的是预处理归一化参数和训练不一致，模型收到的输入分布完全变了，相当于在噪声上推理。其次是model.eval()没调用，dropout 随机性导致输出不稳定但偏向某一类。解决：先确认训练脚本里的 mean/std 和 resize 尺寸，逐项对齐；再确认 eval 模式；最后用训练集里的一张图做推理，如果训练图都识别错，那就是权重加载有问题，检查 state_dict 的 key 是否完全匹配。

4.3 Django 静态文件 404，CSS 和 JS 加载不出来

现象：页面能打开，但样式全乱，控制台一堆 404。原因：Django 开发模式下静态文件需要配置STATIC_URL和STATICFILES_DIRS，生产模式下还需要collectstatic。很多毕设项目只在自己机器上跑过，settings.py 里的路径是绝对路径，换台机器就找不到。解决：检查 settings.py 里STATIC_URL = '/static/'和STATICFILES_DIRS = [os.path.join(BASE_DIR, 'static')]，确保 static 目录真实存在。如果用了DEBUG = False，还要配STATIC_ROOT并执行python manage.py collectstatic。

4.4 数据库迁移报 no such table

现象：migrate显示成功，但一访问页面就报no such table: app_xxx。原因：Django 的 app 没有注册到INSTALLED_APPS里，迁移时跳过了这个 app 的模型。或者作者提供的 db.sqlite3 是旧版本，表结构对不上。解决：打开 settings.py，确认你的 app 名字在INSTALLED_APPS列表里。如果是旧数据库，删掉 db.sqlite3，重新makemigrations+migrate。注意makemigrations要指定 app 名，比如python manage.py makemigrations yourapp，否则可能漏掉。

4.5 上传大图导致请求超时或内存溢出

现象：手机拍的课堂照片三四千像素宽，上传后服务器卡死或报 MemoryError。原因：原图直接读进内存做 resize，一张 4000x3000 的图占几十 MB，并发几个请求就爆了。解决：在预处理前先做一次降采样，用cv2.resize把长边限制到 800 以内再走后续流程。或者在 Django 层面限制上传文件大小，settings.py 里设置DATA_UPLOAD_MAX_MEMORY_SIZE和FILE_UPLOAD_MAX_MEMORY_SIZE。课堂场景不需要原图精度，压缩后再推理对结果几乎没影响。

5. 进阶技巧：用 Django ORM 做行为统计与模型置信度过滤

5.1 按课程和时间段聚合识别记录

系统跑起来之后，真正有价值的是统计数据，而不是单张图的标签。Django ORM 的聚合查询能直接出报表，不用手写 SQL。比如统计某门课下每种行为出现的次数：

from django.db.models import Count from .models import RecognitionRecord # 按标签分组计数，过滤置信度低于 0.6 的记录 stats = (RecognitionRecord.objects .filter(course_id=1, confidence__gte=0.6) .values('label') .annotate(total=Count('id')) .order_by('-total')) for item in stats: print(item['label'], item['total'])

filter里的confidence__gte=0.6是置信度阈值，低于这个值的记录不参与统计，避免模型瞎猜的标签污染报表。values('label')指定分组字段，annotate做计数，order_by('-total')按次数降序。这套查询在 Django 里是惰性的，只有遍历 stats 时才真正打数据库，所以可以放心在视图里用。如果你要按时间段统计，把filter里的条件换成create_time__range=(start, end)即可。

5.2 置信度阈值怎么定：别拍脑袋，看分布

置信度阈值不是拍脑袋定的 0.5 或 0.6。我的习惯是先把一批测试图的置信度打印出来看分布。如果模型对某类行为普遍给出 0.9 以上，那阈值可以设 0.7；如果普遍在 0.5 到 0.7 之间晃，说明模型本身没学好，这时候调阈值只是自欺欺人，得回去看训练。可以用下面这段代码快速看分布：

import numpy as np from .inference import predict confidences = [] for path in test_image_paths: _, conf = predict(path) confidences.append(conf) # 打印分位数，了解整体置信水平 print('25%:', np.percentile(confidences, 25)) print('50%:', np.percentile(confidences, 50)) print('75%:', np.percentile(confidences, 75))

如果中位数在 0.8 以上，说明模型对大部分样本有把握，阈值设 0.6 到 0.7 比较稳。如果中位数只有 0.5 出头，那说明模型在瞎猜，这时候该做的是检查训练数据标注质量、类别是否均衡、学习率是否合理，而不是在推理端调参。我一般会把阈值设成中位数减 0.1，这样能过滤掉明显不可信的记录，又不至于把大部分结果都扔掉。

5.3 一个我踩过的坑：模型文件路径写死导致部署失败

最后说个血泪经验。很多毕设项目里加载权重的路径是写死的绝对路径，比如torch.load('D:/project/weights/best.pth')。你自己机器上跑没问题，一换机器或者部署到服务器就报 FileNotFoundError。正确做法是用os.path.join(BASE_DIR, 'weights', 'best.pth')，BASE_DIR 在 Django settings 里已经定义好了。从那以后我每次拿到新项目，第一件事就是全局搜torch.load和open(，看有没有硬编码路径。这个习惯帮我省了至少三次通宵排查。希望这套拆解能帮到你，少走点我走过的弯路。

本文还有配套的精品资源，点击获取