在我之前的博文中已经做过关于人体姿势识别人体姿态检测的博文，都是比较早期的技术模型了，随机技术的迭代更新，很多更加出色的模型陆续出现，这里基于一些比较好用的轻量级模型开发的姿态检测模型。

原始博文如下：

《人体行为姿势识别数据集WISDM实践》

《yolov4-tiny目标检测模型实战——学生姿势行为检测》

 感兴趣的话可以自行移步前去阅读。

本文的主要工作室基于轻量级的yolov5s模型来开发学生上课姿势检测模型。首先看下效果：

基于yolov5的轻量级学生上课姿势检测分析系统

图像数据如下：

 YOLO格式的标注文件如下所示：

 模型配置文件如下所示：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 4  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

训练完成结果目录截图如下所示：

 训练过程监控指标如下：

 混淆矩阵：

 F1值曲线和PR曲线如下：

 标签可视化如下所示：

 batch检测样例可视化如下所示：

 启动检测系统如下：

 点击上传图像即可选择想要检测识别的图像，如下所示：

 点击目标检测识别即可启动离线推理计算，如下所示：