课堂行为检测数据集实战：VOC转YOLO格式与训练避坑指南

简介：面向课堂场景行为识别任务的目标检测数据集，提供Pascal VOC与YOLO两种主流标注格式，适合计算机视觉学习者、算法工程师及教育智能化项目直接使用。资源包含671张课堂实拍jpg图像及一一对应的671个xml标注文件、671个txt标注文件，共2000个文件，压缩包约189.74MB。标注覆盖玩手机、阅读、写字、低头、睡觉、举手6个课堂行为类别，总标注框数19768个；其中playphone框数6976个、reading框数7826个、write框数2984个，sleep、bowhead、risehand则分别为1029、947、6个，样本分布可用于常规检测训练及类别不平衡研究，也可为数据增强、多尺度检测等实验提供素材。数据由labelImg工具人工画矩形框标注，标注规则明确，另附VOC与YOLO标签便于直接接入主流框架。当前已有401人学习下载，适合用于课堂教学质量分析、学生行为统计、智慧教室等场景的算法验证与模型迭代。

1. 课堂行为数据集：671 张图、6 个类别，值不值得用

第一次拿到课堂行为数据集这类资源时，多数人的第一反应是解压看一眼：671 张 JPEG、6 类行为标注，VOC 和 YOLO 两套格式都摆在目录里。对正在做课堂场景检测的工程师来说，这等于绕开了最熬人的原始采集和手工标注环节，直接进入训练和调参。但它不是开箱即食：样本量不算大，行为类别边界模糊，课堂里的逆光、遮挡和摄像头角度都是常态，这些坑会在训练阶段轮番找上门。这篇笔记就围绕这套数据集的格式检查、目录整理、训练落地和排错展开，目标是让新手顺着步骤跑通，让熟手直接拿走命令、参数和判断标准，少踩几个我已经踩过的坑。

2. 读懂 VOC 与 YOLO 双格式：先确认标注可信，再谈训练

2.1 VOC 标注：打开一个 XML，先看这四行

拿到压缩包之后，我一般不会急着把标注目录直接丢给训练脚本。671 张图不算多，任何标注层的小错误都会被训练过程放大成“loss 不降”或“mAP 忽高忽低”的谜题。第一步应该做的是格式体检：花十分钟打开一个 XML 文件，逐行确认图像尺寸、类别名、框坐标和对应图片。这一步能少走很多弯路。

VOC 格式的核心是一个 XML 文件对应一张 JPG。XML 里的 size 段记录图像实际宽高，object 段是一个或几个目标的集合，每个 object 有 name（类别名）和 bndbox（矩形框像素坐标）。像素坐标是绝对坐标：xmin、ymin 是框的左上角，xmax、ymax 是右下角。这个坐标系和后续 YOLO 的归一化中心点表示差别很大，也是转换时最容易算错的地方。

<annotation> <folder>classroom_frame</folder> <filename>IMG_0041.jpg</filename> <size> <width>1920</width> <height>1080</height> <depth>3</depth> </size> <object> <name>raise_hand</name> <bndbox> <xmin>1024</xmin> <ymin>300</ymin> <xmax>1280</xmax> <ymax>620</ymax> </bndbox> </object> </annotation>

上面这段是典型的 VOC 标注结构。需要核对的信息不多：filename 是否对得上图片，size 是否和 JPG 真实分辨率一致，bndbox 有没有越界或框宽高为 0。课堂场景里经常有人半身出画面，标注时很容易把 xmax 标到超过 width，这类越界框在后续转 YOLO 时会变成大于 1 的坐标，很多训练框架要么报错要么静默裁剪，很难一眼定位。

看清 XML 之后，我对“这套标注能不能用”就有了基本判断，再去看 YOLO 的 txt。VOC 的 XML 是给人看的，YOLO 的 txt 是给训练器读的，两份都存在的数据集，等于同时提供了一条验证链路和一条训练链路。先验证再训练，这是我处理所有带标注数据集的固定顺序。

2.2 YOLO 标注：五个数字一行，别把类别 ID 当置信度

YOLO 格式的标注文件是跟图片同名的 txt，每行一个目标，内容是五个空格分隔的数：类别 ID、归一化中心点 x、归一化中心点 y、归一化宽、归一化高。注意是中心点，不是左上角，这是从 VOC 思维转过来最容易出错的点。前面那个 XML 例子，在 1920×1080 的图里对应的 YOLO 行是：

0 0.6000 0.4259 0.1333 0.2963

0.6000 来自 (1024+1280) / 2 / 1920，0.4259 来自 (300+620) / 2 / 1080，0.1333 是宽度 1280-1024 除以 1920，0.2963 是高度 620-300 除以 1080。第一位固定是类别 ID，从 0 数到 5，表示六个类别中的哪一个，不是置信度，也不是概率。这一点我刚开始接触时也理解错过，教训是：看到 txt 里一行五个数，第一反应不该是算概率，而是确认第一位整数对应的类别名。

txt 的优势是紧凑，训练框架读起来几乎不耗 CPU，一个几 KB 的文件就能描述整张图的所有检测目标。缺点是人不可读：用记事本打开一行行数字，你完全看不出来框落在哪里、类别对不对。所以要验证标注质量，我会回到 XML，或者直接把 txt 画到图上做预览，而不是盯着数字空想。

检查时还有一点要注意：标准 YOLO txt 一行 5 个值，如果行尾多了空格，或者坐标精度写得很长，都不影响训练。真正致命的是负坐标、超过 1 的坐标、以及框宽高为 0，这些必须清洗。第 5 章会专门给清洗脚本。

2.3 自己写一次 VOC 到 YOLO 转换：类别顺序是命门

压缩包虽然同时给了两套标注，但实际项目里仍然大概率需要自己转换：一是要把别的 VOC 数据并进来联合训练，二是想调整类别集合，三是标注工具生成新批次后又得重复一遍。自己掌握转换逻辑，比每次点工具里的“导出 YOLO”按钮更接近问题本质，也更可控。

# voc2yolo.py：从 VOC XML 目录转换出 YOLO txt import os import xml.etree.ElementTree as ET # 类别顺序必须和最终训练用的 names 完全一致 CLASSES = ["raise_hand", "read", "write", "stand", "bow_head", "play_phone"] def convert_one(xml_path, out_dir): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") w = int(size.find("width").text) h = int(size.find("height").text) img_name = root.find("filename").text txt_path = os.path.join(out_dir, os.path.splitext(img_name)[0] + ".txt") lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in CLASSES: continue cls_id = CLASSES.index(name) box = obj.find("bndbox") x1 = int(box.find("xmin").text) y1 = int(box.find("ymin").text) x2 = int(box.find("xmax").text) y2 = int(box.find("ymax").text) cx = (x1 + x2) / 2.0 / w cy = (y1 + y2) / 2.0 / h bw = (x2 - x1) / w bh = (y2 - y1) / h lines.append(f"{cls_id} {cx:.4f} {cy:.4f} {bw:.4f} {bh:.4f}") with open(txt_path, "w") as f: f.write("\n".join(lines)) xml_dir = "voc_annotations" out_dir = "yolo_labels" for fn in os.listdir(xml_dir): if fn.lower().endswith(".xml"): convert_one(os.path.join(xml_dir, fn), out_dir)

这个脚本的关键点有三个。其一是 CLASSES 的顺序，它决定类别 ID 编号，后面训练 YAML 里的 names 列表必须一字不差地对上，否则会出现“0 号类别实际是另一个行为”的隐性错乱，这种错乱在 mAP 曲线上几乎察觉不出来。其二是保留四位小数，对 1080p 的图足够，不用强行往更高精度凑。其三是跳过 CLASSES 里不存在的类别名，而不是直接报错——课堂数据经常混进临时标签，比如 person 或 unknown，直接跳过往往更安全。

转换完成后，我习惯再做一次总量核对：统计全部 txt 的行数，与 XML 里 object 总数对比。总数不一致，说明有文件没转换上或解析异常中断。用下面这段脚本能顺手把类别分布也查出来：

# count_labels.py：统计每个类别的标注框数量 from collections import Counter import os label_dir = "yolo_labels" counter = Counter() total_files = 0 for fn in os.listdir(label_dir): if not fn.endswith(".txt"): continue total_files += 1 with open(os.path.join(label_dir, fn), "r") as f: for line in f.read().splitlines(): parts = line.strip().split() if len(parts) == 5: counter[int(parts[0])] += 1 print("label files:", total_files) for cls_id, cnt in sorted(counter.items()): print(f"class {cls_id}: {cnt} objects")

类别分布在这里尤其重要。如果某个类别的框数比别的类别少一个数量级，比如“趴桌子”只有 100 个框而“阅读”有 900 个，训练阶段就要为这个小类单独做处理，否则模型会天然倾向高频类。这一步统计到的信息，会直接决定第 4 章里增强和权重的调法。

3. 整理成可训练目录：解压、校验、划分的关键步骤

3.1 解压后先规范目录结构，再做任何事

mkdir -p classroom_dataset/{images/{train,val},labels/{train,val}} 7z x classroom_behavior_dataset.7z

我把压缩包解压到项目目录之后，第一件事不是看里面的说明文件，而是先把目录结构调整成训练框架认的样子。这也是很多框架文档里不会写清楚的部分：它默认你的数据已经按 images/train、images/val、labels/train、labels/val 放好了，但你手头的数据包可能只是把图片和标注分别摊在两个目录里，需要手动规整。

移动文件的命令可以用通配符，但注意不要让不同子目录的同名文件互相覆盖。我的习惯是先在目标目录里创建 train 和 val 两个分支，再把解压出来的文件按来源批量移动。移动完图片和标签之后，检查文件数量是最便宜、最快见效的操作：

ls classroom_dataset/images/train | wc -l ls classroom_dataset/labels/train | wc -l

如果两个数字对不上，多半是某几张图没有标注，或者某几个 txt 没有对应图片。这两种情况都要单独处理：缺标注的图可以先移出本次训练范围，无主标签则可以删除或归档。不要留到训练时才让框架自动跳过，因为你不会知道它到底跳过了哪几张。

3.2 用脚本核对图与标注的一一对应

有标注工具使用经验的人都体会过：标签文件和图片文件命名对不上是家常便饭。一份 671 张的数据集，如果某张图命名成IMG_0041 (1).jpg，标注文件却写成IMG_0041.jpg.txt，训练时这张图就变成了“无标注图”，而那个 txt 变成了“无主标注”，目录结构看起来很完整，实际数据却是残缺的。所以要做一次严格的对账。

# check_align.py：检查图片与标签文件名是否一一对应 import os img_dir = "classroom_dataset/images/train" label_dir = "classroom_dataset/labels/train" imgs = set() labels = set() for fn in os.listdir(img_dir): if fn.lower().endswith((".jpg", ".jpeg", ".png")): imgs.add(os.path.splitext(fn)[0]) for fn in os.listdir(label_dir): if fn.endswith(".txt"): labels.add(os.path.splitext(fn)[0]) print("images:", len(imgs)) print("labels:", len(labels)) print("missing label files:", len(imgs - labels)) print("orphan label files:", len(labels - imgs)) for name in list(imgs - labels)[:10]: print(" missing:", name) for name in list(labels - imgs)[:10]: print(" orphan:", name)

这个脚本输出的两批名单，就是需要人工决定的清单。缺标注的图，要么补标，要么放弃；无主的 txt，要么删掉，要么重新改名对齐。不要指望训练阶段靠框架自动跳过——大部分框架确实会跳过，但结果就是日志里的样本数悄悄少了几张。行为检测这种小样本场景，几张小概率姿态的图可能就是某类别唯一的正样本，丢了非常可惜。

3.3 别随手 random split：课堂帧数据要按场景切分

目录理顺之后的下一步，是划分训练集、验证集和测试集。这里最常见的错误是一次性 random split 成 8:2，不做任何分组。课堂行为数据多数来自视频抽帧，前后几帧往往只有很小差异。如果 671 张里，几十张几乎相同的帧被随机分到了 train 和 val 两边，验证集就会非常“友好”——因为模型在训练轮次里已经见过几乎一样的图和标注，验证 loss 自然很低。但等到真正部署到另一个教室、另一个摄像头角度，效果立刻缩水。这不是玄学，是数据划分污染。

解决办法很直接：按场景或视频段分组后再划分。大多数视频抽帧数据的文件名都带场景前缀，我把“场景 ID”作为分组的基本单位，同一个场景的帧全部进同一个集合，坚决不跨集合：

# split_by_scene.py：按场景前缀分组划分 train/val/test import os import random from collections import defaultdict random.seed(42) imgs = sorted([f for f in os.listdir("classroom_dataset/images/train") if f.endswith(".jpg")]) # 从文件名中提取场景前缀，比如 "c01_IMG_0001.jpg" -> "c01" def scene_of(fn): return fn.split("_")[0] scenes = defaultdict(list) for fn in imgs: scenes[scene_of(fn)].append(fn) train, val, test = [], [], [] for scene, items in scenes.items(): random.shuffle(items) n_train = int(len(items) * 0.8) train += items[:n_train] remain = items[n_train:] n_val = int(len(remain) * 0.5) val += remain[:n_val] test += remain[n_val:] for split, lst in zip(("train", "val", "test"), (train, val, test)): with open(f"classroom_dataset/{split}.txt", "w") as f: f.write("\n".join(os.path.splitext(x)[0] for x in lst)) print(split, len(lst))

这个脚本的逻辑是：先把所有图片按场景前缀分组，再在组内切 train/val/test，最后把文件名写到三个索引文件里。关键不只是比例，而是“同一个场景的相邻帧不会同时出现在 train 和 val”。如果文件名完全没有规律，我的做法是把一段连续视频的帧按时间对半切：前 80% 进训练，后 20% 进验证，等于用整段视频前后两段的自然差异来模拟新场景。代价是可能丢掉部分姿态，但比同帧重复进验证集更值得。

4. 最小训练命令与 3 个必须调的参数

4.1 数据集 YAML：路径和 names 顺序是两张通行证

目录结构和索引文件都准备好后，就可以进入训练流程。目前检测模型训练一个比较通用的入口是 YOLO 系列的实现，它用一个 YAML 文件把数据集的路径、类别数、类别名串起来，然后一条命令行开始训练。我先给出最小可用的 YAML 配置：

# classroom.yaml path: ./classroom_dataset train: images/train val: images/val nc: 6 names: ['raise_hand', 'read', 'write', 'stand', 'bow_head', 'play_phone']

这里的 path 是数据集根目录，train 和 val 是相对于 path 的图片目录，nc 必须是 6，names 的顺序需要和第 2 章转换脚本里的 CLASSES 顺序一致。这里有一个容易忽略的点：names 列表只用于把预测输出的类别索引映射成人可读的名字，不参与模型计算，但顺序一旦错，模型的类别 0 在显示时就会被叫成另一类。这种错误 mAP 曲线看不出来，只有把预测画到图上时才会发现“标注叫读书，模型识别成举手”。

训练命令用最小配置就够了：

python train.py --data classroom.yaml --weights pretrained_base.pt --epochs 100 --batch 16 --imgsz 640

命令里的 --weights 指向预训练检测权重，而不是从零随机初始化。对小数据集来说，预训练权重能省下大量收敛时间，也让模型在一开始就能看出很多通用纹理和形状特征。671 张图从头训练不是不行，但效果和效率都明显更差，我不推荐。不同框架对 YAML 字段的容忍度不完全一样，我的做法是先跑 1 个 epoch 试水，确认数据加载无误再开长训练，比起直接跑满 100 个 epoch，这种试水几乎不耗时，却能省掉大量排错时间。

4.2 epoch、batch、imgsz 三个参数，小数据集的调法

在小数据集上，这三个参数影响最大，其余参数多数用默认值就能跑。第一是 imgsz：课堂摄像头普遍 1080p，我的建议是训练分辨率设在 480 到 640 之间，不要直接上到 1280。671 张图决定了模型规模不会太大，分辨率提高带来的增益，很快就被稀少样本带来的学习不充分抵消。第二是 batch：取决于显存大小，但以 16 为起点比较稳。batch 太小，BatchNorm 的统计量抖动明显，模型容易震荡；batch 太大，每次更新步数少，等于变相减少有效 epoch 数。第三是 epochs：小数据集上 100 到 150 已经是合理尽头，长训到 300 以上通常只剩过拟合。

下表是我常用的初始值，具体项目里根据曲线微调：

表格之外更需要注意的是一种常见心态：看到训练 loss 一直在降，就以为训练很健康。在小样本上，训练 loss 长时间下降而验证 loss 已经开始回升，几乎是必然结果。所以这里没有固定轮数，而是监控验证 loss，让它决定实际停止点。需要提前停就果断停，不要为了凑整跑满。

4.3 看训练日志时，哪些数字值得盯、哪些是安慰剂

训练日志里每个 epoch 会输出一组 loss 和指标。我会盯三个地方。一是 box loss，它衡量框位置回归误差，正常会在前 20 到 40 个 epoch 里明显下降，之后进入平台期。二是验证集上的 mAP50，它是小样本数据集最直观的反映，如果长期卡在 0.3 以下，通常不是训练轮数问题，而是标注或数据划分出了差错。三是目标检测里那个前景与背景的判别 loss，如果它一路飘高不掉，往往说明图片里存在不少没有标注的人体目标，也就是漏标。

对 mAP 超过 0.9 的数字要保持警惕。在课堂行为场景里，671 张同场景数据很容易让模型走捷径：比如靠桌子和窗帘纹理猜出“阅读”，验证时几乎闭眼也能答对。这类“高 mAP 但实际不可用”的模型，部署到新的教室时几乎必然现形。所以 mAP 只能说明模型在这套验证集上表现不错，不能证明它能泛化到其他课堂环境。

5. 避坑备忘：小样本课堂检测的 5 个翻车现场

这一章是真正花时间排过的坑。每条都按“现象、原因、解决”的顺序讲，适合直接对照自己的日志排查。

5.1 “no labels found”报错：目录对上了，但文件没对上

现象：训练命令一启动，日志里就出现类似 “no labels found in …/labels/train” 的提示，系统认为训练集里没有标注。 原因：最常见的是 labels 目录和 images 目录的层级关系写错，比如把 labels 放到了 images/train 内部，或者把 labels/train 写成了 images/train 的兄弟目录但名字拼错。另一个更隐蔽的原因是图片文件是 .jpeg 或 .png，而标注文件名强行以 .jpg.txt 结尾，框架按 .jpeg 找同名 txt 时找不到。 解决：先跑一次第 3 章的 check_align 对账脚本，确认每个图片都有同名 txt；再把 YAML 里的路径和目录结构逐个字符核对。做完这两步，绝大多数 no labels 问题都会消失。剩余情况往往是 val 路径误写成了 train。

5.2 越界坐标让 loss 前期大得离谱

现象：前几个 epoch 的 loss 比正常水平高 3 到 5 倍，而且下降速度慢得出奇。训练能继续进行，但验证集表现完全不成比例。 原因：标注数据里有几张图存在框坐标越界。横向中心点超过 1，纵向出现负值，这类数据在训练逻辑里会被异常处理，有的框架直接报错，有的把它当成翻转了边界的特殊框，导致 loss 异常。 解决：写一个清洗脚本把所有 txt 里的坐标裁剪到 [0,1] 区间，再进入训练。这个脚本建议做成固定步骤，每次拿到新数据都先跑一遍。

# clean_yolo_labels.py：裁剪越界坐标并丢弃无效框 import os label_dir = "labels/train" for fn in os.listdir(label_dir): if not fn.endswith(".txt"): continue path = os.path.join(label_dir, fn) with open(path, "r") as f: lines = f.read().strip().splitlines() cleaned = [] for line in lines: parts = line.split() if len(parts) != 5: continue cls, cx, cy, bw, bh = int(parts[0]), float(parts[1]), float(parts[2]), float(parts[3]), float(parts[4]) if bw <= 0 or bh <= 0: continue # 先把中心点还原成左上右下角，裁剪回合法范围 x1 = max(0.0, cx - bw / 2) y1 = max(0.0, cy - bh / 2) x2 = min(1.0, cx + bw / 2) y2 = min(1.0, cy + bh / 2) if x2 - x1 < 0.01 or y2 - y1 < 0.01: continue cleaned.append(f"{cls} {(x1+x2)/2:.4f} {(y1+y2)/2:.4f} {x2-x1:.4f} {y2-y1:.4f}") with open(path, "w") as f: f.write("\n".join(cleaned))

这个脚本先把中心点换算回左上右下角，裁剪到 [0,1]，再重新生成中心点表示，同时丢掉宽度或高度小于 0.01 的框。小于 0.01 意味着不足原图 1% 的像素尺寸，在 1080p 下大约只有 10 个像素宽，这样的框即使保留，对训练也没有正收益。

5.3 类别不均衡导致“整体不错、个别类别完全没学”

现象：训练结束后的总 mAP 看着还行，但逐类展开时发现某个类别 AP 为 0 或接近 0，而另一类 AP 高达 0.85。 原因：类别框数差异悬殊。少数类别的框占全部框的比例连 10% 都不到，模型为了降低整体 loss，选择把高频类放在优先位置，低频类几乎不做正预测。 解决：先做过采样，再考虑加 loss 权重。对低频类别的训练图做重复采样，是成本最低且效果最明显的操作；对同一类别的框做轻微水平翻转增强，也能把有效样本量提升。如果这两步后仍不理想，再按各类框数的倒数来加权分类 loss。这个顺序很重要，一上来就调 loss 权重，容易让训练不稳定。

5.4 验证 loss 拐头上扬：模型开始背图像，不再学行为

现象：验证 loss 在第 70 到 90 个 epoch 出现明显拐头，之后持续上升；训练 loss 却一如既往下降。验证 mAP 开始波动，不再稳定提升。 原因：这是小数据集过拟合的典型表现。模型已经记住了训练图里的背景纹理、窗帘褶皱甚至某个学生的校服颜色，而不是在学“举手”这个动作本身的形态。课堂场景里背景重复度高，这个问题会来得格外早。 解决：三种手段组合使用。第一，降低训练分辨率，比如从 640 降到 480，少给模型一些像素细节去记忆；第二，适度加大数据增强强度，让模型每次看到的是经过变化的图；第三，启用早停，直接回滚到验证 loss 最低的权重。千万不要让 epoch 硬跑满，那样只是把过拟合后的次优权重保存下来交给你。

5.5 可视化才发现类别映射顺序错位

现象：训练一切正常，mAP 也在合理范围，但把模型跑在几张新图上时，发现“趴桌子”的框永远画在书本上，“举手”的框总落在旁边同学的胳膊上。类别看起来相似，但位置和语义明显不对。 原因：最初的转换脚本用了不稳定的类别映射方式，比如用集合推导式去取索引。Python 的 set 是无序的，类别 ID 到名字的对应关系在每次运行脚本时都可能变，训练读到的是乱序的 txt。 解决：把类别 ID 固定在一个显式定义的列表里，并在转换后做一次自动映射验证：读一个 XML，按 CLASSES 编号，再读对应的 txt，比较两者类别名是否一致。这个验证只花两分钟，却能拦下最隐蔽的坑。我在这上面翻过车，也看到同事在同一个地方踩过。

6. 从 mAP 到真能用：三个贴近实战的验收与迭代技巧

小样本课堂行为检测，mAP50 只是及格线，离“能用”还有一段距离。我自己的验收流程一般分三步。

第一步，在没参与训练的新教室或新角度图片上做推理。mAP 高只说明模型在这套验证集上表现不错，新分布才是真正的考场。我通常留一批完全不参与训练、也不进验证集的截图，训练完成后直接在这批图上跑预测，看六类行为的检出和误检。课堂场景一旦换了摄像头或视角，漏检率大概率会暴露，这是最值得先解决的问题。

第二步，用精确率-召回率曲线找阈值。课堂行为检测大多不只是画框，还要驱动管理告警或统计。误报太多会打扰，漏报太多又失去价值。按场景把置信度阈值拉低或调高，是部署前必做的小实验。比如告警场景更怕误报，阈值往 0.5 以上调；统计场景更怕漏报，阈值放到 0.25 附近。

第三步，把“模型分不清的两类”挑出来人工修正。课堂里“阅读”和“低头写”在视觉上高度相似，模型经常把两者混在一起。发现问题后，与其一次加很多数据把所有类一起强化，不如只针对混淆矩阵里误差最大的那一对做定向补充——标注一批最难帧，只改这两类的框，也别动其他类别，下一轮训练效果往往比盲目加图更明显。

这套流程走下来，671 张图的模型会变得实际可用，但离产品级仍有距离。我个人习惯是边跑边留中间权重：每轮的验证 loss 最低点权重和最后一代权重都保存，即使同一条命令，后续选择不同权重，实际效果也经常有明显差异。这个做法在数据规模有限时，等于给自己留了一份后悔药。

迭代时记得把每一轮的误检截图单独归档，下一轮训练前人工快速看一遍。你会发现多数数据集的问题都能在几十张图上看出端倪。做小样本检测，耐心地看错例比急着调参更划算。希望这些步骤能帮到你顺利跑出自己的课堂行为检测基线。

本文还有配套的精品资源，点击获取