树莓派 + YOLOv8：我给自己做了一个“防摸鱼”监控系统，老板来了自动切屏！

🐟 前言：科技是为了更好地生存

作为一名程序员，工作之余偶尔“带薪放松”一下是合情合理的。
但最尴尬的莫过于：当你正打开 Steam 或者 B 站时，老板悄无声息地出现在了你身后。

靠后视镜？太 low。靠听脚步声？太累。
我们要用技术解决问题！
今天，我将手把手教你用树莓派 (Raspberry Pi)加上YOLOv8视觉模型，打造一个全自动防摸鱼防御塔。

核心功能：摄像头 24 小时监控门口，一旦识别到“老板”或者“人脸”，立刻向你的电脑发送指令，瞬间切换回 VS Code 代码界面！

🛠️ 系统架构：它是怎么工作的？

我们不把算力浪费在工作电脑上（容易被发现进程），而是把识别任务全部交给树莓派。

硬件清单：

1. 树莓派 4B / 5(推荐 4GB 内存以上)。
2. USB 摄像头 / CSI 摄像头(广角镜头最佳)。
3. 工作电脑(Windows/Mac)。

逻辑流程图 (Mermaid)：

📸 Step 1: 数据集准备（最危险的一步）

要训练一个能识别“老板”的模型，你需要老板的照片。

• 方案 A (勇士版)：直接拿着手机对着老板拍，积累 100 张素材。
• 方案 B (猥琐版)：从公司大合照、监控录像、或者他路过时偷拍。

标注数据：
使用LabelImg或Roboflow进行标注。

• Label:boss(老板)
• Label:human(普通同事，可选，用于二级预警)

🧠 Step 2: 训练 YOLOv8 模型

为了在树莓派上跑得动，我们选择最轻量级的YOLOv8n (Nano)版本。

本地电脑训练代码 (GPU)：

fromultralyticsimportYOLO# 1. 加载预训练模型model=YOLO('yolov8n.pt')# 2. 训练 (指向你的数据集 yaml 文件)# epochs=50 差不多够了，imgsz=640results=model.train(data='boss_dataset.yaml',epochs=50,imgsz=640)# 3. 导出为 NCNN 或 ONNX 格式 (关键！树莓派跑不动 PyTorch 原生格式)model.export(format='ncnn')

训练完成后，你会得到一个best.pt(或者导出后的best_ncnn_model)，把它拷贝到树莓派上。

🍓 Step 3: 树莓派部署 (核心代码)

在树莓派上，我们需要安装ultralytics和opencv-python。

detector.py(运行在树莓派)：

importcv2fromultralyticsimportYOLOimportsocketimporttime# 1. 加载模型model=YOLO("yolov8n.pt")# 建议使用导出后的 ncnn 模型以提速# 2. 初始化网络发送端 (发给电脑)PC_IP="192.168.1.100"# 你电脑的 IPPORT=8888client_socket=socket.socket(socket.AF_INET,socket.SOCK_DGRAM)# 3. 打开摄像头cap=cv2.VideoCapture(0)# 降低分辨率以提高 FPScap.set(3,640)cap.set(4,480)print("🛡️ 防摸鱼系统启动中...")whileTrue:ret,frame=cap.read()ifnotret:break# 4. 推理results=model(frame,stream=True,conf=0.6)# 置信度设高点，防止误判forrinresults:boxes=r.boxesforboxinboxes:cls=int(box.cls[0])label=model.names[cls]# 5. 核心判断逻辑iflabel=='person':# 如果你训练了专门的 boss 类，这里写 'boss'print("⚠️ 警报！检测到目标！")# 发送指令给电脑msg="BOSS_IS_COMING"client_socket.sendto(msg.encode(),(PC_IP,PORT))# 冷却时间，防止一直切屏闪瞎眼time.sleep(5)# 可选：显示监控画面 (会降低性能，建议无头运行)# cv2.imshow('Surveillance', frame)# if cv2.waitKey(1) & 0xFF == ord('q'): breakcap.release()

💻 Step 4: 电脑端接收与自动切屏

在你的工作电脑上，运行一个微小的 Python 脚本，监听树莓派发来的信号。

receiver.py(运行在电脑后台)：

importsocketimportpyautogui# 自动化控制库# 绑定监听端口server_socket=socket.socket(socket.AF_INET,socket.SOCK_DGRAM)server_socket.bind(("0.0.0.0",8888))print("👨‍💻 工作模式已就绪，等待指令...")whileTrue:data,addr=server_socket.recvfrom(1024)msg=data.decode()ifmsg=="BOSS_IS_COMING":print("💥 收到警报！执行紧急切屏！")# 方案 A: 最小化所有窗口，回到桌面pyautogui.hotkey('win','d')# 方案 B: 切换到上一个应用 (比如写好的代码页面)# pyautogui.hotkey('alt', 'tab')

⚡ Step 5: 性能优化 (让树莓派跑得飞起)

树莓派 4B 直接跑 YOLOv8n 大概只有 1-3 FPS，这延迟太高了，等识别出来老板已经站你背后了。

优化方案：

1. 模型量化：使用Int8量化。
2. 导出格式：不要直接用.pt。

• NCNN：腾讯开源的框架，专门针对 ARM 优化，在树莓派上能跑到 10-15 FPS。
• ONNX Runtime：比 PyTorch 原生快不少。

3. 超频：给树莓派加个风扇，超频到 2.0GHz。

优化后的流程图：

📝 总结与风险提示

通过这个项目，你不仅学会了YOLOv8的训练与部署，还掌握了Socket 网络编程和树莓派硬件控制。这可是实打实的“全栈”技能！

⚠️ 风险提示：

1. 误判风险：如果把打扫卫生的阿姨识别成老板，你的屏幕会疯狂闪烁。
2. 职场风险：如果被老板发现你在做这个东西… 呃，你最好解释说这是为了**“保护公司资产安全”**。

祝大家的摸鱼生涯，安全，且高效。