在课堂上，老师最头疼的场景之一，莫过于学生“低头玩手机”。人工巡视不仅效率低，而且难以兼顾全班，更无法形成可量化的管理依据。随着计算机视觉技术的成熟，能否让系统“自动看懂课堂”，成为智慧教学中的一个现实问题。基于这一需求，我尝试将轻量化目标检测模型引入课堂场景，设计并实现了一套基于 YOLOv5n 的课堂手机检测系统，让手机使用行为能够被实时识别、统计和预警。
在查阅 2020—2025 年 CNKI 与 IEEE 相关文献后发现，课堂行为检测对模型的实时性与部署成本要求极高。在对 YOLOv5n、YOLOv8n 与 Faster-RCNN 进行同机对比实验后，YOLOv5n 在模型体积、推理速度和检测精度之间达成了最佳平衡。结合知识蒸馏技术，以 YOLOv5s 作为教师模型对 YOLOv5n 进行指导学习，在不增加模型大小的前提下 mAP 提升约 1.8%；再通过 OpenVINO INT8 量化，使 CPU 单帧推理时间稳定控制在 25 ms 以内，实现真正的实时检测。
相比“只跑通模型”，本项目更注重系统级落地。系统采用 PyQt5 + OpenCV 构建桌面应用，支持图片拖拽检测、1080p 视频回放检测以及 USB 摄像头实时检测三种模式。检测过程中可实时显示手机数量、置信度与告警信息，并自动生成 CSV 日志与 Excel 报表，方便课堂管理与后续存档分析。模块化的软件架构保证了系统的稳定性和可扩展性，也让算法真正走出了实验室。
在白天、夜晚、逆光和遮挡等多种真实课堂环境下测试表明，系统在自建测试集上的 mAP@0.5 超过 95%，召回率不低于 93%，误检率控制在 3% 以内，不同场景下性能波动小于 2%。这不仅验证了 YOLOv5n 轻量化方案在课堂场景中的可行性，也证明了通过合理的数据增强、模型压缩与工程优化，可以在普通 CPU 设备上实现高精度实时检测。该系统为课堂行为智能管理提供了一种切实可行的技术方案，也为智慧校园应用落地提供了参考范例。