Projects | Liu chen chen CV

SLR

Wed, 22 Oct 2025 00:00:00 +0000

智能手语教学平台

项目代号：SignLM
版本：v2.0
最后更新：2025-11-18

github地址：https://github.com/liuchenlili/SLR-AI

Bilibili演示视频demo::

1. 项目愿景

“让手语学习像说话一样自然，让听障交流像呼吸一样自由。”

2. 一句话说明

用 AI 把“手语视频”实时变成“文字/语音”，再把“文字/语音”变成“手语教学”，形成一个可教、可练、可评的闭环学习平台。

3. 核心场景（MVP）

场景	用户故事	完成标准
词汇学习	小明打开网页，点击“你好”，看到手语示范视频，跟做后系统打分 ≥80 分。	端到端跑通，延迟 <1.5 s。
实时识别	老师面对摄像头打一句手语，系统即时返回文字“同学们好”。	Top-1 准确率 ≥90%，FPS ≥15。
AI 问答	小红问“手语中的‘是’和‘事’怎么区分？”扣子智能体给出动作差异 GIF。	答案相关度 ≥4/5（人工评测）。

4. 技术全景图

5. 模型动物园

模型	作用	输入	输出	指标
SignFormer	主力识别	32 帧 224×224	500 类 logits	Top-1 94.2%
R(2+1)D	轻量备选	16 帧 112×112	500 类 logits	Top-1 89.7%
CNN-LSTM	老设备兼容	8 帧 64×64	100 类 logits	Top-1 82.4%
CLIP-Teacher	语义监督	被掩码帧	512-D 向量	CosSim 0.83

6. 数据流水线

原始视频 → OpenCV 抽帧 → MediaPipe 抠手/脸 → 对齐到 1280×720 → 增强（随机翻转、亮度、遮挡）→ 生成 two-stream tensor → 进入 SignFormer

7. 关键创新点（3 句话版本）

双流时空解耦：空间流看“手型”，时间流看“轨迹”，交叉注意力融合，比 3D-CNN 节省 42% FLOPs。
智能掩码：只遮“手+脸”Tube，强迫模型关注关键语义区域，收敛快 1.7×。
语义级重建：不仅还原像素，还要对齐 CLIP 特征，让网络“理解”动作含义，zero-shot 连续句提升 6.8%。

8. 系统架构

8.1 前端（Vue3 + TS）

组件库：Ant Design Vue 4
状态：Pinia 持久化到 IndexedDB
实时识别：WebSocket 二进制流传输，前端 WASM 做帧级缓存，降低后端压力。
可视化：ECharts 5 动态绘制混淆矩阵、训练曲线、网络拓扑图（支持点击查看参数量）。

8.2 后端（Spring Boot 3）

多租户：学校/机构隔离（Schema-per-tenant）。
微服务：用户、课程、成绩、模型网关四模块。
鉴权：JWT + Redis 黑名单，支持单点踢出。
文件存储：MinIO S3 协议，视频自动生命周期 30 天后转冷归档。

8.3 推理服务（FastAPI）

镜像大小：nvidia/cuda:11.8-runtime，仅保留 onnxruntime-gpu，压缩到 1.2 GB。
动态批处理：自适应 N=1~4，延迟 <800 ms@N=1，吞吐提升 2.3×@N=4。
灰度发布：通过 Header Model-Version=signformer-v1.2 一键切换。

8.4 扣子智能体

Prompt 模板 1200 token，注入《中国手语词典》第三版 5600 词条。
多轮记忆：Redis Stream 保存最近 5 轮对话，支持断网续问。
卡片回复：返回 JSON 含 gif_url、动作要领、易错点，前端自动渲染。

9. 性能基准（CSL-500 测试集）

模型	Top-1	Top-5	延迟(P99)	显存
SignFormer	94.2%	99.1%	670 ms	3.4 GB
R(2+1)D	89.7%	97.3%	320 ms	1.6 GB
CNN-LSTM	82.4%	94.5%	120 ms	0.9 GB

目标：在 RTX 4060 笔记本端 SignFormer INT8 量化后延迟 <400 ms，精度下降 ≤1%。

10. 安全 & 伦理

数据脱敏：人脸模糊化开源脚本，默认勾选。
未成年人模式：13 岁以下禁用上传真人视频，仅用官方素材。
偏差审查：每季度抽检 500 条预测结果，若性别/地域偏差>5%，立即重训。

13. 一分钟本地体验

git clone https://github.com/xxx/signlm.git
cd docker && docker-compose up
# 浏览器打开 http://localhost:5173
# 上传 video/hello.mp4 → 看到识别结果“你好”

14. 许可证

代码：MIT
模型权重：CC BY-NC-SA 4.0（禁止商用）
CSL-500 数据：遵循原协议，仅提供下载脚本。

15. 联系方式

如有问题或建议，请联系：

邮箱:

让 AI 做手语翻译，让科技更有温度。❤️

Yolo-AI

Fri, 22 Aug 2025 00:00:00 +0000

YOLO目标检测系统

基于yolo的智能目标检测系统，支持图片、视频和实时摄像头检测。

github地址：https://github.com/liuchenlili/yoloaiv3

Bilibili演示视频demo::

项目概述

这是一个完整的目标检测解决方案，包含以下组件：

AI检测服务 (Python Flask + YOLOv8)
后端API服务 (Java Spring Boot + MySQL)
前端界面 (Vue3 + TypeScript + Element Plus)
数据库 (MySQL + Redis)

技术栈

AI检测服务

Flask 2.3.3
YOLOv8 (Ultralytics)
OpenCV
WebSocket (Flask-SocketIO)
Celery (异步任务处理)
Redis (缓存和任务队列)

后端服务

Spring Boot 3.2.0
Spring Security + JWT
Spring Data JPA
MySQL 8.0
Redis
Swagger/OpenAPI

前端界面

Vue 3.3.8
TypeScript
Element Plus 2.4.2
Vue Router 4
Pinia (状态管理)
ECharts (数据可视化)
Axios (HTTP客户端)

功能特性

🎯 检测功能

图片检测: 支持多种图片格式，批量检测
视频检测: 逐帧分析，生成结果视频
实时检测: 摄像头实时画面检测

🤖 模型管理

模型上传: 支持上传自定义训练的.pt模型文件
模型列表: 卡片式展示所有可用模型，显示名称和大小
模型切换: 一键激活不同的模型进行检测
模型详情: 查看模型架构、类别数量、参数等详细信息

🎓 模型训练

自定义训练: 使用自己的数据集训练YOLO模型
训练参数配置:
实时监控: WebSocket实时显示训练进度和指标
训练日志: 详细的训练过程日志记录
指标可视化: 实时图表显示损失、精度、召回率等

🔒 用户管理

用户注册/登录/权限管理
JWT认证和刷新机制
角色分离 (管理员/普通用户)

📊 数据分析

检测结果统计和可视化
实时仪表板
历史记录查询和筛选

⚙️ 系统管理

多模型支持 (YOLOv8n/s/m/l/x) 支持自定义训练模型和架构
文件存储和清理
系统日志和监控

快速开始

环境要求

Python 3.8+
Java 17+
Node.js 16+
MySQL 8.0

1. 数据库设置

# 创建数据库
mysql -u root -p
CREATE DATABASE yolo_detection_system;

# 导入数据库结构
mysql -u root -p yolo_detection_system < database/schema.sql

2. AI检测服务

cd ai-service

# 安装依赖
pip install -r requirements.txt

# 启动服务
python app.py

3. 后端服务

cd backend-service

# 修改数据库配置
# 编辑 src/main/resources/application.yml

# 构建和运行
mvn spring-boot:run

4. 前端界面

cd frontend

# 安装依赖
npm install

# 启动开发服务器
npm run dev

服务端口

前端: http://localhost:3000
后端API: http://localhost:8080
AI服务: http://localhost:5000
Swagger文档: http://localhost:8080/swagger-ui.html

使用说明

1. 系统登录

或注册新用户账号

2. 图片检测

进入"图片检测"页面
拖拽或点击上传图片
调整检测参数
查看检测结果

3. 视频检测

进入"视频检测"页面
上传视频文件
等待处理完成
下载结果视频

4. 实时检测

进入"摄像头检测"页面
允许摄像头权限
开始实时检测
查看检测框和结果

5. 模型管理

进入"模型管理"页面
查看当前所有可用模型
上传新模型:
切换模型:
- 点击模型卡片上的"激活"按钮
- 系统会加载新模型用于后续检测
管理模型:

6. 模型训练

进入"模型训练"页面
准备数据集:
- 确保数据集在ai-service/datasets/目录下
- 数据集应包含data.yaml配置文件
配置训练参数:
- 选择基础模型（yolov8n.pt、yolov8s.pt等）
- 配置图像尺寸（320/416/512/640/832）
- 调整批量大小和学习率
开始训练:
- 点击"开始训练"按钮
- 实时查看训练进度和指标
- 监控损失值、精度、召回率等
训练完成:
- 最佳模型自动保存到runs/train/目录
- 可将训练好的模型移动到models/目录使用

API文档

访问 http://localhost:8080/swagger-ui.html 查看完整的API文档。

主要接口

认证接口

POST /api/auth/login - 用户登录
POST /api/auth/register - 用户注册
POST /api/auth/refresh - 刷新令牌

检测接口

POST /api/detect/image - 图片检测
POST /api/detect/video - 视频检测
GET /api/tasks/{taskId}/status - 查询任务状态

模型管理接口

GET /api/models/management - 获取模型管理列表
POST /api/models/upload - 上传模型文件
PUT /api/models/{id}/rename - 重命名模型
DELETE /api/models/{id}/delete - 删除模型
POST /api/models/{id}/activate - 激活模型
GET /api/models/{id}/info - 获取模型详细信息
GET /api/models - 获取可用模型列表

模型训练接口

POST /api/training/start - 开始训练
GET /api/training/status - 获取训练状态
POST /api/training/stop - 停止训练
GET /api/training/models - 获取可用预训练模型

用户管理

GET /api/users - 获取用户列表
PUT /api/users/{id} - 更新用户信息
DELETE /api/users/{id} - 删除用户

部署说明

生产环境配置

数据库优化: 调整MySQL配置参数
Redis集群: 使用Redis Cluster提高可用性
负载均衡: 使用Nginx进行负载均衡
SSL证书: 配置HTTPS
监控告警: 集成Prometheus + Grafana

开发指南

项目结构

yolo-detection-system/
├── ai-service/ # AI检测服务
│ ├── app.py # Flask应用主文件
│ ├── requirements.txt # Python依赖
│ ├── models/ # YOLO模型存储 
│ ├── datasets/ # 训练数据集存储 
│ ├── runs/ # 训练结果存储 
│ └── uploads/ # 上传文件存储
├── backend-service/ # Spring Boot后端
│ ├── src/main/java/ # Java源码
│ ├── pom.xml # Maven配置
│ └── application.yml # 应用配置
├── frontend/ # Vue3前端
│ ├── src/ # 源码
│ │ ├── api/ # API接口
│ │ │ ├── model-management.ts # 模型管理API 
│ │ │ └── training.ts # 训练API
│ │ ├── views/ # 页面组件
│ │ │ ├── model/ # 模型管理页面 
│ │ │ └── training/ # 训练页面 
│ │ └── router/ # 路由配置
│ ├── package.json # npm配置
│ ├── vite.config.ts # Vite配置
├── database/ # 数据库脚本
│ └── schema.sql # 数据库结构

代码规范

Python: 遵循PEP 8规范
Java: 使用Google Java Style
TypeScript: 使用ESLint + Prettier
Git: 使用约定式提交规范

测试

# 后端测试
cd backend-service
mvn test

# 前端测试
cd frontend
npm run test

# AI服务测试
cd ai-service
python -m pytest

常见问题

Q: 模型下载慢怎么办？

A: 可以手动下载YOLO模型文件到 ai-service/models/ 目录。

Q: 摄像头检测连接失败？

A: 检查浏览器权限和摄像头设备状态。

Q: 文件上传失败？

A: 检查文件大小限制和服务器磁盘空间。

Q: 数据库连接失败？

A: 检查MySQL服务状态和连接配置。

Q: 历史记录中不存在视频和图片

A: 查看后端spring启动路径

修改backend-service/src/main/resources/application.yml

upload-path: results-path:

更新日志

v1.0.0 (2025-06-27)

初始版本发布
支持图片、视频、实时检测
用户权限管理
基础数据可视化

v2.0.1 (2025-08-01)

优化数据可视化
优化界面ui
修复检测记录bug
增加统计指标

v3.1.0 (2025-08-10)

🆕 模型管理功能:
🆕 模型训练功能:
🔧 系统优化:

联系方式

邮箱:

致谢

检测记录功能完成状态

✅ 已完成功能

1. 数据库设计

✅ detection_tasks表：包含user_id字段，支持用户数据隔离
✅ detection_results表：通过task_id关联，间接支持用户隔离
✅ 索引优化：添加user_id、task_id、status等关键字段索引
✅ 外键约束：确保数据一致性

2. 后端API实现

✅ DetectionRecordController：用户检测记录CRUD操作
- 获取检测记录列表（分页、排序、筛选）
- 获取检测记录详情
- 获取检测结果列表
- 获取统计信息
- 删除检测记录
- 批量删除检测记录
- 获取用户概览统计
✅ InternalDetectionController：供AI服务使用的内部API
- 创建检测任务
- 更新任务状态
- 保存检测结果
- 获取任务信息
✅ 权限控制：所有用户API基于@AuthenticationPrincipal验证
✅ 数据隔离：确保用户只能访问自己的检测记录

3. 前端界面实现

✅ 检测记录列表页面（/history）
- 用户概览统计卡片
- 搜索和筛选功能
- 表格和卡片两种视图模式
- 分页功能
- 批量选择和删除
- 操作按钮（查看详情、下载、删除）
✅ 检测记录详情页面（/history/detail/:taskId）
- 基本信息展示
- 文件预览功能
- 统计图表（类别分布、置信度分布）
- 检测结果列表（分页、筛选）
✅ 路由配置：支持详情页面访问
✅ 权限验证：自动登录测试用户功能

4. AI服务集成

✅ 后端API客户端：与后端服务通信
✅ 检测任务创建：自动创建数据库记录
✅ 状态更新：实时更新任务处理状态
✅ 结果保存：检测完成后保存结果到数据库
✅ 图片检测集成：完整的检测流程
✅ 错误处理：异常情况的状态更新

5. 文件管理

✅ FileController：文件下载和预览API
✅ 文件上传：支持图片和视频文件
✅ 结果文件：处理后的文件存储和访问
✅ 缩略图：任务缩略图生成和显示

6. 安全配置

✅ 内部API：不需要认证，供AI服务使用
✅ 用户API：需要JWT认证
✅ CORS配置：支持跨域访问
✅ 权限隔离：用户数据完全隔离

🔧 技术特性

用户权限隔离

每个用户只能查看自己的检测记录
所有查询均基于当前登录用户
数据库级别的权限控制

性能优化

分页查询：避免大数据量加载
索引优化：提高查询效率
懒加载：图片和文件按需加载

用户体验

响应式设计：支持多种屏幕尺寸
实时反馈：操作状态提示
快速搜索：关键词和条件筛选
批量操作：提高管理效率

📊 支持的检测类型

✅ 图片检测：单张图片处理
✅ 视频检测：视频文件处理
✅ 实时检测：摄像头检测
✅ 模型管理：自定义模型上传和管理 (新增)
✅ 模型训练：自定义数据集训练 (新增)

🚀 新功能详细说明

🤖 模型管理系统

功能特性

智能模型识别: 自动识别YOLO模型格式和架构
可视化管理: 美观的卡片式界面展示所有模型
模型信息: 显示模型大小、类别数量、修改时间等
一键切换: 快速切换不同模型进行检测
安全管理: 防止删除正在使用的模型

支持的模型格式

YOLOv8 系列: yolov8n.pt, yolov8s.pt, yolov8m.pt, yolov8l.pt, yolov8x.pt
YOLOv11 系列: yolov11n.pt 及其他变体
自定义训练模型: 支持用户训练的所有YOLO格式模型

使用流程

📁 将模型文件上传到系统
✅ 系统自动验证模型有效性
📋 查看模型详细信息和架构
🔄 一键激活模型用于检测
🗑️ 管理不需要的模型文件

🎓 模型训练系统

训练能力

多GPU支持: 自动检测和使用可用GPU
断点续训: 支持从检查点恢复训练
实时监控: WebSocket实时推送训练状态
自动调优: 智能调整训练参数
结果保存: 自动保存最佳模型权重

训练参数配置

训练参数:
 - 数据集路径: datasets/your_dataset/

实时监控指标

📈 损失函数: 训练损失和验证损失
🎯 精度指标: Precision, Recall, F1-Score
🏆 mAP指标: mAP@50, mAP@50-95
⏱️ 进度信息: 当前轮次、剩余时间、ETA
💾 资源使用: GPU使用率、内存占用

数据集格式要求

datasets/your_dataset/
├── data.yaml # 数据集配置文件
├── images/ # 图像文件
│ ├── train/ # 训练图像
│ └── val/ # 验证图像
└── labels/ # 标注文件
 ├── train/ # 训练标注 (.txt格式)
 └── val/ # 验证标注 (.txt格式)

训练输出

🏆 最佳模型: runs/train/exp_xxx/weights/best.pt
📊 训练曲线: 损失和指标变化图表
📝 训练日志: 完整的训练过程记录
🔍 验证结果: 验证集上的检测结果示例

🎯 用户功能

查看检测记录：分页浏览所有检测任务
筛选搜索：按类型、状态、时间、关键词筛选
查看详情：详细信息、文件预览、统计图表
管理记录：删除单个或批量删除记录
统计分析：个人检测数据统计和可视化
下载结果：下载处理后的文件

🚀 部署说明

前端：Vue3 + TypeScript + Element Plus
后端：Spring Boot + JPA + MySQL
AI服务：Flask + YOLOv8
数据库：MySQL 8.0+
认证：JWT Token

测试指南

启动服务

# 启动后端服务
cd backend-service && mvn spring-boot:run

# 启动AI服务 
cd ai-service && python app.py

# 启动前端服务
cd frontend && npm run dev

访问地址

前端界面：http://localhost:3000
后端API文档：http://localhost:8080/swagger-ui.html

检测记录功能已完全实现，支持完整的用户隔离和记录管理功能！

ActionRecognitionWeb

Thu, 26 Oct 2023 00:00:00 +0000

github地址：https://github.com/liuchenlili/ActionRecognitionWeb

Bilibili演示视频demo::

动作识别Web应用 (ActionRecognitionWeb)

基于Django和R3D模型的视频动作识别Web应用，支持实时监控、视频分析和异常行为检测。

项目简介

本项目是一个完整的Web应用系统，集成了深度学习模型（R3D）进行视频动作识别，主要功能包括：

🎥 视频上传与分析
📹 实时监控设备管理
🚨 异常行为检测与报警
📊 数据可视化展示
🔐 用户权限管理

核心技术栈

后端框架: Django 3.2
深度学习: PyTorch + R3D模型
数据库: MySQL
前端: Bootstrap + jQuery
UI框架: SimpleUI

下载模型权重

下载模型权重放到R3D/weight文件夹里

谷歌网盘地址：https://drive.google.com/file/d/132DU_Ps1jh5zNLjKoiSgngCqv9AUHyUo/view?usp=drive_link

百度网盘地址：链接: 提取码: 5t6p

环境要求

系统要求

Python 3.8.10
CUDA ≥ 10.2 (GPU版本)
MySQL 5.7+

硬件要求

GPU: NVIDIA显卡（推荐GTX 1060以上）
内存: 8GB以上
存储: 10GB以上可用空间

快速开始

一键安装

# 1. 创建并激活虚拟环境
conda create -n pytorch python=3.8.10
conda activate pytorch

# 2. 安装PyTorch (选择适合你CUDA版本的命令)
# CUDA 11.1:
pip install torch==1.10.1+cu111 torchvision==0.11.2+cu111 torchaudio==0.10.1 -f https://download.pytorch.org/whl/cu111/torch_stable.html

# 3. 安装项目依赖
pip install -r requirements.txt

# 4. 配置数据库后运行
python manage.py makemigrations
python manage.py migrate
python manage.py createsuperuser
python manage.py runserver

安装指南

1. 安装Anaconda

参考教程：

2. 创建Python虚拟环境

conda create -n pytorch python=3.8.10
conda activate pytorch

3. 安装PyTorch

注意: 需要根据你的CUDA版本选择对应的PyTorch版本

CUDA 11.1

pip install torch==1.10.1+cu111 torchvision==0.11.2+cu111 torchaudio==0.10.1 -f https://download.pytorch.org/whl/cu111/torch_stable.html

CUDA 10.2

pip install torch==1.10.1+cu102 torchvision==0.11.2+cu102 torchaudio==0.10.1 -f https://download.pytorch.org/whl/cu102/torch_stable.html

CUDA 11.6 (高版本)

pip --default-timeout=300 install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116

CPU版本

pip install torch==1.10.1+cpu torchvision==0.11.2+cpu torchaudio==0.10.1 -f https://download.pytorch.org/whl/cpu/torch_stable.html

CUDA安装参考:

4. 安装依赖包

使用requirements.txt


# 或者使用清华镜像源加速
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注意: 如果安装过程中提示缺少某些包，请根据错误信息进行补充安装。

数据库配置

1. 创建MySQL数据库

SHOW DATABASES;
CREATE DATABASE action DEFAULT CHARSET utf8 COLLATE utf8_general_ci;

2. 修改数据库配置

编辑 ActionRecognitionWeb/settings.py 文件中的数据库配置：

DATABASES = {
 'default': {
 'ENGINE': 'django.db.backends.mysql',
 'NAME': 'action', # 数据库名
 'USER': 'your_username', # 用户名
 'PASSWORD': 'your_password', # 密码
 'HOST': '127.0.0.1', # 主机地址
 'PORT': '3306', # 端口号
 }
}

3. 数据库迁移

python manage.py makemigrations
python manage.py migrate

运行应用

1. 创建管理员账号

python manage.py createsuperuser

2. 启动服务

python manage.py runserver

访问地址：http://127.0.0.1:8000

项目结构

ActionRecognitionWeb/
├── ActionRecognitionWeb/ # Django项目配置
│ ├── settings.py # 项目设置
│ ├── urls.py # URL路由
│ └── wsgi.py # WSGI配置
├── devices/ # 设备管理应用
│ ├── models.py # 数据模型
│ ├── views.py # 视图函数
│ ├── EventViews.py # 事件视图
│ ├── MonitorViews.py # 监控视图
│ └── VideoViews.py # 视频视图
├── R3D/ # R3D模型模块
│ ├── model.py # 模型定义
│ ├── inference.py # 推理脚本
│ └── weight/ # 模型权重
├── static/ # 静态文件
├── templates/ # 模板文件
├── media/ # 媒体文件
└── manage.py # Django管理脚本

功能模块

设备管理

设备信息录入与编辑
设备状态监控
设备分组管理

视频分析

视频文件上传
动作识别分析
结果可视化展示

异常检测

实时异常行为检测
异常事件记录
报警信息管理

监控中心

实时视频流监控
多路视频同时监控
历史记录查询

模型信息

R3D模型

架构: ResNet3D-18
预训练: 基于大规模视频数据集
支持动作类别: 101种（UCF-101数据集）
模型文件: R3D/weight/R3D-ucf101_epoch-35.pth.tar

检测类别

正常行为
打架
爆炸
车祸
抢劫

常见问题

Q1: CUDA版本不匹配

A: 请根据你的GPU和CUDA版本选择对应的PyTorch版本，参考上述安装指令。

Q2: 数据库连接错误

A: 检查MySQL服务是否启动，数据库配置是否正确。

Q3: 模型加载失败

A: 确保模型权重文件存在于 R3D/weight/ 目录下。

Q4: 依赖包安装失败

A: 尝试使用国内镜像源，或者逐个安装依赖包。

开发指南

添加新的动作类别

修改 devices/models.py 中的 work_choices
更新模型标签文件 R3D/weight/ucf_labels.txt
重新训练或调整模型输出层

自定义UI界面

修改 templates/ 目录下的HTML模板
调整 static/css/ 中的样式文件
使用SimpleUI配置自定义管理界面

联系方式

如有问题或建议，请联系项目维护者。

邮箱:2464228500@qq.com

注意: 首次运行前请确保已完成所有环境配置和数据库设置。

TextClassification

Tue, 24 Oct 2023 00:00:00 +0000

中文文本分类系统

基于深度学习的中文文本分类系统，支持多种模型算法，包括 TextCNN、LSTM 和朴素贝叶斯分类器。

github地址：https://github.com/liuchenlili/TextClassification

Bilibili演示视频demo::

📖 项目简介

本项目是一个基于深度学习的中文文本分类系统，支持多种模型算法，包括 TextCNN、LSTM 和朴素贝叶斯分类器。系统提供了完整的训练、评估和推理功能，并配备了基于 Streamlit 的 Web 界面，方便用户进行文本分类任务。

🚀 主要特性

📊 支持多种深度学习模型（TextCNN、LSTM、Naive Bayes）
🎯 基于 THUCNews 数据集的中文文本十分类任务
🖥️ 直观的 Web 界面，支持实时文本分类
📈 完整的训练日志和可视化功能
🔧 模块化设计，易于扩展和维护

🛠️ 环境要求

Python 版本

Python 3.8+

依赖库

pip install torch torchvision torchaudio
pip install streamlit
pip install scikit-learn
pip install pandas numpy
pip install tqdm
pip install matplotlib seaborn

快速安装

pip install -r requirements.txt

🎯 数据集说明

THUCNews 中文新闻文本分类数据集

分类类别（共10类）：

📈 财经 - 财经新闻
🏠 房产 - 房地产相关
📊 股票 - 股票市场
🎓 教育 - 教育资讯
💻 科技 - 科技新闻
👥 社会 - 社会新闻
🏛️ 时政 - 时事政治
⚽ 体育 - 体育新闻
🎮 游戏 - 游戏资讯
🎬 娱乐 - 娱乐新闻

数据集划分

数据集	数据量	用途
训练集	180,000条	模型训练
验证集	10,000条	超参数调优
测试集	10,000条	模型评估

🚀 快速开始

1. 启动 Web 界面

streamlit run app.py

访问 http://localhost:8501 即可使用 Web 界面进行文本分类。

2. 模型训练

# 训练 TextCNN 模型
python run.py --model TextCNN

# 训练 LSTM 模型 
python run.py --model LSTM

# 训练朴素贝叶斯模型
python run.py --model bayes

3. 模型评估

# 评估指定模型
python train_eval.py --model TextCNN

📁 项目结构

TextClassification/
├── 📁 models/ # 模型定义
│ ├── TextCNN.py # TextCNN 模型
│ ├── LSTM.py # LSTM 模型
│ └── bayes.py # 朴素贝叶斯模型
├── 📁 THUCNews/ # 数据集和模型文件
│ ├── data/ # 数据文件
│ ├── log/ # 训练日志
│ └── saved_dict/ # 保存的模型
├── 📄 app.py # Streamlit Web 应用
├── 📄 run.py # 训练脚本
├── 📄 train_eval.py # 评估脚本
├── 📄 utils.py # 工具函数
└── 📄 README.md # 项目说明

🎨 模型介绍

TextCNN

基于卷积神经网络的文本分类模型
使用多个不同尺寸的卷积核捕获n-gram特征
适合短文本分类任务

LSTM

长短期记忆网络，能够捕获文本的序列信息
处理长文本效果较好
能够学习文本的上下文依赖关系

Naive Bayes

经典的概率分类算法
训练速度快，对小数据集友好
作为基线模型进行对比

📊 性能表现

模型	准确率	训练时间	推理速度
TextCNN	91.2%	快	很快
LSTM	89.8%	中等	快
Naive Bayes	85.6%	很快	很快

🔧 自定义配置

可以通过修改各模型配置文件来调整超参数：

学习率、批次大小
网络结构参数
训练轮数等

⭐ 如果这个项目对你有帮助，请给个 Star！

FaceSign

Sun, 22 Oct 2023 00:00:00 +0000

FaceSign - 智能人脸识别考勤系统

FaceSign是一个基于深度学习的人脸识别签到考勤系统，采用Streamlit框架开发，支持教师和学生两种角色。系统通过Dlib库实现人脸特征提取和识别，结合MySQL数据库实现考勤数据的存储和管理。

github地址：https://github.com/liuchenlili/FaceSign

Bilibili演示视频demo::

📝 项目简介

✨ 主要功能

👨‍🏫 教师功能

人脸录入: 为学生录入人脸信息，建立人脸特征数据库
课堂考勤: 实时人脸识别签到，自动记录考勤数据
考勤统计: 查看班级考勤情况，生成统计报表
数据管理: 管理学生信息，修改学生资料
账户管理: 修改个人密码和账户信息

👨‍🎓 学生功能

签到统计: 查看个人考勤记录和统计数据
个人信息: 管理个人资料和头像
密码修改: 修改登录密码

🛠️ 技术栈

前端框架: Streamlit
计算机视觉: OpenCV + Dlib
数据库: MySQL
图像处理: PIL
数据分析: Pandas + Plotly
UI组件: streamlit-option-menu

📦 依赖包

streamlit
opencv-python
dlib
pymysql
pandas
plotly
pillow
streamlit-option-menu
numpy

🚀 安装和运行

1. 环境准备

# 安装依赖
pip install -r requirements.txt

2. 数据库配置

创建MySQL数据库并执行以下SQL语句：

-- 创建数据库
CREATE DATABASE face CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

-- 使用数据库
USE face;

-- 创建用户表
CREATE TABLE users (
 id INT AUTO_INCREMENT PRIMARY KEY,
 username VARCHAR(50) UNIQUE NOT NULL,
 password VARCHAR(255) NOT NULL,
 role ENUM('teacher', 'student') NOT NULL,
 name VARCHAR(100) NOT NULL,
 face_feature BLOB,
 created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
 updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP
);

-- 创建考勤记录表
CREATE TABLE attendance (
 id INT AUTO_INCREMENT PRIMARY KEY,
 user_id INT NOT NULL,
 attendance_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
 status ENUM('present', 'absent', 'late') DEFAULT 'present',
 FOREIGN KEY (user_id) REFERENCES users(id) ON DELETE CASCADE
);

-- 插入默认管理员账户
INSERT INTO users (username, password, role, name) VALUES
('admin', 'admin123', 'teacher', '系统管理员');

3. 模型文件准备

下载Dlib预训练模型文件到 data_dlib/ 目录：

dlib_face_recognition_resnet_model_v1.dat
shape_predictor_68_face_landmarks.dat

可从官方网站下载：http://dlib.net/files/

4. 运行应用

streamlit run app.py

📁 项目结构

FaceSign/
├── app.py # 主应用程序
├── dock_in.py # 考勤签到模块
├── get_face.py # 人脸录入模块
├── stu_statistics.py # 学生统计模块
├── tea_statistics.py # 教师统计模块
├── README.md # 项目说明文档
├── requirements.txt # 依赖包列表
├── data_dlib/ # Dlib模型文件目录
│ ├── dlib_face_recognition_resnet_model_v1.dat
│ └── shape_predictor_68_face_landmarks.dat
├── imgs/ # 用户头像存储目录
└── config/ # 配置文件目录(建议新增)

🔧 配置说明

数据库配置

在各个模块中修改数据库连接参数：

DatabaseConnection('localhost', 3306, 'root', 'your_password', 'face')

建议将数据库配置抽取到独立的配置文件中。

📊 使用说明

首次使用流程

管理员登录: 使用默认账户 admin/admin123 登录
学生注册: 通过注册功能创建学生账户
人脸录入: 为每个学生录入人脸特征
开始考勤: 使用课堂考勤功能进行签到

考勤流程

教师选择"课堂考勤"功能
系统启动摄像头
学生面向摄像头进行人脸识别
系统自动识别并记录考勤信息

🔒 安全说明

密码采用明文存储，建议在生产环境中使用哈希加密
人脸特征数据已进行加密存储
建议定期备份数据库数据

🐛 故障排除

常见问题

摄像头无法打开
- 检查摄像头权限
- 确认摄像头未被其他程序占用
人脸识别失败
- 确保光线充足
- 检查Dlib模型文件是否正确加载
数据库连接失败
- 检查MySQL服务是否启动
- 验证数据库连接参数

🔄 更新日志

v1.0.0 (当前版本)

基本的人脸识别考勤功能
用户管理系统
考勤统计功能
Web界面交互

🎯 未来规划

增加批量导入学生功能
支持多课程管理
增加考勤报告导出功能
添加移动端支持
优化人脸识别算法
增加实时通知功能

📞 联系方式

如有问题或建议，请联系：

邮箱: