👁️ ClassEye — Plataforma Avançada de Monitoramento Educacional com IA

Sistema inteligente de visão computacional para análise comportamental em sala de aula
Do treinamento do modelo à visualização pública de dados educacionais.

---

🎯 Visão Geral do Projeto

O ClassEye é uma plataforma completa de monitoramento educacional baseado em Inteligência Artificial, projetada para analisar comportamentos coletivos em ambientes de ensino por meio de visão computacional.

Diferente de sistemas tradicionais de vigilância, o ClassEye:

• ❌ Não identifica pessoas individualmente
• ✅ Trabalha apenas com classes comportamentais
• 📊 Gera indicadores pedagógicos agregados

O sistema foi desenvolvido com foco em educação pública, ética em IA e apoio à tomada de decisão pedagógica.

---

📸 Dashboard Público

O Dashboard Público apresenta:

• Gráficos de barras e pizza por comportamento
• Evolução temporal da atenção ao longo da aula
• Histórico de análises processadas
• Acesso a relatórios HTML individuais

---

🧠 Classes Comportamentais Detectadas

O modelo foi treinado para reconhecer padrões visuais, não indivíduos:

Classe	Descrição
atento	Aluno com postura e orientação visual compatíveis com atenção
distraido	Postura incompatível com foco na atividade
copiando	Ação de escrita contínua em material físico
dormindo	Cabeça apoiada ou postura de inatividade
acordado	Presença ativa sem foco direto

---

🧪 Processo de Treinamento do Modelo (YOLO)

1️⃣ Construção do Dataset

O treinamento do ClassEye utiliza um dataset customizado, criado especificamente para o contexto educacional:

• Imagens reais e simuladas de sala de aula
• Diversidade de ângulos, iluminação e posições
• Anotação manual por classe comportamental

Estrutura padrão YOLO:

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── data.yaml

Cada anotação segue o formato:

<class_id> <x_center> <y_center> <width> <height>

---

2️⃣ Treinamento com YOLOv8 (Ultralytics)

O modelo foi treinado utilizando YOLOv8, com pesos iniciais pré-treinados (transfer learning), acelerando a convergência.

Exemplo de comando de treino:

yolo detect train \
  data=data.yaml \
  model=yolov8n.pt \
  epochs=100 \
  imgsz=640 \
  batch=16

Principais estratégias adotadas:

• Fine-tuning em classes educacionais
• Ajuste de confidence threshold
• Avaliação por precision, recall e mAP

O melhor modelo é salvo automaticamente em:

dataset/runs/detect/train2/weights/best.pt

---

3️⃣ Inferência Otimizada em Vídeo

Durante o processamento de vídeos:

• Frames são pulados (frame_skip) para reduzir custo computacional
• Inferência é feita com conf ajustável
• Bounding boxes são desenhadas apenas para feedback visual

Isso permite rodar o sistema em máquinas sem GPU dedicada, mantendo estabilidade.

---

🧩 Arquitetura Completa do Sistema

Câmera / Vídeo
   │
   ▼
OpenCV (captura e pré-processamento)
   │
   ▼
YOLOv8 (detecção comportamental)
   │
   ├── Contagem por classe
   ├── Log CSV temporal
   ├── Vídeo anotado
   │
   ▼
Flask Backend
   │
   ├── API de progresso
   ├── Geração de gráficos
   └── Renderização HTML
   │
   ▼
Dashboard Público / Relatórios

---

📊 Geração de Relatórios

Para cada análise, o ClassEye gera automaticamente:

• 📄 Relatório HTML individual
• 📊 Gráfico de barras (frequência)
• 🥧 Gráfico de pizza (distribuição)
• 🎥 Vídeo processado com detecções
• 📁 Registro histórico

Todos os relatórios ficam disponíveis em:

static/reports/

---

🧠 Backend Web (Flask)

Principais rotas:

Rota	Função
/	Página inicial
/upload	Upload de vídeo/imagem
/reports/<id>	Relatório individual
/history	Histórico de análises
/graph-data	Dados dinâmicos para gráficos
/progress	Progresso em tempo real

---

📂 Estrutura do Repositório

ClassEye/
├── app.py
├── detect.py
├── utils.py
├── config.py
├── dataset/
│   └── runs/detect/train2/weights/best.pt
├── uploads/
├── processed/
├── static/
│   └── reports/
├── templates/
│   ├── index.html
│   ├── report.html
│   └── history.html
├── public_dashboard.png
├── aula.png

---

▶️ Execução do Projeto

pip install opencv-python torch ultralytics flask matplotlib pandas pillow numpy
python app.py

Acesse:

http://127.0.0.1:5000

---

🎓 Aplicação Pedagógica e Institucional

O ClassEye pode ser utilizado para:

• Avaliação de engajamento em aulas
• Apoio a professores e coordenação
• Planejamento pedagógico baseado em dados
• Projetos de inovação educacional

⚠️ O sistema não realiza reconhecimento facial nem identificação pessoal.

---

📜 Licença

Projeto educacional e científico.

Uso do mesmo, não permitido.

---

ClassEye — IA aplicada com responsabilidade à educação 📚🤖