学校项目 Python · Machine Learning · Deep Learning

Rock Paper Scissors

2026 暑期 Python 课程项目合集，覆盖 Python 基础语法、机器学习回归预测、学生行为数据分析，以及基于 YOLO11n 的石头剪刀布手势识别。

GitHub 仓库 手势识别

项目速览

本页记录一条从 Python 基础到计算机视觉的课程实践路径，共四个阶段：14 项语法练习、加州房价的随机森林回归、学生数字行为分析，以及用 YOLO11n 训练的三类手势检测。手势模型在验证集上的 mAP50 为 0.940，页面同时列出数据集、训练配置与评估结果，便于逐项对照。

关于这个项目

它要解决什么

课程实践往往停留在单个算法示例。本项目将 Python 基础、传统机器学习与深度学习检测串联为一条完整路径，每个阶段都配有完整的数据、代码与结果。

四个阶段的内容

第一阶段完成 14 项 Python 语法练习；第二阶段使用随机森林对加州房价数据集做回归预测；第三阶段分析学生数字行为数据并输出六类图表；第四阶段训练 YOLO11n 检测石头、剪刀、布三种手势。

用到什么

以 Python 为主要语言，数据分析与建模使用 scikit-learn 的随机森林；视觉阶段使用 YOLO11n，模型参数量 2.58M，训练在 RTX 5060 上完成。

结果与查阅

手势检测模型在验证集上的 mAP50 为 0.940，页面列出了数据集规模、数据增强方式与训练配置。复现需要课程代码、依赖环境与模型权重文件。

Rock Paper Scissors Detection Demo
Project 1

Python 基础练习

14 个入门练习：数据类型、流程控制、函数、列表与字典等基础语法全覆盖。

Project 2-1

加州房价预测

随机森林回归预测加州房价中位数，R² = 0.805。验证收入与地理位置是核心影响因素。

Project 2-2

学生行为分析

Kaggle 真实数据集，分析学习时间、屏幕时间等对 CGPA 的影响，多模型对比。

Project 3

YOLO11n 手势识别

🪨📄✂️ 实时检测剪刀/石头/布，验证集 mAP50 = 0.940，毫秒级推理。

Project 1

Python 程序设计基础

入门级 Python 编程练习，零第三方依赖

数据类型

  1. 1.1.py — 正整数平方
  2. 1.2.py — 格式化输出录取信息
  3. 1.3.py — 直角三角形斜边长

运算符 & 表达式

  1. 2.1.py — 两点间欧几里得距离
  2. 2.2.py — 三位数各位立方和
  3. 2.3.py — 字母出现次数（不区分大小写）

流程控制 & 函数

  1. 3.1-3.2 — 成绩等级 / 字符类型
  2. 4.1-4.2 — 位数判断 / 阶乘求和
  3. 5.1-5.2 — 函数封装与数学计算
  4. 6.1-6.2 — 列表推导式 / 字典映射
Project 2-1

加州房价预测 — 随机森林回归

scikit-learn · California Housing Dataset

数据集

California Housing — scikit-learn 内置数据集

  • 样本量：20,640 条街区数据
  • 特征数：8 个（收入中位数、房龄、房间数、人口、地理位置等）
  • 目标：MedHouseVal（房价中位数，$100K）

模型评估

MSE 0.2552
RMSE 0.5052
R² 0.8053

特征重要性 Top 4

MedInc（收入中位数） > AveOccup（平均居住人数） > Latitude / Longitude（地理位置） > HouseAge

收入水平是房价的最强预测因子，地理位置的重要性反映了加州不同区域的房价差异。

Python scikit-learn Random Forest Pandas Matplotlib
Project 2-2

学生数字行为与学习表现分析

Kaggle 真实数据集 · 线性回归 vs 随机森林

数据集

Student Lifestyle and Academic Performance（Kaggle）

  • 12 个字段：Age, Branch, Study_Hours, Sleep_Hours, Screen_Time, Gym, Diet, Attendance, Stress, Residence, Internal_Marks, CGPA
  • 目标变量：CGPA（绩点，0~10）
  • 排除 Internal_Marks 避免数据泄漏

数据清洗流程

  • 字段筛选 → 去重
  • 数值字段：中位数填充缺失值
  • 分类字段：众数填充
  • 异常值过滤（年龄、学习时间等合理范围）
  • 分类变量：独热编码（drop_first）

可视化分析（6 张图表）

屏幕时间分布

右偏态分布，大部分学生每日屏幕时间 3~8 小时

学习时间 vs CGPA

清晰的正相关，学习 6~8h/天的学生 CGPA 普遍更高

特征重要性 Top 3

学习时间 > 出勤率 > 屏幕时间

Python Linear Regression Random Forest Pandas Seaborn EDA
Project 3

石头剪刀布手势识别 — YOLO11n

🪨📄✂️ Ultralytics · PyTorch · 目标检测

数据集

rock-paper-scissors-sxsw（Roboflow v11）

  • 总计 15,874 张图片
  • 训练集 14,966 / 验证集 588 / 测试集 320
  • 3 个类别：Paper（布）、Rock（石头）、Scissors（剪刀）
  • 输入尺寸：640×640

数据增强

每张原图生成 7 个增强版本：

  • 水平翻转（50%）、随机旋转 ±12°
  • 剪切 ±2°、亮度/曝光 ±25%
  • 高斯模糊 0~1.5px、椒盐噪声 1%

训练配置

模型YOLO11n (2.58M params)
Epochs50
Batch16
优化器AdamW
训练耗时~3.07h
GPURTX 5060 (8GB)

评估结果

验证集

mAP50（全部） 0.940
mAP50-95 0.697
精确率 (P) 0.942
召回率 (R) 0.891
推理速度 < 2.1ms

测试集

mAP50（全部） 0.934
mAP50-95 0.693
精确率 (P) 0.898
召回率 (R) 0.920

各类别性能

📄 Paper

验证 mAP500.936
测试 mAP500.904

🪨 Rock

验证 mAP500.943
测试 mAP500.951

✂️ Scissors

验证 mAP500.940
测试 mAP500.947

应用模式

单张图片推理

对任意手势照片进行识别，识别结果以边界框 + 标签形式标注，保存到输出目录。

predict.py

实时摄像头检测

调用系统摄像头（1280×720）实时捕获，每帧推理毫秒级，窗口显示 FPS 帧率，按 Q 键退出。

detect.py

评估脚本

验证集评估、测试集评估、数据集下载工具，完整覆盖训练到部署全流程。

evaluate.py / test.py
Python PyTorch YOLO11n Ultralytics OpenCV Roboflow CUDA
返回项目列表