La integración continua de la tecnología de la información en la educación ha hecho que el monitoreo del comportamiento de los estudiantes en aulas inteligentes sea esencial para mejorar la calidad de la enseñanza y el compromiso de los estudiantes. Los entornos de aula a menudo presentan muchos problemas, como comportamientos heterogéneos de los estudiantes, obstrucciones significativas, pérdida de detalles complejos y complicaciones para reconocer objetivos diminutos. Estas limitaciones llevan a que los enfoques actuales sigan siendo inadecuados en precisión y estabilidad. Este documento mejora YOLOv11 con las siguientes mejoras: se desarrolló el módulo CSP-PMSA para mejorar el modelado contextual en fondos complejos, se desarrolló una cabeza consciente de la escala (SAH) para mejorar la percepción y localización de pequeños objetivos a través de la unificación de canales y la adaptación de la escala, y se introdujo un mecanismo de Atención Multi-Cabeza (MHSA) para modelar dependencias globales y sesgos posicionales a través de varios subespacios, mejorando así la discriminación de comportamientos visualmente análogos. Los hallazgos experimentales indican que en entornos de aula complejos, el modelo alcanza puntuaciones mAP@50 y mAP@50-95 de 91.6% y 75.7%, respectivamente. Esto indica mejoras del 2.7% y 2.6% en comparación con YOLOv11, y del 4.6% y 3.6% en relación con DETR, demostrando una precisión y fiabilidad de detección notables. Además, el modelo se implementó en la plataforma Jetson Orin Nano, confirmando su viabilidad para la detección en tiempo real en dispositivos de borde y ofreciendo una asistencia sustancial para implementaciones prácticas en aulas inteligentes.