مجموعة بيانات النقاط الرئيسية لليد#

مقدمة#

يحتوي مجموعة بيانات النقاط المفصلية لليد (Hand Keypoints) من Ultralytics على 26,768 صورة لأيادٍ تم تحديدها بـ 21 نقطة مفصلية لكل منها، تم إنشاؤها باستخدام مكتبة Google MediaPipe لضمان دقة accuracy واتساق عاليين. وهي متوافقة مع تنسيقات Ultralytics YOLO26 لتدريب نماذج تقدير وضعية اليد.

النقاط الرئيسية (Keypoints)#

يتم تحديد كل يد بـ 21 نقطة مفصلية كما يلي:

1. الرسغ
2. الإبهام (4 نقاط)
3. السبابة (4 نقاط)
4. الوسطى (4 نقاط)
5. البنصر (4 نقاط)
6. الخنصر (4 نقاط)

هيكل مجموعة البيانات#

• إجمالي الصور: 26,768 (18,776 للتدريب / 7,992 للتحقق).
• الفئات: 1 (يد).
• النقاط المفصلية: 21 لكل يد مع ثلاثيات (x, y, visibility).
• حجم التحميل: ~369 ميجابايت.

للحصول على مفردات إيماءات مخصصة تتجاوز معالم اليد العامة، تتولى Ultralytics Platform عملية وضع العلامات وتدريب مجموعة البيانات الخاصة بك من المتصفح.

التطبيقات#

تدعم النقاط المفصلية لليد العديد من التطبيقات الواقعية:

• التعرف على الإيماءات: التفاعل بين الإنسان والحاسوب وواجهات التحكم بدون لمس.
• عناصر تحكم AR/VR: التفاعل الدقيق مع الأشياء الافتراضية.
• التحكم الروبوتي: التحكم الدقيق في الأيدي الروبوتية.
• الرعاية الصحية: تحليل حركة اليد للتشخيص الطبي.
• الرسوم المتحركة: التقاط الحركة لحركة يد واقعية.
• المصادقة البيومترية: أنظمة أمنية تعتمد على هندسة اليد.

YAML مجموعة البيانات#

يُستخدم ملف YAML لتحديد إعدادات مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، ومعلومات أخرى ذات صلة. في حالة مجموعة بيانات Hand Keypoints، يتم الاحتفاظ بملف hand-keypoints.yaml على الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/hand-keypoints.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Hand Keypoints dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/hand-keypoints
# Example usage: yolo train data=hand-keypoints.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── hand-keypoints ← downloads here (369 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: hand-keypoints # dataset root dir
train: images/train # train images (relative to 'path') 18776 images
val: images/val # val images (relative to 'path') 7992 images

# Keypoints
kpt_shape: [21, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 1, 2, 4, 3, 10, 11, 12, 13, 14, 5, 6, 7, 8, 9, 15, 16, 17, 18, 19, 20]

# Classes
names:
  0: hand

# Keypoint names per class
kpt_names:
  0:
    - wrist
    - thumb_cmc
    - thumb_mcp
    - thumb_ip
    - thumb_tip
    - index_mcp
    - index_pip
    - index_dip
    - index_tip
    - middle_mcp
    - middle_pip
    - middle_dip
    - middle_tip
    - ring_mcp
    - ring_pip
    - ring_dip
    - ring_tip
    - pinky_mcp
    - pinky_pip
    - pinky_dip
    - pinky_tip

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/hand-keypoints.zip

الاستخدام#

لتدريب نموذج YOLO26n-pose على مجموعة بيانات النقاط الرئيسية لليد لمدة 100 عصر بحجم صورة 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640)

صور وشروحات توضيحية عينة#

تحتوي مجموعة بيانات Hand Keypoints على مجموعة متنوعة من الصور لأيادٍ بشرية محددة بنقاط مفصلية. فيما يلي بعض الأمثلة للصور من مجموعة البيانات، إلى جانب التعليقات التوضيحية المقابلة لها:

• صورة مجمعة (Mosaiced Image): توضح هذه الصورة دفعة تدريب تتكون من صور مجموعة بيانات مجمعة. الفسيفساء (Mosaicing) هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام كائنات ونسب عرض إلى ارتفاع وسياقات مختلفة.

يعرض هذا المثال تنوع وتعقيد الصور في مجموعة بيانات النقاط الرئيسية لليد وفوائد استخدام الفسيفساء (mosaicing) أثناء عملية التدريب.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات Hand Keypoints في أبحاثك أو عملك التطويري، فيرجى الإشارة إلى المصادر التالية:

نود أيضاً أن نعرب عن تقديرنا لمبدع مجموعة البيانات هذه، Rion Dsilva، لمساهمته الكبيرة في أبحاث الرؤية الحاسوبية (Vision AI).

الأسئلة الشائعة#

كيف يمكنني تدريب نموذج YOLO26 على مجموعة بيانات النقاط الرئيسية لليد؟#

قم بتحميل yolo26n-pose.pt واستدعِ model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640) — راجع مثال التدريب أعلاه للحصول على مقتطفات Python و CLI الكاملة، وصفحة التدريب الخاصة بالنموذج للحصول على قائمة شاملة بالوسيطات.

ما هي فوائد استخدام مجموعة بيانات Hand Keypoints؟#

بفضل 26,768 صورة محددة بـ 21 نقطة مفصلية لكل يد تم إنشاؤها عبر Google MediaPipe، تمنح مجموعة بيانات Hand Keypoints نماذج تقدير الوضعية النطاق ودقة التحديد اللازمة لمهام تقدير الوضعية المتقدمة. راجع قسم النقاط المفصلية للحصول على تفصيل كامل للمعالم.

ما هي التطبيقات التي يمكن أن تستفيد من استخدام مجموعة بيانات النقاط الرئيسية لليد؟#

تدعم Hand Keypoints التعرف على الإيماءات، وعناصر تحكم AR/VR، والتحكم الروبوتي، وتحليل حركة الرعاية الصحية، والرسوم المتحركة، والمصادقة البيومترية — راجع قسم التطبيقات للحصول على تفاصيل حول كل منها.

كيف يتم تنظيم مجموعة بيانات النقاط الرئيسية لليد؟#

تنقسم مجموعة بيانات النقاط الرئيسية لليد إلى مجموعتين فرعيتين:

1. التدريب (Train): تحتوي على 18,776 صورة لتدريب نماذج تقدير الوضعية.
2. التحقق (Val): تحتوي على 7,992 صورة لأغراض التحقق أثناء تدريب النموذج.

يضمن هذا الهيكل عملية تدريب وتحقق شاملة. لمزيد من التفاصيل، راجع قسم هيكل مجموعة البيانات.

كيف يمكنني استخدام ملف YAML لمجموعة البيانات في التدريب؟#

يتم تحديد تكوين مجموعة البيانات في ملف YAML، والذي يتضمن المسارات، والفئات، وغيرها من المعلومات ذات الصلة. يمكن العثور على ملف hand-keypoints.yaml على hand-keypoints.yaml.

لاستخدام ملف YAML هذا في التدريب، حدده في نص التدريب الخاص بك أو أمر CLI كما هو موضح في مثال التدريب أعلاه. لمزيد من التفاصيل، راجع قسم YAML لمجموعة البيانات.