Link to this sectionمجموعة بيانات النقاط الرئيسية لليد#

Link to this sectionمقدمة#

تحتوي مجموعة بيانات النقاط الرئيسية لليد على 26,768 صورة لأيادٍ تم تحديد نقاطها الرئيسية، مما يجعلها مناسبة لتدريب نماذج مثل Ultralytics YOLO لمهام تقدير الوضعية. تم إنشاء التعليقات التوضيحية باستخدام مكتبة Google MediaPipe، مما يضمن الدقة العالية والاتساق، كما أن مجموعة البيانات متوافقة مع تنسيقات Ultralytics YOLO26.

Link to this sectionمعالم اليد#

Link to this sectionالنقاط الرئيسية (Keypoints)#

تتضمن مجموعة البيانات نقاطاً رئيسية لاكتشاف اليد. يتم تحديد النقاط الرئيسية كما يلي:

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

يحتوي كل يد على ما مجموعه 21 نقطة رئيسية.

Link to this sectionالميزات الرئيسية#

• مجموعة بيانات ضخمة: 26,768 صورة مع تعليقات توضيحية للنقاط الرئيسية لليد.
• التوافق مع YOLO26: تأتي التسميات بتنسيق نقاط YOLO الرئيسية وهي جاهزة للاستخدام مع نماذج YOLO26.
• 21 نقطة رئيسية: تمثيل مفصل لوضعية اليد يمتد ليشمل الرسغ وأربع نقاط لكل إصبع.

Link to this sectionهيكل مجموعة البيانات#

تنقسم مجموعة بيانات النقاط الرئيسية لليد إلى مجموعتين فرعيتين:

1. التدريب (Train): تحتوي هذه المجموعة الفرعية على 18,776 صورة من مجموعة بيانات النقاط الرئيسية لليد، وهي مخصصة لتدريب نماذج تقدير الوضعية.
2. التحقق (Val): تحتوي هذه المجموعة الفرعية على 7,992 صورة يمكن استخدامها لأغراض التحقق أثناء تدريب النموذج.

Link to this sectionالتطبيقات#

يمكن استخدام النقاط الرئيسية لليد في التعرف على الإيماءات، وعناصر تحكم AR/VR، والمعالجة الروبوتية، وتحليل حركة اليد في الرعاية الصحية. كما يمكن تطبيقها في الرسوم المتحركة لالتقاط الحركة وأنظمة المصادقة البيومترية للأمان. يتيح التتبع الدقيق لمواضع الأصابع التفاعل الدقيق مع الكائنات الافتراضية وواجهات التحكم بدون لمس.

Link to this sectionYAML مجموعة البيانات#

يتم استخدام ملف YAML (لغة توصيف أخرى) لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. في حالة مجموعة بيانات النقاط الرئيسية لليد، 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

Link to this sectionالاستخدام#

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)

Link to this sectionصور وشروحات توضيحية عينة#

تحتوي مجموعة بيانات النقاط الرئيسية لليد على مجموعة متنوعة من الصور لأيادٍ بشرية محددة بنقاط رئيسية. فيما يلي بعض الأمثلة للصور من مجموعة البيانات، إلى جانب تعليقاتها التوضيحية المقابلة:

• 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.

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات النقاط الرئيسية لليد في أبحاثك أو عملك التطويري، يرجى الإشارة إلى المصادر التالية:

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

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني تدريب نموذج YOLO26 على مجموعة بيانات النقاط الرئيسية لليد؟#

لتدريب نموذج YOLO26 على مجموعة بيانات النقاط الرئيسية لليد، يمكنك استخدام Python أو واجهة سطر الأوامر (CLI). فيما يلي مثال لتدريب نموذج YOLO26n-pose لمدة 100 عصر مع حجم صورة 640:

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)

للحصول على قائمة شاملة بالوسيطات المتاحة، راجع صفحة التدريب للنموذج.

Link to this sectionما هي السمات الرئيسية لمجموعة بيانات النقاط الرئيسية لليد؟#

تم تصميم مجموعة بيانات النقاط الرئيسية لليد لمهام تقدير الوضعية المتقدمة وتتضمن العديد من الميزات الرئيسية:

• مجموعة بيانات ضخمة: تحتوي على 26,768 صورة مع تعليقات توضيحية للنقاط الرئيسية لليد.
• التوافق مع YOLO26: جاهزة للاستخدام مع نماذج YOLO26.
• 21 نقطة رئيسية: تمثيل مفصل لوضعية اليد، بما في ذلك مفاصل الرسغ والأصابع.

لمزيد من التفاصيل، يمكنك استكشاف قسم مجموعة بيانات النقاط الرئيسية لليد.

Link to this sectionما هي التطبيقات التي يمكن أن تستفيد من استخدام مجموعة بيانات النقاط الرئيسية لليد؟#

يمكن تطبيق مجموعة بيانات النقاط الرئيسية لليد في مجالات متنوعة، بما في ذلك:

• التعرف على الإيماءات: تعزيز التفاعل بين الإنسان والحاسوب.
• عناصر تحكم AR/VR: تحسين تجربة المستخدم في الواقع المعزز والافتراضي.
• المعالجة الروبوتية: تمكين التحكم الدقيق في الأيدي الروبوتية.
• الرعاية الصحية: تحليل حركات اليد للتشخيصات الطبية.
• الرسوم المتحركة: التقاط الحركة من أجل رسوم متحركة واقعية.
• المصادقة البيومترية: تعزيز أنظمة الأمان.

لمزيد من المعلومات، راجع قسم التطبيقات.

Link to this sectionكيف 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.

Link to this sectionكيف 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.