Datensatz mit Handschlüsselpunkten#

26,677

Hand Keypoints

ultralytics

publicPose

Hand Keypoints is Rion Dsilva's pose dataset built from three credited gesture collections with MediaPipe annotations. Each image labels one hand with 21 landmarks and visibility, supporting articulated pose estimation across hand shapes, gestures, viewpoints, and backgrounds.

21 class297.5 MBSep 2, 2026

hand

posehandskeypoints+2

Einführung#

Der Datensatz mit Handschlüsselpunkten von Ultralytics enthält 26.768 Bilder von Händen, die jeweils mit 21 Schlüsselpunkten annotiert sind. Die Annotationen wurden mit der Bibliothek Google MediaPipe erstellt, um eine hohe Genauigkeit und Konsistenz zu erreichen. Der Datensatz ist mit den Formaten von Ultralytics YOLO26 zum Trainieren von Modellen zur Pose-Schätzung kompatibel.

Schlüsselpunkte#

Jede Hand ist mit den folgenden 21 Schlüsselpunkten annotiert:

1. Handgelenk
2. Daumen (4 Punkte)
3. Zeigefinger (4 Punkte)
4. Mittelfinger (4 Punkte)
5. Ringfinger (4 Punkte)
6. Kleiner Finger (4 Punkte)

Datensatzstruktur#

• Bilder insgesamt: 26.768 (18.776 train / 7.992 val).
• Klassen: 1 (hand).
• Schlüsselpunkte: 21 pro Hand mit Tripeln aus (x, y, visibility).
• Downloadgröße: ~369 MB.

Für ein eigenes Gestikvokabular, das über allgemeine Handlandmarken hinausgeht, ermöglicht die Ultralytics Platform, deinen eigenen Datensatz direkt im Browser zu annotieren und zu trainieren.

Anwendungsfälle#

Handschlüsselpunkte eignen sich für verschiedene praktische Anwendungen:

• Gestenerkennung: Mensch-Computer-Interaktion und berührungslose Steuerungsschnittstellen.
• AR/VR-Steuerung: präzise Interaktion mit virtuellen Objekten.
• Robotermanipulation: präzise Steuerung von Roboterhänden.
• Gesundheitswesen: Analyse von Handbewegungen für medizinische Diagnosen.
• Animation: Bewegungserfassung für realistische Handbewegungen.
• Biometrische Authentifizierung: Sicherheitssysteme auf Grundlage der Handgeometrie.

YAML-Datei des Datensatzes#

Eine YAML-Datei dient zum Festlegen der Datensatzkonfiguration. Sie enthält Informationen zu den Pfaden, Klassen und weiteren relevanten Angaben des Datensatzes. Für den Datensatz mit Handschlüsselpunkten wird die Datei hand-keypoints.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/hand-keypoints.yaml gepflegt.

# 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

Verwendung#

Mit den folgenden Codeausschnitten kannst du ein YOLO26n-pose-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem Datensatz mit Handschlüsselpunkten trainieren. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-pose.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Das Modell trainieren
results = model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640)

Beispielbilder und Annotationen#

Der Datensatz mit Handschlüsselpunkten enthält vielfältige Bilder menschlicher Hände, die mit Schlüsselpunkten annotiert sind. Hier sind einige Beispielbilder aus dem Datensatz mit den zugehörigen Annotationen:

• Mosaikbild: Dieses Bild zeigt einen Trainingsbatch aus mosaikartig kombinierten Datensatzbildern. Beim Mosaikverfahren werden während des Trainings mehrere Bilder zu einem einzigen Bild kombiniert, um die Vielfalt der Objekte und Szenen in jedem Trainingsbatch zu erhöhen. Dadurch kann das Modell besser auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte generalisieren.

Das Beispiel veranschaulicht die Vielfalt und Komplexität der Bilder im Datensatz mit Handschlüsselpunkten sowie die Vorteile des Mosaikverfahrens während des Trainings.

Zitate und Danksagungen#

Wenn du den Datensatz mit Handschlüsselpunkten in deiner Forschung oder Entwicklungsarbeit verwendest, nenne bitte die folgenden Quellen:

Wir möchten außerdem dem Ersteller dieses Datensatzes, Rion Dsilva, für seinen wichtigen Beitrag zur Forschung im Bereich Vision AI danken.

Häufig gestellte Fragen#