Hand-Keypoints-Datensatz#

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

Einleitung#

Der Hand-Keypoints-Datensatz von Ultralytics enthält 26.768 Bilder von Händen, die jeweils mit 21 Keypoints annotiert sind. Die Annotationen wurden mit der Bibliothek Google MediaPipe erstellt, um eine hohe Genauigkeit und Konsistenz zu gewährleisten. Der Datensatz ist mit den Formaten von Ultralytics YOLO26 kompatibel, um Modelle zur Posenschätzung zu trainieren.

Keypoints#

Jede Hand ist wie folgt mit 21 Keypoints 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 Training / 7.992 Validierung).
• Klassen: 1 (Hand).
• Keypoints: 21 pro Hand mit (x, y, visibility)-Tripeln.
• Downloadgröße: ~369 MB.

Für ein benutzerdefiniertes Gestenvokabular, das über allgemeine Hand-Landmarks hinausgeht, ermöglicht dir die Ultralytics Platform, deinen eigenen Datensatz direkt im Browser zu annotieren und zu trainieren.

Anwendungen#

Hand-Keypoints unterstützen verschiedene Anwendungen in der Praxis:

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

Dataset-YAML#

Eine YAML-Datei dient zur Definition der Datensatzkonfiguration. Sie enthält Informationen zu den Pfaden, Klassen und weiteren relevanten Aspekten des Datensatzes. Beim Hand-Keypoints-Datensatz 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#

Um ein YOLO26n-pose-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem Hand-Keypoints-Datensatz zu trainieren, kannst du die folgenden Codebeispiele verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.

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)

Beispielbilder und Annotationen#

Der Hand-Keypoints-Datensatz enthält eine vielfältige Auswahl an Bildern menschlicher Hände, die mit Keypoints annotiert sind. Hier siehst du einige Beispiele aus dem Datensatz zusammen mit den zugehörigen Annotationen:

• Mosaikbild: Dieses Bild zeigt einen Trainings-Batch, der aus zu einem Mosaik zusammengesetzten Datensatzbildern besteht. Das Mosaikverfahren wird während des Trainings eingesetzt und kombiniert mehrere Bilder zu einem einzigen Bild, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches zu erhöhen. Dadurch kann das Modell besser auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte generalisieren.

Das Beispiel veranschaulicht die Vielfalt und Komplexität der Bilder im Hand-Keypoints-Datensatz sowie die Vorteile der Verwendung von Mosaikaugmentation während des Trainings.

Zitate und Danksagungen#

Wenn du den Hand-Keypoints-Datensatz für deine Forschungs- oder Entwicklungsarbeit verwendest, führe bitte die folgenden Quellen an:

Wir möchten außerdem den Ersteller dieses Datensatzes, Rion Dsilva, für seinen wertvollen Beitrag zur Forschung im Bereich Vision AI würdigen.

FAQ#