Hand-Keypoints-Datensatz#

26,677

Hand Keypoints

ultralytics

publicPose

Official Ultralytics Hand Keypoints pose dataset created by Rion Dsilva using Google MediaPipe annotations from the credited 11k Hands, 2000 Hand Gestures, and Gesture Recognition sources. This reviewed release has 26,677 globally unique images (18,724 train / 7,953 validation), one hand instance per image, and 21 x/y/visibility keypoints per hand; exact duplicates and cross-split leakage were removed and out-of-frame coordinates clipped.

11 class297.5 MBAug 21, 2026

hand

posehandskeypoints+2

Einführung#

Das Ultralytics Hand Keypoints-Dataset enthält 26.768 Handbilder, die jeweils mit 21 Keypoints annotiert sind, generiert mit der Google MediaPipe-Bibliothek für hohe Genauigkeit und Konsistenz. Es ist kompatibel mit Ultralytics YOLO26-Formaten zum Training von Pose-Estimation-Modellen.

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#

• Gesamtanzahl Bilder: 26.768 (18.776 train / 7.992 val).
• Klassen: 1 (Hand).
• Keypoints: 21 pro Hand mit (x, y, visibility)-Tripeln.
• Download-Größe: ~369 MB.

Für ein benutzerdefiniertes Gestenvokabular über generische Hand-Landmarks hinaus übernimmt die Ultralytics Platform die Beschriftung und das Training deines eigenen Datasets direkt im Browser.

Anwendungen#

Hand Keypoints unterstützen verschiedene praxisnahe Anwendungen:

• Gestenerkennung: Mensch-Computer-Interaktion und berührungslose Steuerungsschnittstellen.
• AR/VR-Steuerung: präzise Interaktion mit virtuellen Objekten.
• Robotische Manipulation: feinmotorische Steuerung von Roboterhänden.
• Gesundheitswesen: Analyse von Handbewegungen für medizinische Diagnosen.
• Animation: Motion Capturing für realistische Handbewegungen.
• Biometrische Authentifizierung: Sicherheitssysteme auf Basis der Handgeometrie.

Datensatz-YAML#

Eine YAML-Datei wird verwendet, um die Dataset-Konfiguration zu definieren. Sie enthält Informationen über die Pfade, Klassen und andere relevante Informationen des Datasets. Im Fall des Hand Keypoints-Datasets wird die hand-keypoints.yaml-Datei 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 auf dem Hand Keypoints-Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Schnipsel verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Modellseite Training.

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#

Das Hand Keypoints Dataset enthält eine vielfältige Sammlung von Bildern mit menschlichen Händen, die mit Keypoints annotiert sind. Hier sind einige Beispiele von Bildern aus dem Dataset, zusammen mit ihren entsprechenden Annotationen:

• Mosaik-Bild: Dieses Bild zeigt einen Trainings-Batch, der aus mosaikierten Datensatz-Bildern besteht. Mosaicing ist eine Technik, die während des Trainings verwendet wird, um mehrere Bilder zu einem einzigen Bild zu kombinieren, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches zu erhöhen. Dies trägt dazu bei, die Fähigkeit des Modells zu verbessern, auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu generalisieren.

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

Zitate und Danksagungen#

Wenn du das Hand Keypoints Dataset in deiner Forschung oder Entwicklungsarbeit verwendest, gib bitte die folgenden Quellen an:

Wir möchten auch dem Ersteller dieses Datasets, Rion Dsilva, für seinen großartigen Beitrag zur Vision AI-Forschung danken.

FAQ#