Link to this sectionJeu de données de points clés de la main#

Link to this sectionIntroduction#

Le jeu de données de points clés de la main contient 26 768 images de mains annotées avec des points clés, ce qui le rend adapté à l'entraînement de modèles comme Ultralytics YOLO pour des tâches d'estimation de pose. Les annotations ont été générées à l'aide de la bibliothèque Google MediaPipe, garantissant une grande précision et cohérence, et le jeu de données est compatible avec les formats Ultralytics YOLO26.

Link to this sectionPoints de repère de la main#

Link to this sectionKeypoints#

Le jeu de données inclut des points clés pour la détection de la main. Les points clés sont annotés comme suit :

1. Poignet
2. Pouce (4 points)
3. Index (4 points)
4. Majeur (4 points)
5. Annulaire (4 points)
6. Auriculaire (4 points)

Chaque main possède un total de 21 points clés.

Link to this sectionFonctionnalités clés#

• Grand jeu de données : 26 768 images avec annotations de points clés de la main.
• Compatibilité YOLO26 : Les étiquettes sont fournies au format de points clés YOLO et sont prêtes à être utilisées avec les modèles YOLO26.
• 21 points clés : Représentation détaillée de la pose de la main couvrant le poignet et quatre points par doigt.

Link to this sectionStructure du jeu de données#

Le jeu de données de points clés de la main est divisé en deux sous-ensembles :

1. Train : Ce sous-ensemble contient 18 776 images provenant du jeu de données de points clés de la main, annotées pour l'entraînement de modèles d'estimation de pose.
2. Val : Ce sous-ensemble contient 7 992 images pouvant être utilisées à des fins de validation pendant l'entraînement du modèle.

Link to this sectionApplications#

Les points clés de la main peuvent être utilisés pour la reconnaissance de gestes, les contrôles AR/VR, la manipulation robotique et l'analyse du mouvement de la main dans le secteur de la santé. Ils peuvent également être appliqués à l'animation pour la capture de mouvement et aux systèmes d'authentification biométrique pour la sécurité. Le suivi détaillé des positions des doigts permet une interaction précise avec des objets virtuels et des interfaces de contrôle sans contact.

Link to this sectionYAML du jeu de données#

Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins du jeu de données, les classes et d'autres informations pertinentes. Dans le cas du jeu de données de points clés de la main, le fichier hand-keypoints.yaml est maintenu à 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 sectionUtilisation#

Pour entraîner un modèle YOLO26n-pose sur le jeu de données de points clés de la main pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consulte la page Entraînement du modèle.

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 sectionExemples d'images et annotations#

Le jeu de données de points clés de la main contient un ensemble diversifié d'images avec des mains humaines annotées avec des points clés. Voici quelques exemples d'images provenant du jeu de données, accompagnées de leurs annotations correspondantes :

• Image mosaïquée : Cette image montre un lot d'entraînement composé d'images du jeu de données mosaïquées. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule pour augmenter la variété des objets et des scènes au sein de chaque lot d'entraînement. Cela aide à améliorer la capacité du modèle à généraliser à différentes tailles d'objets, ratios d'aspect et contextes.

L'exemple présente la variété et la complexité des images dans le jeu de données de points clés de la main, ainsi que les avantages de l'utilisation du mosaïquage pendant le processus d'entraînement.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données hand-keypoints dans ton travail de recherche ou de développement, merci de reconnaître les sources suivantes :

Nous souhaitons également remercier le créateur de ce jeu de données, Rion Dsilva, pour sa contribution majeure à la recherche en IA visuelle.

Link to this sectionFAQ#

Link to this sectionComment entraîner un modèle YOLO26 sur le jeu de données de points clés de la main ?#

Pour entraîner un modèle YOLO26 sur le jeu de données de points clés de la main, tu peux utiliser Python ou l'interface de ligne de commande (CLI). Voici un exemple pour entraîner un modèle YOLO26n-pose pendant 100 époques avec une taille d'image de 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)

Pour une liste complète des arguments disponibles, consulte la page Entraînement du modèle.

Link to this sectionQuelles sont les principales caractéristiques du jeu de données de points clés de la main ?#

Le jeu de données Hand Keypoints est conçu pour des tâches avancées d'estimation de pose et inclut plusieurs fonctionnalités clés :

• Grand jeu de données : Contient 26 768 images avec des annotations de points clés de la main.
• Compatibilité YOLO26 : Prêt à l'emploi avec les modèles YOLO26.
• 21 points clés : Représentation détaillée de la pose de la main, incluant les articulations du poignet et des doigts.

Pour plus de détails, tu peux explorer la section Jeu de données de points clés de la main.

Link to this sectionQuelles applications peuvent bénéficier de l'utilisation du jeu de données de points clés de la main ?#

Le jeu de données de points clés de la main peut être appliqué dans divers domaines, notamment :

• Reconnaissance gestuelle : Amélioration de l'interaction homme-machine.
• Contrôles AR/VR : Amélioration de l'expérience utilisateur en réalité augmentée et virtuelle.
• Manipulation robotique : Activation du contrôle précis des mains robotiques.
• Santé : Analyse des mouvements de la main pour les diagnostics médicaux.
• Animation : Capture de mouvement pour des animations réalistes.
• Authentification biométrique : Renforcement des systèmes de sécurité.

Pour plus d'informations, reporte-toi à la section Applications.

Link to this sectionComment est structuré le jeu de données de points clés de la main ?#

Le jeu de données de points clés de la main est divisé en deux sous-ensembles :

1. Train : Contient 18 776 images pour l'entraînement de modèles d'estimation de pose.
2. Val : Contient 7 992 images à des fins de validation pendant l'entraînement du modèle.

Cette structure garantit un processus d'entraînement et de validation complet. Pour plus de détails, vois la section Structure du jeu de données.

Link to this sectionComment utiliser le fichier YAML du jeu de données pour l'entraînement ?#

La configuration du jeu de données est définie dans un fichier YAML, qui inclut les chemins, les classes et d'autres informations pertinentes. Le fichier hand-keypoints.yaml se trouve sur hand-keypoints.yaml.

Pour utiliser ce fichier YAML pour l'entraînement, spécifie-le dans ton script d'entraînement ou ta commande CLI comme indiqué dans l'exemple d'entraînement ci-dessus. Pour plus de détails, reporte-toi à la section YAML du jeu de données.