Jeu de données de points clés de la main#

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

Introduction#

Le jeu de données de points clés de la main Ultralytics contient 26 768 images de mains annotées chacune avec 21 points clés, générées à l’aide de la bibliothèque Google MediaPipe pour une grande précision et une bonne cohérence. Il est compatible avec les formats Ultralytics YOLO26 pour entraîner des modèles d’estimation de pose.

Points clés#

Chaque main est annotée avec 21 points clés, comme suit :

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

Structure du jeu de données#

• Nombre total d’images : 26 768 (18 776 entraînement / 7 992 validation).
• Classes : 1 (main).
• Points clés : 21 par main avec des triplets (x, y, visibility).
• Taille du téléchargement : ~369 Mo.

Pour un vocabulaire de gestes personnalisé allant au-delà des repères génériques de la main, Ultralytics Platform te permet d’annoter et d’entraîner ton propre jeu de données depuis le navigateur.

Applications#

Les points clés de la main prennent en charge plusieurs applications concrètes :

• Reconnaissance des gestes : interaction humain-ordinateur et interfaces de commande sans contact.
• Commandes AR/VR : interaction précise avec des objets virtuels.
• Manipulation robotique : contrôle précis des mains robotiques.
• Santé : analyse des mouvements de la main pour le diagnostic médical.
• Animation : capture de mouvements pour des mouvements de main réalistes.
• Authentification biométrique : systèmes de sécurité fondés sur la géométrie de la main.

YAML du jeu de données#

Un fichier YAML sert à définir la configuration du jeu de données. Il contient des informations sur les chemins d’accès, les classes et d’autres informations pertinentes du jeu de données. Dans le cas du jeu de données de points clés de la main, le fichier hand-keypoints.yaml est maintenu à l’adresse 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

Utilisation#

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 obtenir la 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)

Exemples d’images et d’annotations#

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

• Image en mosaïque : cette image présente un lot d’entraînement composé d’images du jeu de données assemblées en mosaïque. La mosaïque est une technique utilisée pendant l’entraînement qui combine plusieurs images en une seule afin d’augmenter la variété des objets et des scènes dans chaque lot d’entraînement. Cela contribue à améliorer la capacité du modèle à se généraliser à différentes tailles d’objets, proportions et contextes.

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

Citations et remerciements#

Si tu utilises le jeu de données de points clés de la main dans tes travaux de recherche ou de développement, merci de citer les sources suivantes :

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

FAQ#