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

Link to this sectionIntroduction#

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

Link to this sectionKeypoints#

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. Auriculaire (4 points)

Link to this sectionStructure du jeu de données#

• Nombre total d'images : 26 768 (18 776 train / 7 992 val).
• 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 au-delà des points de repère manuels génériques, Ultralytics Platform gère l'étiquetage et l'entraînement de ton propre jeu de données depuis le navigateur.

Link to this sectionApplications#

Les points clés manuels prennent en charge plusieurs applications concrètes :

• Reconnaissance de gestes : interaction homme-machine et interfaces de contrôle sans contact.
• Contrôles AR/VR : interaction précise avec des objets virtuels.
• Manipulation robotique : contrôle précis de mains robotisées.
• Santé : analyse des mouvements de la main pour les diagnostics médicaux.
• Animation : capture de mouvement pour des mouvements de main réalistes.
• Authentification biométrique : systèmes de sécurité basés sur la géométrie de la main.

Link to this sectionYAML du jeu de données#

Un fichier YAML est utilisé pour définir la configuration du dataset. Il contient des informations sur les chemins du dataset, les classes et d'autres renseignements pertinents. Dans le cas du dataset Hand Keypoints, le fichier hand-keypoints.yaml est maintenu sur 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 Hand Keypoints contient un ensemble varié d'images avec des mains humaines annotées avec des points clés. Voici quelques exemples d'images du jeu de données, ainsi que 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 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 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 ?#

Charge yolo26n-pose.pt et appelle model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640) — consulte l'Exemple d'entraînement ci-dessus pour les extraits complets en Python et en CLI, ainsi que la page Entraînement du modèle pour une liste exhaustive des arguments.

Link to this sectionQuels sont les avantages de l'utilisation du jeu de données Hand Keypoints ?#

Avec 26 768 images annotées et 21 points clés par main générés via Google MediaPipe, le jeu de données Hand Keypoints offre aux modèles d'estimation de pose l'échelle et la précision d'annotation nécessaires pour des tâches d'estimation de pose avancée. Consulte la section Points clés pour une décomposition complète des points de repère.

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

Hand Keypoints prend en charge la reconnaissance de gestes, les contrôles AR/VR, la manipulation robotique, l'analyse des mouvements dans le domaine de la santé, l'animation et l'authentification biométrique — consulte la section Applications pour plus de détails sur chacune d'entre elles.

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.