Jeu de données de points clés de la main#

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

Introduction#

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

Keypoints#

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)

Structure 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 allant au-delà des repères de main génériques, Ultralytics Platform gère l'étiquetage et l'entraînement de ton propre jeu de données directement depuis le navigateur.

Applications#

Les points clés manuels prennent en charge plusieurs applications concrètes :

• Reconnaissance gestuelle : interaction homme-machine et interfaces de commande sans contact.
• Commandes 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.

YAML du jeu de données#

Un fichier YAML est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins, les classes et d'autres détails pertinents du jeu de données. Dans le cas du jeu de données 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

Utilisation#

Pour entraîner un modèle YOLO26n-pose sur le jeu de données Hand Keypoints pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour obtenir 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)

Exemples 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.

Citations 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 tenons également à remercier le créateur de ce jeu de données, Rion Dsilva, pour sa contribution exceptionnelle à la recherche en IA de vision.

FAQ#