Link to this sectionDataset Hand Keypoints#

Link to this sectionIntroduzione#

Il dataset di Hand Keypoints di Ultralytics contiene 26.768 immagini di mani annotate con 21 keypoint ciascuna, generate utilizzando la libreria Google MediaPipe per un'elevata precisione e coerenza. È compatibile con i formati di Ultralytics YOLO26 per l'addestramento di modelli di pose estimation.

Link to this sectionKeypoint#

Ogni mano è annotata con 21 keypoint come segue:

1. Polso
2. Pollice (4 punti)
3. Indice (4 punti)
4. Medio (4 punti)
5. Anulare (4 punti)
6. Mignolo (4 punti)

Link to this sectionStruttura del dataset#

• Immagini totali: 26.768 (18.776 train / 7.992 val).
• Classi: 1 (mano).
• Keypoint: 21 per mano con triplette (x, y, visibility).
• Dimensione download: ~369 MB.

Per un vocabolario di gesti personalizzato che vada oltre i landmark generici delle mani, Ultralytics Platform gestisce l'etichettatura e l'addestramento del tuo dataset direttamente dal browser.

Link to this sectionApplicazioni#

I keypoint della mano supportano diverse applicazioni nel mondo reale:

• Riconoscimento dei gesti: interazione uomo-computer e interfacce di controllo senza contatto.
• Controlli AR/VR: interazione precisa con oggetti virtuali.
• Manipolazione robotica: controllo di precisione di mani robotiche.
• Assistenza sanitaria: analisi del movimento della mano per diagnosi mediche.
• Animazione: motion capture per movimenti realistici della mano.
• Autenticazione biometrica: sistemi di sicurezza basati sulla geometria della mano.

Link to this sectionDataset YAML#

Un file YAML viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni pertinenti. Nel caso del dataset Hand Keypoints, il file hand-keypoints.yaml è gestito su 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 sectionUtilizzo#

Per addestrare un modello YOLO26n-pose sul dataset Hand Keypoints per 100 epoche con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina Addestramento del modello.

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 sectionEsempi di immagini e annotazioni#

Il dataset Hand Keypoints contiene una serie diversificata di immagini con mani umane annotate con keypoint. Ecco alcuni esempi di immagini dal dataset, insieme alle relative annotazioni:

• Immagine Mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset a mosaico. Il mosaico è una tecnica utilizzata durante l'addestramento che combina più immagini in un'unica immagine per aumentare la varietà di oggetti e scene all'interno di ogni batch di addestramento. Ciò aiuta a migliorare la capacità del modello di generalizzare a diverse dimensioni, proporzioni e contesti degli oggetti.

L'esempio mostra la varietà e la complessità delle immagini nel dataset Hand Keypoints e i vantaggi dell'utilizzo del mosaicing durante il processo di addestramento.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset Hand Keypoints nel tuo lavoro di ricerca o sviluppo, ti preghiamo di riconoscere le seguenti fonti:

Vorremmo inoltre ringraziare il creatore di questo dataset, Rion Dsilva, per il suo grande contributo alla ricerca in Vision AI.

Link to this sectionFAQ#

Link to this sectionCome addestro un modello YOLO26 sul dataset Hand Keypoints?#

Carica yolo26n-pose.pt e chiama model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640) — vedi l'Esempio di training qui sopra per gli snippet Python e CLI completi, e la pagina Training del modello per un elenco completo degli argomenti.

Link to this sectionQuali sono i vantaggi dell'utilizzo del dataset Hand Keypoints?#

Con 26.768 immagini annotate e 21 keypoint per mano generati tramite Google MediaPipe, il dataset Hand Keypoints fornisce ai modelli di pose estimation la scala e la precisione di annotazione necessarie per attività di pose estimation avanzata. Consulta la sezione Keypoints per la suddivisione completa dei landmark.

Link to this sectionQuali applicazioni possono trarre vantaggio dall'uso del dataset Hand Keypoints?#

Hand Keypoints supporta il riconoscimento dei gesti, controlli AR/VR, manipolazione robotica, analisi del movimento in ambito sanitario, animazione e autenticazione biometrica — consulta la sezione Applicazioni per i dettagli su ciascuna.

Link to this sectionCom'è strutturato il dataset Hand Keypoints?#

Il dataset Hand Keypoints è diviso in due sottoinsiemi:

1. Train: Contiene 18.776 immagini per l'addestramento di modelli di stima della posa.
2. Val: Contiene 7.992 immagini a fini di validazione durante l'addestramento del modello.

Questa struttura garantisce un processo di addestramento e validazione completo. Per ulteriori dettagli, vedi la sezione Struttura del dataset.

Link to this sectionCome utilizzo il file YAML del dataset per l'addestramento?#

La configurazione del dataset è definita in un file YAML, che include percorsi, classi e altre informazioni rilevanti. Il file hand-keypoints.yaml si trova su hand-keypoints.yaml.

Per utilizzare questo file YAML per l'addestramento, specificalo nel tuo script di addestramento o nel comando CLI come mostrato nell'esempio di addestramento precedente. Per ulteriori dettagli, fai riferimento alla sezione Dataset YAML.