Link to this sectionDataset Hand Keypoints#

Link to this sectionIntroduzione#

Il dataset hand-keypoints contiene 26.768 immagini di mani annotate con keypoints, rendendolo adatto all'addestramento di modelli come Ultralytics YOLO per attività di stima della posa. Le annotazioni sono state generate utilizzando la libreria Google MediaPipe, garantendo un'elevata precisione e coerenza; inoltre, il dataset è compatibile con i formati Ultralytics YOLO26.

Link to this sectionLandmark della mano#

Link to this sectionKeypoint#

Il dataset include keypoints per il rilevamento della mano. I keypoints sono annotati come segue:

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

Ogni mano ha un totale di 21 keypoints.

Link to this sectionCaratteristiche principali#

• Dataset ampio: 26.768 immagini con annotazioni dei keypoints della mano.
• Compatibilità YOLO26: Le etichette sono fornite nel formato keypoint di YOLO e sono pronte per l'uso con i modelli YOLO26.
• 21 Keypoints: Rappresentazione dettagliata della posa della mano che comprende il polso e quattro punti per dito.

Link to this sectionStruttura del dataset#

Il dataset hand keypoints è suddiviso in due sottoinsiemi:

1. Train: Questo sottoinsieme contiene 18.776 immagini dal dataset hand keypoints, annotate per l'addestramento di modelli di stima della posa.
2. Val: Questo sottoinsieme contiene 7.992 immagini che possono essere utilizzate a fini di validazione durante l'addestramento del modello.

Link to this sectionApplicazioni#

I keypoints della mano possono essere utilizzati per il riconoscimento dei gesti, controlli AR/VR, manipolazione robotica e analisi del movimento della mano in ambito sanitario. Possono anche essere applicati nell'animazione per il motion capture e nei sistemi di autenticazione biometrica per la sicurezza. Il tracciamento dettagliato delle posizioni delle dita consente un'interazione precisa con oggetti virtuali e interfacce di controllo touchless.

Link to this sectionDataset YAML#

Viene utilizzato un file YAML (Yet Another Markup Language) per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni rilevanti. Nel caso del dataset Hand Keypoints, il file hand-keypoints.yaml è mantenuto 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 un set eterogeneo di immagini con mani umane annotate con keypoints. 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?#

Per addestrare un modello YOLO26 sul dataset Hand Keypoints, puoi utilizzare Python o l'interfaccia a riga di comando (CLI). Ecco un esempio per l'addestramento di un modello YOLO26n-pose per 100 epoche con una dimensione dell'immagine di 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)

Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina del Training del modello.

Link to this sectionQuali sono le caratteristiche chiave del dataset Hand Keypoints?#

Il dataset Hand Keypoints è progettato per attività avanzate di stima della posa e include diverse caratteristiche chiave:

• Dataset ampio: Contiene 26.768 immagini con annotazioni dei keypoints della mano.
• Compatibilità YOLO26: Pronto per l'uso con i modelli YOLO26.
• 21 Keypoints: Rappresentazione dettagliata della posa della mano, che include il polso e le articolazioni delle dita.

Per maggiori dettagli, puoi esplorare la sezione Dataset Hand Keypoints.

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

Il dataset Hand Keypoints può essere applicato in vari campi, tra cui:

• Riconoscimento dei gesti: Miglioramento dell'interazione uomo-computer.
• Controlli AR/VR: Miglioramento dell'esperienza utente nella realtà aumentata e virtuale.
• Manipolazione robotica: Abilitazione al controllo preciso di mani robotiche.
• Assistenza sanitaria: Analisi dei movimenti della mano per diagnosi mediche.
• Animazione: Acquisizione del movimento per animazioni realistiche.
• Autenticazione biometrica: Miglioramento dei sistemi di sicurezza.

Per ulteriori informazioni, fai riferimento alla sezione Applicazioni.

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.