손 키포인트 데이터셋#

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

소개#

Ultralytics 손 키포인트 데이터셋에는 각 손에 21개의 키포인트가 주석으로 지정된 손 이미지 26,768장이 포함되어 있으며, 높은 정확도와 일관성을 위해 Google MediaPipe 라이브러리를 사용하여 생성되었습니다. 이 데이터셋은 포즈 추정 모델 학습을 위한 Ultralytics YOLO26 형식과 호환됩니다.

키포인트#

각 손에는 다음과 같이 21개의 키포인트가 주석으로 지정되어 있습니다:

1. 손목
2. 엄지손가락(4개 포인트)
3. 검지(4개 포인트)
4. 중지(4개 포인트)
5. 약지(4개 포인트)
6. 소지(4개 포인트)

데이터셋 구조#

• 전체 이미지 수: 26,768장(학습 18,776장 / 검증 7,992장).
• 클래스: 1개(손).
• 키포인트: 손당 21개이며 (x, y, visibility) 트리플릿으로 구성됩니다.
• 다운로드 크기: ~369 MB.

일반적인 손 랜드마크를 넘어서는 사용자 지정 제스처 어휘가 필요한 경우, Ultralytics Platform에서 브라우저를 통해 자체 데이터셋의 라벨링과 학습을 처리할 수 있습니다.

응용 분야#

손 키포인트는 다음과 같은 여러 실제应用 분야를 지원합니다:

• 제스처 인식: 인간-컴퓨터 상호작용 및 비접촉식 제어 인터페이스.
• AR/VR 제어: 가상 객체와의 정밀한 상호작용.
• 로봇 조작: 로봇 손의 세밀한 제어.
• 헬스케어: 의료 진단을 위한 손 움직임 분석.
• 애니메이션: 사실적인 손 움직임을 위한 모션 캡처.
• 생체 인증: 손의 형태를 기반으로 하는 보안 시스템.

데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 여기에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함됩니다. 손 키포인트 데이터셋의 경우 hand-keypoints.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/hand-keypoints.yaml에서 유지 관리됩니다.

# 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

사용법#

손 키포인트 데이터셋에서 이미지 크기 640으로 100개의 에포크 동안 YOLO26n-pose 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인자 전체 목록은 모델 학습 페이지를 참조하세요.

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)

샘플 이미지 및 주석#

손 키포인트 데이터셋에는 키포인트가 주석으로 지정된 사람 손 이미지로 구성된 다양한 이미지 세트가 포함되어 있습니다. 다음은 데이터셋 이미지와 해당 주석의 예시입니다:

• 모자이크 처리된 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이크 처리는 학습 중 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치에 포함되는 객체와 장면의 다양성을 높이는 기법입니다. 이를 통해 다양한 객체 크기, 종횡비 및 컨텍스트에 대한 모델의 일반화 성능을 향상할 수 있습니다.

이 예시는 손 키포인트 데이터셋 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이크를 사용하는 이점을 보여줍니다.

인용 및 감사의 글#

연구 또는 개발 작업에서 손 키포인트 데이터셋을 사용하는 경우 다음 출처를 명시해 주세요:

또한 이 데이터셋의 제작자인 Rion Dsilva의 Vision AI 연구에 대한 훌륭한 기여에도 감사드립니다.

FAQ#