Conjunto de Dados de Pontos-Chave da Mão#

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

Introdução#

O conjunto de dados Hand Keypoints da Ultralytics contém 26.768 imagens de mãos anotadas com 21 pontos-chave cada, geradas usando a biblioteca Google MediaPipe para alta precisão e consistência. Ele é compatível com os formatos do Ultralytics YOLO26 para treinar modelos de estimativa de pose.

Keypoints#

Cada mão é anotada com 21 pontos-chave da seguinte forma:

1. Pulso
2. Polegar (4 pontos)
3. Dedo indicador (4 pontos)
4. Dedo médio (4 pontos)
5. Dedo anelar (4 pontos)
6. Dedo mínimo (4 pontos)

Estrutura do Dataset#

• Total de imagens: 26.768 (18.776 treino / 7.992 validação).
• Classes: 1 (mão).
• Pontos-chave: 21 por mão com tripletos (x, y, visibility).
• Tamanho do download: ~369 MB.

Para um vocabulário de gestos personalizado além dos marcos genéricos de mão, a Ultralytics Platform lida com a rotulagem e o treinamento do teu próprio conjunto de dados a partir do navegador.

Aplicações#

Os pontos-chave da mão suportam várias aplicações do mundo real:

• Reconhecimento de gestos: interação humano-computador e interfaces de controle sem toque.
• Controles de AR/VR: interação precisa com objetos virtuais.
• Manipulação robótica: controle refinado de mãos robóticas.
• Saúde: análise do movimento das mãos para diagnósticos médicos.
• Animação: captura de movimento para movimentos realistas das mãos.
• Autenticação biométrica: sistemas de segurança baseados na geometria da mão.

YAML do Dataset#

Um arquivo YAML é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, classes e outras informações relevantes do conjunto de dados. No caso do conjunto de dados Hand Keypoints, o arquivo hand-keypoints.yaml é mantido em 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

Uso#

Para treinar um modelo YOLO26n-pose no conjunto de dados Hand Keypoints por 100 épocas com um tamanho de imagem de 640, podes usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulta a página de Treinamento do modelo.

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)

Exemplos de Imagens e Anotações#

O conjunto de dados Hand Keypoints contém um conjunto diversificado de imagens com mãos humanas anotadas com pontos-chave. Aqui estão alguns exemplos de imagens do conjunto de dados, juntamente com suas anotações correspondentes:

• Imagem em Mosaico: Esta imagem demonstra um lote de treino composto por imagens do conjunto de dados em mosaico. A mosaicação é uma técnica usada durante o treino que combina múltiplas imagens numa única imagem para aumentar a variedade de objetos e cenas dentro de cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objeto, proporções e contextos.

O exemplo mostra a variedade e a complexidade das imagens no conjunto de dados de Pontos-Chave da Mão e os benefícios de usar mosaico durante o processo de treinamento.

Citações e Agradecimentos#

Se você utilizar o conjunto de dados Hand Keypoints em seu trabalho de pesquisa ou desenvolvimento, por favor, reconheça as seguintes fontes:

Também gostaríamos de agradecer ao criador deste conjunto de dados, Rion Dsilva, pela sua excelente contribuição para a pesquisa de Vision AI.

FAQ#