Dataset de pontos-chave das mãos#

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

Introdução#

O dataset de pontos-chave das mãos da Ultralytics contém 26 768 imagens de mãos anotadas com 21 pontos-chave cada, geradas com a biblioteca Google MediaPipe para garantir elevada precisão e consistência. É compatível com os formatos da Ultralytics YOLO26 para treinar modelos de estimativa de pose.

Pontos-chave#

Cada mão é anotada com 21 pontos-chave, conforme indicado abaixo:

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

Estrutura do Conjunto de Dados#

• Total de imagens: 26 768 (18 776 treino / 7 992 validação).
• Classes: 1 (mão).
• Pontos-chave: 21 por mão, com trios (x, y, visibility).
• Tamanho do download: ~369 MB.

Para um vocabulário de gestos personalizado que vá além dos marcos genéricos das mãos, a Ultralytics Platform permite etiquetar e treinar o teu próprio dataset diretamente no navegador.

Aplicações#

Os pontos-chave das mãos são úteis em várias aplicações do mundo real:

• Reconhecimento de gestos: interação homem-computador e interfaces de controlo sem contacto.
• Controlos de AR/VR: interação precisa com objetos virtuais.
• Manipulação robótica: controlo detalhado de mãos robóticas.
• Cuidados de 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 das mãos.

YAML do Conjunto de Dados#

É utilizado um ficheiro YAML para definir a configuração do dataset. Este contém informações sobre os caminhos, as classes e outros dados relevantes do dataset. No caso do dataset de pontos-chave das mãos, o ficheiro 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

Utilização#

Para treinar um modelo YOLO26n-pose no dataset de pontos-chave das mãos durante 100 épocas, com um tamanho de imagem de 640, podes utilizar os seguintes excertos de código. Para consultar a lista completa de argumentos disponíveis, visita a página de Treino 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)

Imagens de exemplo e anotações#

O dataset de pontos-chave das mãos contém um conjunto diversificado de imagens de mãos humanas anotadas com pontos-chave. Seguem-se alguns exemplos de imagens do dataset, juntamente com as respetivas anotações:

• Imagem em mosaico: esta imagem demonstra um lote de treino composto por imagens do dataset combinadas em mosaico. A combinação em mosaico é uma técnica utilizada durante o treino que combina várias imagens numa única imagem para aumentar a variedade de objetos e cenas em cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.

O exemplo demonstra a variedade e a complexidade das imagens do dataset de pontos-chave das mãos, bem como os benefícios da utilização de mosaicos durante o processo de treino.

Citações e agradecimentos#

Se utilizares o dataset de pontos-chave das mãos no teu trabalho de investigação ou desenvolvimento, reconhece as seguintes fontes:

Gostaríamos também de reconhecer o criador deste dataset, Rion Dsilva, pela sua excelente contribuição para a investigação em IA de visão.

Perguntas frequentes#