Набор данных ключевых точек кисти#

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

Введение#

Набор данных кистей Ultralytics содержит 26 768 изображений кистей рук, размеченных 21 ключевой точкой каждое. Он создан с использованием библиотеки Google MediaPipe для высокой точности и согласованности. Набор совместим с форматами Ultralytics YOLO26 для обучения моделей оценки позы.

Ключевые точки#

Каждая кисть размечена 21 ключевой точкой следующим образом:

1. Запястье
2. Большой палец (4 точки)
3. Указательный палец (4 точки)
4. Средний палец (4 точки)
5. Безымянный палец (4 точки)
6. Мизинец (4 точки)

Структура датасета#

• Всего изображений: 26 768 (18 776 для обучения / 7 992 для валидации).
• Классы: 1 (кисть).
• Ключевые точки: 21 на кисть, представленные тройками (x, y, visibility).
• Размер для скачивания: ~369 МБ.

Для пользовательского словаря жестов, выходящего за рамки общих ориентиров кисти, Ultralytics Platform позволяет размечать и обучать собственный набор данных прямо в браузере.

Применения#

Ключевые точки кисти поддерживают несколько реальных применений:

• Распознавание жестов: взаимодействие человека с компьютером и интерфейсы бесконтактного управления.
• Управление AR/VR: точное взаимодействие с виртуальными объектами.
• Роботизированные манипуляции: точное управление роботизированными кистями.
• Здравоохранение: анализ движений кисти для медицинской диагностики.
• Анимация: захват движений для реалистичной анимации кисти.
• Биометрическая аутентификация: системы безопасности на основе геометрии кисти.

YAML датасета#

Для определения конфигурации набора данных используется YAML-файл. Он содержит сведения о путях к данным, классах и другую необходимую информацию. Для набора данных Hand Keypoints файл hand-keypoints.yaml хранится по адресу 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

Использование#

Чтобы обучить модель YOLO26n-pose на наборе данных Hand Keypoints в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Полный список доступных аргументов смотри на странице обучения модели.

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)

Примеры изображений и аннотаций#

Набор данных Hand Keypoints содержит разнообразные изображения человеческих кистей, размеченных ключевыми точками. Ниже приведены примеры изображений из набора данных вместе с соответствующими аннотациями:

• Мозаичное изображение: на этом изображении показан обучающий батч, составленный из мозаичных изображений датасета. Мозаицирование — это применяемая во время обучения техника, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем батче. Это помогает улучшить способность модели обобщать данные для объектов разных размеров, с разными соотношениями сторон и в разных контекстах.

Пример демонстрирует разнообразие и сложность изображений в наборе данных Hand Keypoints, а также преимущества использования мозаичного дополнения во время обучения.

Цитирование и благодарности#

Если ты используешь набор данных Hand Keypoints в исследовательской или разработческой работе, укажи следующие источники:

Мы также хотим отметить создателя этого набора данных, Rion Dsilva, за его значительный вклад в исследования Vision AI.

Часто задаваемые вопросы#