Набор данных ключевых точек кисти#

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

Введение#

Датасет Ultralytics Hand Keypoints содержит 26 768 изображений рук, аннотированных 21 ключевой точкой каждое, созданных с помощью библиотеки Google MediaPipe для обеспечения высокой точности и согласованности. Он совместим с форматами Ultralytics YOLO26 для обучения моделей оценки позы.

Ключевые точки#

Каждая кисть руки 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 набора данных#

• Всего изображений: 26 768 (18 776 обучающих / 7 992 валидационных).
• Классы: 1 (кисть руки).
• Ключевые точки: 21 на руку с тройками (x, y, visibility).
• Размер загрузки: ~369 МБ.

Для создания пользовательского словаря жестов, выходящего за рамки общих ориентиров руки, Ultralytics Platform позволяет выполнять разметку и обучать собственный датасет прямо в браузере.

Применение#

Ключевые точки кисти поддерживают несколько практических применений:

• Распознавание жестов: человеко-машинное взаимодействие и бесконтактные элементы управления.
• Элементы управления AR/VR: точное взаимодействие с виртуальными объектами.
• Роботизированные манипуляции: высокоточное управление роботизированными руками.
• Здравоохранение: анализ движений рук для медицинской диагностики.
• Анимация: захват движения для реалистичной анимации рук.
• Биометрическая аутентификация: системы безопасности, основанные на геометрии кисти руки.

YAML набора данных#

Файл YAML используется для определения конфигурации датасета. Он содержит информацию о путях к датасету, классах и другие важные сведения. В случае датасета Hand Keypoints файл hand-keypoints.yaml поддерживается 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 датасете Hand Keypoints в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице модели Обучение.

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 аннотации#

Набор данных Hand Keypoints содержит разнообразный набор изображений с человеческими руками, размеченными ключевыми точками. Ниже приведены примеры изображений из набора данных вместе с соответствующими аннотациями:

• Мозаичное изображение: это изображение демонстрирует обучающий пакет, составленный из мозаично собранных изображений. Мозаика — это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем пакете. Это помогает улучшить способность модели к обобщению при работе с объектами различных размеров, соотношений сторон и контекстов.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных Hand Keypoints, а также преимущества использования мозаики в процессе обучения.

Цитирование и благодарности#

Если ты используешь набор данных Hand Keypoints в своих исследованиях или разработках, пожалуйста, укажи следующие источники:

Мы также хотели бы выразить признательность создателю этого датасета, Риону Дсилве, за его большой вклад в исследования в области Vision AI.

FAQ#