El Keypoints Veri Kümesi#

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

Giriş#

Ultralytics El Keypoints veri kümesi, yüksek doğruluk ve tutarlılık için Google MediaPipe kütüphanesi kullanılarak oluşturulmuş ve her biri 21 keypoint ile etiketlenmiş 26.768 el görüntüsü içerir. Pose estimation modellerini eğitmek için Ultralytics YOLO26 formatlarıyla uyumludur.

Keypoint'ler#

Her el, aşağıdaki gibi 21 keypoint ile etiketlenmiştir:

1. Bilek
2. Başparmak (4 nokta)
3. İşaret parmağı (4 nokta)
4. Orta parmak (4 nokta)
5. Yüzük parmağı (4 nokta)
6. Serçe parmak (4 nokta)

Veri Kümesi Yapısı#

• Toplam görüntü: 26.768 (18.776 train / 7.992 val).
• Sınıflar: 1 (el).
• Keypoint'ler: El başına (x, y, visibility) üçlüleriyle 21 keypoint.
• İndirme boyutu: ~369 MB.

Genel el landmark'larının ötesinde özel bir hareket sözlüğü için Ultralytics Platform, kendi veri kümeni tarayıcı üzerinden etiketleme ve eğitme işlemlerini yönetir.

Uygulamalar#

El keypoint'leri, çeşitli gerçek dünya uygulamalarını destekler:

• Hareket tanıma: insan-bilgisayar etkileşimi ve temassız kontrol arayüzleri.
• AR/VR kontrolleri: sanal nesnelerle hassas etkileşim.
• Robotik manipülasyon: robotik ellerin hassas kontrolü.
• Sağlık hizmetleri: tıbbi teşhis için el hareketi analizi.
• Animasyon: gerçekçi el hareketleri için hareket yakalama.
• Biyometrik kimlik doğrulama: el geometrisine dayalı güvenlik sistemleri.

Veri Kümesi YAML'i#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgilerini içerir. El Keypoints veri kümesi için hand-keypoints.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/hand-keypoints.yaml konumunda tutulur.

# 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

Kullanım#

El Keypoints veri kümesi üzerinde 100 epoch ve 640 görüntü boyutuyla bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Training sayfasına bakabilirsin.

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)

Örnek Görüntüler ve Açıklamalar#

El Keypoints veri kümesi, keypoint'lerle etiketlenmiş insan ellerinin bulunduğu çeşitli görüntüler içerir. Aşağıda, veri kümesindeki bazı görüntüler ve bunlara karşılık gelen etiketler yer alır:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu gösterir. Mozaikleme, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir eğitim tekniğidir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yeteneğini geliştirmeye yardımcı olur.

Örnek, El Keypoints veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın faydalarını gösterir.

Atıflar ve Teşekkürler#

El Keypoints veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan lütfen aşağıdaki kaynakları belirt:

Ayrıca bu veri kümesinin oluşturucusu Rion Dsilva'yı Vision AI araştırmalarına yaptığı büyük katkıdan dolayı anmak isteriz.

SSS#