El Anahtar Noktaları 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 Anahtar Noktaları veri kümesi, yüksek doğruluk ve tutarlılık için Google MediaPipe kütüphanesi kullanılarak oluşturulmuş, her biri 21 anahtar noktayla etiketlenmiş 26.768 el görüntüsü içerir. Poz tahmini modellerini eğitmek için Ultralytics YOLO26 biçimleriyle uyumludur.

Anahtar Noktalar#

Her el aşağıdaki şekilde 21 anahtar noktayla 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 eğitim / 7.992 doğrulama).
• Sınıflar: 1 (el).
• Anahtar noktalar: Her el için (x, y, visibility) üçlülerinden oluşan 21 nokta.
• İndirme boyutu: ~369 MB.

Genel el işaretlerinin ötesinde özel bir hareket sözlüğü oluşturmak için Ultralytics Platform, tarayıcı üzerinden kendi veri kümeni etiketleyip eğitmeni sağlar.

Uygulamalar#

El anahtar noktaları çeşitli gerçek dünya uygulamalarını destekler:

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

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında ayrıntılar içerir. El Anahtar Noktaları veri kümesinde 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 Anahtar Noktaları veri kümesinde YOLO26n-pose modelini görüntü boyutu 640 olacak şekilde 100 epoch boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-pose.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

El Anahtar Noktaları veri kümesi, insan ellerinin anahtar noktalarla etiketlendiği çeşitli görüntüler içerir. Aşağıda, veri kümesindeki bazı görüntüler ve bunlara karşılık gelen etiketler yer alıyor:

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

Bu örnek, El Anahtar Noktaları veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın faydalarını gösteriyor.

Atıflar ve Teşekkürler#

El Anahtar Noktaları veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki kaynakları belirt:

Bu veri kümesinin oluşturucusu Rion Dsilva'ya Görsel Yapay Zekâ araştırmalarına yaptığı önemli katkı için teşekkür etmek isteriz.

Sık Sorulan Sorular#