El Anahtar Noktaları Veri Seti

Giriş

El-anahtar noktaları veri kümesi, anahtar noktalarla açıklanmış 26.768 el görüntüsü içerir ve bu da onu poz tahmini görevleri için Ultralytics YOLO gibi modelleri eğitmek için uygun hale getirir. Ek açıklamalar Google MediaPipe kütüphanesi kullanılarak oluşturulmuş, yüksek doğruluk ve tutarlılık sağlanmıştır ve veri kümesi uyumludur Ultralytics YOLO11 formatlar.

İzle: Ultralytics YOLO11 ile El Anahtar Noktaları Tahmini | İnsan Eli Poz Tahmini Eğitimi

El İşaretleri

Anahtar Noktalar

Veri kümesi, el tespiti için anahtar noktalar içerir. Anahtar noktalar aşağıdaki gibi açıklanmıştır:

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

Her elde toplam 21 kilit nokta vardır.

Temel Özellikler

• Büyük Veri Kümesi: 26.768 el anahtar noktası açıklamalı görüntü.
• YOLO11 Uyumluluk: YOLO11 modelleri ile kullanıma hazırdır.
• 21 Anahtar Nokta: Detaylı el pozu gösterimi.

Veri Kümesi Yapısı

El anahtar noktası veri kümesi iki alt kümeye ayrılmıştır:

1. Eğitmek: Bu alt küme, poz tahmin modellerini eğitmek için açıklanan el anahtar noktaları veri kümesinden 18.776 görüntü içerir.
2. Val: Bu alt küme, model eğitimi sırasında doğrulama amacıyla kullanılabilecek 7992 görüntü içerir.

Uygulamalar

El anahtar noktaları jest tanıma, AR/VR kontrolleri, robotik manipülasyon ve sağlık hizmetlerinde el hareketi analizi için kullanılabilir. Ayrıca hareket yakalama için animasyonda ve güvenlik için biyometrik kimlik doğrulama sistemlerinde de uygulanabilirler.

Veri Kümesi YAML

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. Hand Keypoints veri kümesi söz konusu olduğunda hand-keypoints.yaml dosyası şu adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/hand-keypoints.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/hand-keypoints # dataset root dir
train: train # train images (relative to 'path') 18776 images
val: 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

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/hand-keypoints.zip

Kullanım

Bir YOLO11n-pose modelini 640 görüntü boyutuyla 100 epok için Hand Keypoints veri kümesi üzerinde eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo pose train data=hand-keypoints.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Örnek Görüntüler ve Açıklamalar

Hand keypoints veri kümesi, insan ellerinin anahtar noktalarla açıklandığı çeşitli görüntüler içerir. İşte veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar:

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

Bu örnek, Hand Keypoints veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın faydalarını göstermektedir.

Atıflar ve Teşekkür

Araştırma veya geliştirme çalışmalarınızda el anahtar noktaları veri setini kullanırsanız, lütfen aşağıdaki kaynaklara teşekkür edin:

Ayrıca bu veri setinin yaratıcısı Rion Dsilva'ya Vision AI araştırmalarına yaptığı büyük katkı için teşekkür etmek isteriz.

SSS

Hand Keypoints veri kümesi üzerinde bir YOLO11 modelini nasıl eğitebilirim?

Hand Keypoints veri kümesi üzerinde bir YOLO11 modelini eğitmek için Python veya komut satırı arayüzünü (CLI) kullanabilirsiniz. İşte 640 görüntü boyutuyla 100 epok için bir YOLO11n-pose modelini eğitmek için bir örnek:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo pose train data=hand-keypoints.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.

Hand Keypoints veri setinin temel özellikleri nelerdir?

Hand Keypoints veri seti, gelişmiş poz tahmini görevleri için tasarlanmıştır ve birkaç temel özellik içerir:

• Büyük Veri Kümesi: Elle anahtar nokta açıklamaları içeren 26.768 görüntü içerir.
• YOLO11 Uyumluluk: YOLO11 modelleri ile kullanıma hazırdır.
• 21 Anahtar Nokta: Bilek ve parmak eklemleri de dahil olmak üzere ayrıntılı el pozu gösterimi.

Daha fazla ayrıntı için Hand Keypoints Dataset bölümünü inceleyebilirsiniz.

Hand Keypoints veri setini kullanarak hangi uygulamalardan faydalanabilirsiniz?

Hand Keypoints veri seti, aşağıdakiler de dahil olmak üzere çeşitli alanlarda uygulanabilir:

• Hareket Tanıma: İnsan-bilgisayar etkileşimini geliştirme.
• AR/VR Kontrolleri: Artırılmış ve sanal gerçeklikte kullanıcı deneyimini iyileştirme.
• Robotik Manipülasyon: Robotik ellerin hassas kontrolünü mümkün kılmak.
• Sağlık hizmetleri: Tıbbi teşhis için el hareketlerini analiz etme.
• Animasyon: Gerçekçi animasyonlar için hareket yakalama.
• Biyometrik Kimlik Doğrulama: Güvenlik sistemlerinin iyileştirilmesi.

Daha fazla bilgi için Uygulamalar bölümüne bakın.

Hand Keypoints veri seti nasıl yapılandırılmıştır?

Hand Keypoints veri kümesi iki alt kümeye ayrılmıştır:

1. Tren: Poz tahmin modellerini eğitmek için 18.776 görüntü içerir.
2. Val: Model eğitimi sırasında doğrulama amacıyla 7.992 görüntü içerir.

Bu yapı, kapsamlı bir eğitim ve doğrulama süreci sağlar. Daha fazla ayrıntı için Veri Kümesi Yapısı bölümüne bakın.

Eğitim için veri kümesi YAML dosyasını nasıl kullanırım?

Veri kümesi yapılandırması, yolları, sınıfları ve diğer ilgili bilgileri içeren bir YAML dosyasında tanımlanır. Veri kümesi hand-keypoints.yaml dosyasını şu adreste bulabilirsiniz hand-keypoints.yaml.

Bu YAML dosyasını eğitimde kullanmak için, yukarıdaki eğitim örneğinde gösterildiği gibi eğitim kodunuzda veya CLI komutunda belirtin. Daha fazla ayrıntı için Veri Kümesi YAML bölümüne bakın.

📅 Created 2 months ago ✏️ Updated 18 days ago

Yorumlar