Link to this section手部关键点数据集#

Name: 手部关键点姿态估计数据集
Creator: Rion Dsilva
License: https://creativecommons.org/licenses/by-nc-sa/4.0/
Keywords: 手部关键点, 姿态估计, 数据集, 关键点, MediaPipe, YOLO, 深度学习, 计算机视觉

Link to this section简介#

Ultralytics 手部关键点数据集包含 26,768 张手部图像，每张图像标注了 21 个关键点，这些关键点使用 Google MediaPipe 库生成，以确保高 accuracy 和一致性。它兼容 Ultralytics YOLO26 格式，可用于训练姿态估计模型。

Watch: Hand Keypoints Estimation with Ultralytics YOLO | Human Hand Pose Estimation Tutorial

Link to this section关键点#

包含 21 个点的手部关键点地标图

每只手标注了 21 个关键点，具体如下：

手腕
拇指（4 个点）
食指（4 个点）
中指（4 个点）
无名指（4 个点）
小指（4 个点）

Link to this section数据集结构#

图像总数：26,768（18,776 张训练集 / 7,992 张验证集）。
类别：1（手）。
关键点：每只手 21 个，包含 (x, y, visibility) 三元组。
下载大小：约 369 MB。

如果需要除了通用手部特征点之外的自定义手势词汇表，Ultralytics Platform 支持在浏览器中进行数据集标注和训练。

Link to this section应用#

手部关键点支持多种实际应用场景：

手势识别：人机交互和无接触控制界面。
AR/VR 控制：与虚拟对象的精准交互。
机器人操纵：机器人手部的精细控制。
医疗保健：用于医学诊断的手部运动分析。
动画制作：实现逼真手部动作的运动捕捉。
生物识别认证：基于手部几何特征的安全系统。

Link to this section数据集 YAML#

YAML 文件用于定义数据集配置。它包含有关数据集路径、类别及其他相关信息的内容。对于 Hand Keypoints 数据集，hand-keypoints.yaml 文件维护在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/hand-keypoints.yaml。

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

Link to this section用法#

要使用 640 的图像尺寸在手部关键点数据集上训练 YOLO26n-pose 模型 100 个 epoch，你可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。

训练示例

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)

Link to this section样本图像和标注#

手部关键点数据集包含多种标注了关键点的人手图像。以下是数据集中的一些图像示例及其对应的标注：

手部关键点姿态估计数据集样本

马赛克图像：此图像展示了一个由马赛克数据集图像组成的训练批次。马赛克是一种在训练期间使用的技术，它将多张图像合并为单张图像，以增加每个训练批次中物体和场景的多样性。这有助于提高模型对不同物体尺寸、宽高比和上下文的泛化能力。

该示例展示了手部关键点数据集中图像的多样性和复杂性，以及在训练过程中使用马赛克增强（mosaicing）的好处。

Link to this section引用与致谢#

如果你在研究或开发工作中使用了手部关键点数据集，请注明以下来源：

引用

我们感谢以下来源提供本数据集中使用的图像：

这些图像是在各平台提供的相应许可下收集和使用的，并根据知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行分发。

我们还要感谢该数据集的创建者 Rion Dsilva，感谢他对视觉 AI 研究的巨大贡献。

Link to this section常见问题解答#

Link to this section如何训练 YOLO26 模型处理手部关键点数据集？#

加载 yolo26n-pose.pt 并调用 model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640) — 请参阅上方的 Train Example 获取完整的 Python 和 CLI 代码片段，并查阅模型 Training 页面以获取完整的参数列表。

Link to this section使用手部关键点数据集有哪些好处？#

手部关键点数据集包含 26,768 张标注图像，每只手拥有 21 个通过 Google MediaPipe 生成的关键点，为姿态估计模型提供了 advanced pose estimation 任务所需的数据规模和标注精度。有关关键点的完整细分，请参阅 Keypoints 部分。

Link to this section哪些应用程序可以从使用手部关键点数据集中获益？#

手部关键点支持手势识别、AR/VR 控制、机器人操纵、医疗运动分析、动画制作和生物识别认证 — 有关各项的详细信息，请参阅 Applications 部分。