Ultralytics YOLO27：
Get Started
CC BY-NC-SA 4.0

手部关键点数据集#

简介#

Ultralytics 手部关键点数据集包含 26,768 张图像，每只手标注了 21 个关键点；这些标注由 Google MediaPipe 库生成，具有较高的准确度和一致性。该数据集兼容Ultralytics YOLO26 格式，可用于训练姿态估计模型。



观看： 使用 Ultralytics YOLO 进行手部关键点估计 | 人手姿态估计教程

关键点#

包含 21 个点的手部关键点示意图

每只手均按如下方式标注 21 个关键点：

  1. 手腕
  2. 拇指（4 个点）
  3. 食指（4 个点）
  4. 中指（4 个点）
  5. 无名指（4 个点）
  6. 小指（4 个点）

数据集结构#

  • 图像总数：26,768（18,776 张训练 / 7,992 张验证）。
  • 类别：1 个（hand）。
  • 关键点：每只手有 21 个关键点，采用 (x, y, visibility) 三元组格式。
  • 下载大小：约 ~369 MB。

如果你需要通用手部关键点之外的自定义手势词汇，Ultralytics Platform 可让你直接在浏览器中为自己的数据集进行标注和训练。

应用场景#

手部关键点支持多种实际应用：

  • 手势识别：人机交互和非接触式控制界面。
  • AR/VR 控制：与虚拟物体进行精准交互。
  • 机器人操作：对机械手进行精细控制。
  • 医疗保健：分析手部运动以辅助医疗诊断。
  • 动画：通过动作捕捉实现逼真的手部运动。
  • 生物特征认证：基于手部几何特征的安全系统。

数据集 YAML#

使用 YAML 文件定义数据集配置，其中包含数据集路径、类别和其他相关信息。对于手部关键点数据集，hand-keypoints.yaml 文件由 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/hand-keypoints.yaml 维护。

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

用法#

若要使用手部关键点数据集，以图像尺寸 640 训练 YOLO26n-pose 模型 100 个轮次，可以使用以下代码片段。可用参数的完整列表请参阅模型的训练页面。

训练示例
from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-pose.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640)

示例图像和标注#

手部关键点数据集包含各种带有人手关键点标注的图像。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示例

  • 马赛克图像：此图像展示了由数据集马赛克图像组成的训练批次。马赛克是一种训练时使用的技术，它将多张图像合并为一张图像，从而增加每个训练批次中目标和场景的多样性。这有助于提升模型对不同目标尺寸、长宽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的优势。

引用与致谢#

如果你在研究或开发工作中使用手部关键点数据集，请注明以下来源：

引用格式

我们感谢以下来源提供本数据集使用的图像：

这些图像是在各个平台所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。

我们还要感谢此数据集的创建者 Rion Dsilva，感谢他为视觉 AI 研究作出的重要贡献。

常见问题#

  • 加载 yolo26n-pose.pt 并调用 model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640) — 完整的 Python 和 CLI 代码片段请参阅上方的训练示例，参数完整列表请参阅模型的训练页面。

  • Hand Keypoints 数据集包含 26,768 张标注图像，每只手有 21 个通过 Google MediaPipe 生成的关键点，为姿势估计模型提供了完成高级姿势估计任务所需的数据规模和标注精度。请参阅关键点部分，了解完整的关键点说明。

  • Hand Keypoints 支持手势识别、AR/VR 控制、机器人操作、医疗健康运动分析、动画制作和生物特征身份验证；各项应用的详情请参阅应用部分。

  • Hand Keypoints 数据集分为两个子集：

    1. 训练集：包含 18,776 张图像，用于训练姿势估计模型。
    2. 验证集：包含 7,992 张图像，用于模型训练期间的验证。

    这种结构确保了全面的训练和验证流程。更多详情请参阅数据集结构部分。

  • 数据集配置定义在 YAML 文件中，其中包含路径、类别和其他相关信息。你可以在 hand-keypoints.yaml 找到 hand-keypoints.yaml 文件。

    如需在训练中使用此 YAML 文件，请按照上方训练示例所示，在训练脚本或 CLI 命令中指定该文件。更多详情请参阅数据集 YAML部分。

贡献者
GLglenn-jocher11RAraimbekovm5RIRizwanMunawar2PDpderrenger1Y-Y-T-G1

评论