手部关键点数据集

导言

手部关键点数据集包含 26,768 张标注了关键点的手部图像，适合用于训练Ultralytics YOLO 等模型，以完成姿势估计任务。注释是使用Google MediaPipe 库生成的，确保了高准确性和一致性，而且该数据集兼容以下格式 Ultralytics YOLO11格式。

观看： 手部关键点估算Ultralytics YOLO11 | 人类手部姿势估算教程

手部地标

关键点

数据集包括用于手部检测的关键点。关键点注释如下：

1. 手腕
2. 拇指（4 分）
3. 食指（4 分）
4. 中指（4 分）
5. 无名指（4 分）
6. 小手指（4 分）

每手牌共有 21 个关键点。

主要功能

• 大型数据集：26,768 幅带有手部关键点注释的图像。
• YOLO11 兼容性：可与YOLO11 型号一起使用。
• 21 个关键点：详细的手部姿势表示

数据集结构

手部关键点数据集分为两个子集：

1. 训练该子集包含手部关键点数据集中的 18,776 张图像，这些图像已标注用于训练姿势估计模型。
2. Val：该子集包含 7992 张图像，可在模型训练过程中用于验证。

应用

手部关键点可用于医疗保健领域的手势识别、AR/VR 控制、机器人操纵和手部动作分析。它们还可应用于动画的动作捕捉和安全领域的生物识别认证系统。

数据集 YAML

YAML（另一种标记语言）文件用于定义数据集配置。它包含数据集的路径、类和其他相关信息。在 "手部关键点 "数据集的例子中，YAML 文件的 hand-keypoints.yaml 文件保存在 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

使用方法

要在图像大小为 640 的手部关键点数据集上训练 YOLO11n-pose 模型 100次，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。

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

图片和注释示例

手部关键点数据集包含一组不同的图像，其中有标注了关键点的人手。下面是数据集中的一些图像示例及其相应的注释：

• 镶嵌图像：该图像展示了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过程中使用的技术，可将多幅图像合并为单幅图像，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、长宽比和环境的泛化能力。

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镶嵌技术的好处。

引文和致谢

如果您在研究或开发工作中使用了手键点数据集，请注明以下来源：

我们还要感谢本数据集的创建者Rion Dsilva，感谢他为视觉人工智能研究做出的巨大贡献。

常见问题

如何在手部关键点数据集上训练YOLO11 模型？

要在 Hand Keypoints 数据集上训练YOLO11 模型，可以使用Python 或命令行界面 (CLI)。下面是一个示例，在图像大小为 640 的情况下训练 YOLO11n-pose 模型 100 次：

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

有关可用参数的完整列表，请参阅模型培训页面。

Hand Keypoints 数据集的主要特点是什么？

手部关键点数据集是专为高级姿势估计任务设计的，包含几个关键特征：

• 大型数据集：包含 26,768 幅带有手工关键点注释的图像。
• YOLO11 兼容性：可与YOLO11 型号一起使用。
• 21 个关键点：详细的手部姿势显示，包括手腕和手指关节。

更多详情，请参阅 "手部关键点数据集"部分。

哪些应用可以从使用 Hand Keypoints 数据集中获益？

手部关键点数据集可应用于多个领域，包括

• 手势识别：增强人机交互。
• AR/VR 控制：改善增强现实和虚拟现实的用户体验。
• 机器人操纵：实现对机械手的精确控制。
• 医疗保健：为医疗诊断分析手部动作。
• 动画捕捉动作，制作逼真的动画
• 生物识别认证：增强安全系统。

更多信息，请参阅应用部分。

手工关键点数据集的结构是怎样的？

手部关键点数据集分为两个子集：

1. 训练：包含 18,776 幅图像，用于训练姿势估计模型。
2. Val：包含 7,992 幅图像，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过程。更多详情，请参阅数据集结构部分。

如何使用数据集 YAML 文件进行训练？

数据集配置在 YAML 文件中定义，其中包括路径、类和其他相关信息。数据集 hand-keypoints.yaml 文件可在 hand-keypoints.yaml.

要使用该 YAML 文件进行训练，请在训练脚本或CLI 命令中指定该文件，如上文训练示例所示。更多详情，请参阅数据集 YAML部分。

📅创建于 3 个月前 ✏️已更新 1 个月前

评论