手部关键点数据集

介绍

手部关键点数据集包含 26,768 张标注了关键点的手部图像，非常适合训练 Ultralytics YOLO 等模型进行姿态估计任务。这些标注是使用 Google MediaPipe 库生成的，确保了高准确性和一致性，且该数据集与 Ultralytics YOLO26 格式兼容。

Watch: Hand Keypoints Estimation with Ultralytics YOLO26 | Human Hand Pose Estimation Tutorial

手部地标

包含 21 个点的手部关键点地标图

Keypoints

该数据集包含用于手部检测的关键点。关键点标注如下：

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）

每只手总共有 21 个关键点。

主要特性

大型数据集：包含 26,768 张带有手部关键点标注的图像。
YOLO26 兼容性：标签以 YOLO 关键点格式提供，可直接用于 YOLO26 模型。
21 个关键点：详细的手部姿态表示，涵盖手腕和每根手指的四个点。

数据集结构

手部关键点数据集分为两个子集：

Train：此子集包含来自手部关键点数据集的 18,776 张图像，已标注用于训练姿态估计模型。
Val：此子集包含 7,992 张图像，可在模型训练期间用于验证。

应用场景

手部关键点可用于手势识别、AR/VR 控制、机器人操作以及医疗保健中的手部运动分析。它们还可应用于动画中的动作捕捉以及安全领域的生物特征认证系统。通过对手指位置的详细追踪，能够实现与虚拟对象的精确交互以及非接触式控制界面。

数据集 YAML

YAML（Yet Another Markup Language）文件用于定义数据集配置。它包含有关数据集路径、类别以及其他相关信息。对于手部关键点数据集，hand-keypoints.yaml 文件托管在 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

使用方法

要在手部关键点数据集上训练 YOLO26n-pose 模型 100 个 epoch，图像尺寸设为 640，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 Training 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)

样本图像和标注

手部关键点数据集包含各种各样标注了关键点的人手图像。以下是来自该数据集的图像示例，以及它们对应的标注：

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目标和场景的多样性。这有助于提高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好处。

引文与致谢

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

我们要感谢以下来源提供此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 研究的杰出贡献。

常见问题 (FAQ)

如何使用手部关键点数据集训练 YOLO26 模型？

要使用手部关键点数据集训练 YOLO26 模型，你可以使用 Python 或命令行界面 (CLI)。以下是训练 YOLO26n-pose 模型 100 个 epoch，图像尺寸为 640 的示例：

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)

有关可用参数的完整列表，请参考模型 Training 页面。