手势识别2：基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)

置顶 已于 2023-12-06 18:07:21 修改
阅读量5.7w 收藏 944
点赞数 99
分类专栏： 深度学习 文章标签： 手势识别 动作识别 手势动作识别 手势识别数据集 yolov5
于 2022-09-19 20:08:15 首次发布
本文为博主原创文章，未经博主允许不得转载（AI吃大瓜）
本文链接：https://blog.csdn.net/guyuealian/article/details/126750433
版权

手势识别2：基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)

目录

手势识别2：基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)

1. 前言

2. 手势识别的方法

（1）基于多目标检测的手势识别方法

（2）基于手部检测+手势分类识别方法

3. 手势识别数据集说明

（1）HaGRID手势识别数据集

（2）自定义数据集

4. 基于YOLOv5的手势识别训练

（1）YOLOv5安装

（2）准备Train和Test数据

（3）配置数据文件

（4）配置模型文件

（5）重新聚类Anchor（可选）

（6）开始训练

（7）可视化训练过程

（8）常见的错误

5. Python版本手势识别测试效果

6. Android版本手势识别

7.项目源码下载

8.项目推荐：手部关键点检测

1. 前言

手势作为一种肢体语言，在人类交流中的使用起着重要作用。一个简单的手势蕴涵着丰富的信息，正因为如此，人与人可以之间通过手势来传达大量的信息，实现高速的通信。将手势运用于计算机，能够很好地改善人机交互的效率。

 人类的手势主要分为：

1）交互性手势与操作性手势：前者手的运动表示特定的信息（如乐队指挥），靠视觉来感知，后者不表达任何信息（如弹琴）。

2）自主性手势和非自主性手势：后者与语音配合用来加强或补充某些信息（如演讲者用手势描述动作、空间结构等信息）。

3）离心手势和向心手势：前者直接针对说话人，有明确的交流意图，后者只是反映说话人的情绪和内心的愿望。

手势识别（HGR）作为人机交互的一部分，在汽车领域、家庭自动化系统、各种视频/流媒体平台等领域具有广泛的实际应用。本篇博客，将基于YOLOv5搭建一个手势识别目标检测系统，支持one,two,ok等18种常见的通用手势动作识别，目前基于多目标检测的手势识别方法YOLOv5s的平均精度平均值mAP_0.5=0.99569，mAP_0.5:0.95=0.87605，基本满足业务的性能需求。

另外，为了能部署在手机Android平台，本人对YOLOv5s进行了模型轻量化，开发了一个轻量级的版本，yolov5s05，在普通Android手机上可以达到实时的手势识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。

先展示一下Python版本手势识别Demo视频效果：

【源码下载】 基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/126750433

更多手势识别，手部关键点检测的系列文章请参考：

 ​​

还有更多Android版本的手势识别效果：Android手部检测和手势识别（含训练代码+Android源码+手势识别数据集）

​​​

2. 手势识别的方法

（1）基于多目标检测的手势识别方法

基于多目标检测的手势识别方法，一步到位，把手势类别直接当成多个目标检测的类别进行训练。

  1. 该方案采用one-stage的方法，直接端到端训练，任务简单，速度较快；
  2. 新增类别或者数据，需要人工拉框标注手势，成本较大
  3. 需要均衡采集的不同手势类别的样本数
  4. 部署简单

（2）基于手部检测+手势分类识别方法

该方法，先训练一个通用的手部检测模型(不区分手势，只检测手部框)，然后裁剪手部区域，再训练一个手势分类器，完成对不同手势的分类识别。

  1. 该方案采用two-stage方法，可针对性分别提高检测模型和分类模型的性能
  2. 手部检测模型不区分手势，只检测手部框，检测精度较高，
  3. 手势分类模型可以做到很轻量
  4. 手势分类数据比较容易采集（你可以采集一个动手一个视频，这样经过手部检测裁剪下来的图片都是同一个类别的动作，减少人工拉框标注手势的成本）
  5. 由于采用two-stage方法进行检测-识别，因此速度相对较慢

考虑到HaGRID手势识别数据集，所有图片已经标注了手势类别和检测框，因此采用“基于多目标检测的手势识别方法”更为简单。本篇博客就是基于多目标检测的手势识别方法，多目标检测的的方法较多，比如Faster-RCNN，YOLO系列，SSD等均可以采用，本博客将采用YOLOv5进行多目标检测的手势识别训练。

如果你的数据集仅有部分检测框，但手势分类图片的数据集比较容易采集，建议使用“基于手部检测+手势分类识别方法”，毕竟这方案标注成本比较低。若你需要这个方案，可以微信公众号联系我。

3. 手势识别数据集说明

（1）HaGRID手势识别数据集

原始的HaGRID数据集非常大，图片都是高分辨率（1920 × 1080）200W像素，完整下载HaGRID数据集，至少需要716GB的硬盘空间。另外，由于是外网链接，下载可能经常掉线。

考虑到这些问题，本人对HaGRID数据集进行精简和缩小分辨率，目前整个数据集已经压缩到18GB左右，可以满足手势识别分类和检测的任务需求，为了有别于原始数据集，该数据集称为Light-HaGRID数据集，即一个比较轻量的手势识别数据集。

  • 提供手势动作识别数据集，共18个手势类别，每个类别约含有7000张图片，总共123731张图片(12W+)
  • 提供所有图片的json标注格式文件，即原始HaGRID数据集的标注格式
  • 提供所有图片的XML标注格式文件，即转换为VOC数据集的格式
  • 提供所有手势区域的图片，每个标注框的手部区域都裁剪下来，并保存在Classification文件夹下
  • 可用于手势目标检测模型训练
  • 可用于手势分类识别模型训练

 关于《HaGRID手势识别数据集使用说明和下载》，请参考鄙人另一篇博客，

HaGRID手势识别数据集使用说明和下载_AI吃大瓜的博客-CSDN博客

​

（2）自定义数据集

如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：

  1. 采集手势图片，建议不少于200张图片
  2. 使用Labelme等标注工具，对手势拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
  3. 将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
  4. 生成训练集train.txt和验证集val.txt文件列表
  5. 修改engine/configs/voc_local.yaml的train和val的数据路径
  6. 重新开始训练

​

4. 基于YOLOv5的手势识别训练

（1）YOLOv5安装

训练Pipeline采用YOLOv5: https://github.com/ultralytics/yolov5 , 原始代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集进行训练。另外，为了方便测试，还增加demo.py文件，可支持对图片和视频的测试。

推荐使用Python3.8或Python3.7，更高版本可能存在版本差异问题， Python依赖环境：


matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
thop  # FLOPs computation
pybaseutils

 项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

（2）准备Train和Test数据

下载HaGRID手势识别数据集，这个数据至少需要716GB的硬盘空间，超大哦；如果你想偷点懒，那就直接采用Light-HaGRID数据集下载，才18GB，数据格式都已经处理好，可以直接拿来使用。关于《HaGRID手势识别数据集使用说明和下载》，请参考鄙人另一篇博客：

HaGRID手势识别数据集使用说明和下载

（3）配置数据文件

  • 修改训练和测试数据的路径：engine/configs/voc_local.yaml （一共有18个手势文件夹，全部加上）
  • 注意数据路径分隔符使用【/】,不是【\】
  • 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！
# 数据路径
path: ""  # 不需要修改，dataset root dir
# 注意数据路径分隔符使用【/】,不是【\】
# 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！
train:
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/call/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/dislike/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/fist/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/four/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/like/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/mute/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/ok/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/one/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/palm/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/peace/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/peace_inverted/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/rock/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/stop/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/stop_inverted/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/three/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/three2/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/two_up/train.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/two_up_inverted/train.txt"

val:
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/call/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/dislike/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/fist/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/four/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/like/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/mute/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/ok/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/one/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/palm/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/peace/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/peace_inverted/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/rock/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/stop/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/stop_inverted/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/three/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/three2/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/two_up/val.txt"
  - "D:/dataset/csdn/gesture/Light-HaGRID/trainval/two_up_inverted/val.txt"

test:  # test images (optional)
data_type: voc

# Classes
nc: 19  # number of classes
names: { 'one': 0, 'two_up': 1, 'two_up_inverted': 2, 'three': 3, 'three2': 4,
         'four': 5, 'fist': 6, 'palm': 7, 'ok': 8, 'peace': 9,
         'peace_inverted': 10, 'like': 11, 'dislike': 12, 'stop': 13, 'stop_inverted': 14,
         'call': 15, 'mute': 16, 'rock': 17, 'no_gesture': 18 }

 HaGRID手势识别数据集一共有18个手势，额外还有一个无手势的类别，即no_gesture；如果你想自定义手势类型，比如你希望只训练one,tow,three,four和no_gesture类别，请修改，请修改：

names: { 'one': 0, 'two_up': 1, 'three': 2, 'four': 3, 'no_gesture': 4 }

nc: 5

（4）配置模型文件

官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型，这里仅仅考虑YOLOv5s模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到320×320，该轻量化的模型我称之为yolov5s05。从性能来看，yolov5s05比yolov5s快5多倍，而mAP下降了5%（0.87605→0.82706），对于手机端，这精度还是可以接受。

官方YOLOv5:  https://github.com/ultralytics/yolov5 

下面是yolov5s05和yolov5s的参数量和计算量对比：

模型input-sizeparams(M)GFLOPs手势识别mAP(0.5:0.95)
yolov5s640×6407.216.50.87605
yolov5s05320×3201.71.10.82706

（5）重新聚类Anchor（可选）

官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件）

 ​ 

对于yolov5s05的Anchor，重新聚类的结果：

 ​ 

而不同的数据集最优Anchor自然需要重新聚类，做适当的调整 。当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是很大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件

（6）开始训练

整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

  • 修改训练超参文件： data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可）
  • Linux系统终端运行,训练yolov5s或轻量化版本yolov5s05 (选择其中一个训练即可)： 
#!/usr/bin/env bash

#!/usr/bin/env bash

#--------------训练yolov5s--------------
# 输出项目名称路径
project="runs/yolov5s"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 32 --imgsz 640 --workers 8 --project $project


#--------------训练轻量化版本yolov5s05--------------
# 输出项目名称路径
project="runs/yolov5s05"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s05.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 32 --imgsz 320 --workers 8 --project $project
  • Windows系统终端运行,训练yolov5s或轻量化版本yolov5s05 (选择其中一个训练即可)： 
#!/usr/bin/env bash

#--------------训练yolov5s--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 32 --imgsz 640 --workers 8 --project runs/yolov5s




#--------------训练轻量化版本yolov5s05--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 32 --imgsz 320 --workers 8 --project runs/yolov5s05
  • 开始训练：

​

训练完成，可以得到yolov5s手势识别mAP指标大约mAP_0.5=0.99569，mAP_0.5:0.95=0.87605 ；而yolov5s05手势识别mAP指标大约mAP_0.5=0.99421，mAP_0.5:0.95=0.82706

（7）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法,在终端输入：
# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir ./runs/yolov5s_640
​
​
​
​

当然，在输出目录，也保存很多性能指标的图片

  • 这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高

​

  • 这是每个类别的F1-Score分数

​

  • 这是模型的PR曲线

​

  • 这是混淆矩阵：

​

（8）常见的错误

5. Python版本手势识别测试效果

 demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

  • 测试图片
python demo.py --image_dir "data/test_image" --weights "data/model/yolov5s_640/weights/best.pt" --imgsz 640 --out_dir "runs/result"
  • 测试视频文件
python demo.py --video_file "data/test-video.mp4" --weights "data/model/yolov5s_640/weights/best.pt" --imgsz 640 --out_dir "runs/result"
  •   测试摄像头
# 测试摄像头(Windows系统)
python demo.py --video_file 0 --weights runs/yolov5s_640/weights/best.pt --out_dir runs/HaGRID-result

测试Demo效果图：

如果想进一步提高模型的性能，可以尝试：

  1. ​增加样本数据： 原始数据集，基本上都是欧美白色人的图片数据，缺乏亚洲人脸数据集，建议根据自己的业务场景，采集相关数据，提高模型泛化能力
  2. 使用参数量更大的模型： 本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。
  3. 尝试不同数据增强的组合进行训练

6. Android版本手势识别

已经完成Android版本的手势识别开发，APP在普通Android手机上可以达到实时的手势识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。

Android实现手部检测和手势识别（可实时运行，含Android源码）

 Android Demo效果：

​​​

【Android APP体验】Android实时手势动作识别APPDemo-Android文档类资源-CSDN下载

7.项目源码下载

整套项目源码内容包含Light-HaGRID数据集 + YOLOv5训练代码和测试代码：基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)

（1）Light-HaGRID数据集

  1. 提供手势动作识别数据集，共18个手势类别，每个类别约含有7000张图片，总共123731张图片(12W+)
  2. 提供所有图片的json标注格式文件，即原始HaGRID数据集的标注格式
  3. 提供所有图片的XML标注格式文件，即转换为VOC数据集的格式
  4. 提供所有手势区域的图片，每个标注框的手部区域都裁剪下来，并保存在Classification文件夹下
  5. 可用于手势目标检测模型训练
  6. 可用于手势分类识别模型训练

（2）YOLOv5训练代码和测试代码（Pytorch）

  1. 整套YOLOv5项目工程，含训练代码train.py和测试代码demo.py
  2. 支持高精度版本yolov5s训练和测试
  3. 支持轻量化版本yolov5s05_320训练和测试
  4. 根据本篇博文说明，简单配置即可开始训练：train.py
  5. 源码包含了训练好的yolov5s和yolov5s05_320模型，配置好环境，可直接运行demo.py
  6. 测试代码demo.py支持图片，视频和摄像头测试

 如果你需要Android版本的手势识别，请参考文章：Android实现手部检测和手势识别（可实时运行，含Android源码）

8.项目推荐：手部关键点检测

 更多项目《手部关键点检测(手部姿势估计)》系列文章请参考：

      

      

AI吃大瓜
关注
  • 99
    点赞
  • 踩
  • 944
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 94
    评论
专栏目录
YOLOv5改进策略|YOLO模型优化| YOLOv5手势检测、YOLOv5手语识别 .准确率为 92%
sybh的博客
06-14 1042
尽管已有多个手语数据集，包括欧洲手语数据集 (Kopf 等人，2021)，但仍然需要涵盖不同手语 和方言的更多注释数据集。在本文中，我们提出了 一个新的丹⻨手语注释数据集，称为 ADDSL (DDSL 的早期介绍可参⻅ Kristoffersen 和 Troelsgard，2010)，其中包含 36 个类别的图 像，包括字母和数字。我们还提出了一种基于 YOLOv5 的 ADDSL 模型，它在我们的测试集上实现 了高精度和推理速度。本文的其余部分安排如下。第二节提供了手语识别 相关工作的更详细概述。
YOLOV5手势识别数据集+代码+模型 2000张标注好的数据+教学视频
03-05
1.目标检测格式数据集，标签为yolo的txt格式 2.手势识别数据集，支持[ 'A', 'number 7', 'D', 'I', 'L', 'V', 'W', 'Y', 'I love you', 'number 5' ]10种手势的识别 3. 提供3组训练好的YOLOV5模型 4.代码中包含图形化界面 5.提供B站视频教程：https://www.bilibili.com/video/BV1YL4y1J7xz/
数字手势数据集（Coursera - Deep Learning）
10-04
Coursera - Deep Learning课程中用到的数字手势数据集（SIGNS），用于第二课Tensorflow Tutorial一节的编程练习。
基于YOLOv5的手势识别系统(含手势识别数据集 训练代码).txt
03-20
《基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/126750433 手势识别（HGR）作为人机交互的一部分，在汽车领域、家庭自动化系统、各种视频/流媒体平台等领域具有广泛的实际应用。本篇博客，将基于YOLOv5搭建一个手势识别目标检测系统，支持one,two,ok等18种常见的通用手势动作识别，目前基于多目标检测的手势识别方法YOLOv5s的平均精度平均值mAP_0.5=0.99569，mAP_0.5:0.95=0.87605，基本满足业务的性能需求。
毕业设计：基于深度学习的动态手势识别系统 人工智能
2301_79555157的博客
01-14 1544
毕业设计：基于深度学习的动态手势识别系统利用深度学习和计算机视觉技术，能够准确地识别手势并将其分类。通过对手势图像进行特征提取和数据扩充，使用KNN模型进行训练和分类。这项毕业设计为计算机毕业生提供了一个有意义的研究课题，并开拓了一个创新的方向，为未来的手势识别技术发展提供了新的思路和方法。对于计算机专业、软件工程专业、人工智能专业、大数据专业的毕业生而言，提供了一个具有挑战性和创新性的研究课题。无论您对深度学习技术保持浓厚兴趣，还是希望探索机器学习、算法或人工智能的领域的同学，能为您提供灵感和指导
利用YOLOV5实现手语识别
low5252的博客
05-08 7034
使用Yolov5通过计算机视觉提高聋人社区的可访问性的一步执行摘要问题陈述数据收集方法预处理模型：YOLOV5推理结论下一步环境 执行摘要 下面的帖子是David Lee（数据科学家）的一篇经过精心编辑的来宾帖子。David已在其GitHub上开源了与该项目相关的所有资料。该帖子也可以在David的博客上找到。 大卫已经开放了他的美国手语计算机视觉数据集。 利用Yolov5，在美国手语字母上创建了一个自定义计算机视觉模型。该项目在社交平台上得到推广，以使数据集多样化。使用DropB...
yolo5手势识别数据集+模型-.zip
07-13
标注的1300张数据集，以及训练好的模型，制作不易，欢迎下载
YOLO实战：训练自己的手势识别模型
01-16
本课程主要向大家讲解如何基于YOLO网络的精简版本tiny-yolo训练手势识别模型，从图片数据采集，图片标注，网络参数修改，模型训练，模型测试等，项目中用到的标注好的数据集和训练好的模型向购买课程的同学免费提供。本人后续还会推出将手势识别模型，安全帽识别模型，openpose人体姿态识别模型等目标检测识别模型移植到华为海思3516DV300系列低成本的嵌入式板子上的相关课程，加速人工智能的落地应用，请感兴趣的同学关注后续课程，想合作或有什么问题也可以在csdn上给我发私信。
机器学习笔记 - HaGRID—手势识别图像数据集简介
学以致用 知行合一
06-22 8090
在本文中，我们介绍了一个用于手势识别（HGR）系统的庞大数据集 Ha-GRID（HAnd Gesture Recognition Image Dataset）。该数据集包含 552,992 个样本，分为 18 类手势。注释由带有手势标签的手的边界框和领先手的标记组成。提议的数据集允许构建 HGR 系统，该系统可用于视频会议服务、家庭自动化系统、汽车行业、为有语言和听力障碍的人提供的服务等。我们特别关注与设备的交互以管理它们。这就是为什么选择的所有 18 个手势都是功能性的、大多数人熟悉的.........
基于深度学习的手势识别
qq_44795433的博客
06-16 1758
Hand Gesture Recognition Database（手势识别数据库）是一个用于手势识别研究的公开数据集。该数据集由美国佛罗里达州立大学的Mohammad Mahoor教授及其团队创建，旨在为研究人员提供可用于训练和测试机器学习算法的手势图像。该数据集包含约9000个手部姿势图像，这些图像来自24位参与者，使用两只手进行了拍摄。这些手势图像涵盖20种不同的手势，在不同的背景下进行了拍摄，包括室内和室外环境。
手势数据集
2301_76227168的博客
07-14 2142
该手势数据集为自建数据集，利用 OpenCV 软件库调用电脑内置摄像头拍摄采集手势数据，总共预定义了 10 种静态手势，分别表示数字0 到 9，在日常生活中较为常见，适合用于实际手势识别系统的应用需求。
yolov8手势识别训练权重+6000数据集+pyqt界面
06-21
yolov8手势识别权重，包含6000张yolo算法手势识别数据集，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：...
Yolov5手势识别训练权重+数据集
最新发布
06-21
yolov5手势识别权重，包含6000张yolo算法手势识别数据集，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测结果参考：...
【手势识别】深度学习卷积神经网络CNN手势识别（0-9，含识别率）【含Matlab源码 3435期】
Matlab912100926的博客
04-14 1385
深度学习卷积神经网络CNN手势识别（0-9，含识别率） 完整的代码，方可运行；可提供运行操作视频！适合小白！
YOLOv5~手势识别
whaosoft143ai的博客
07-22 1485
YOLO系列算法以其强悍的性能在图像领域大放异彩。本文利用YOLOV5实现了一个有趣的功能，对手势进行训练识别，并识别显示出对应的emoji。本文给出了详细教程和完整实践代码，感兴趣的同学可以跟着动起手来复现。本文利用YOLOV5对手势进行训练识别，并识别显示出对应的emoji，如同下图：本文整体思路如下。
初学yolov5训练自己的手势识别数据集
m0_59139710的博客
10-23 790
yolov5训练自己的数据集
OpenCV与AI深度学习 | 实战 | YOLOv8自定义数据集训练实现手势识别 (标注+训练+预测 保姆级教程)
csdn_xmj的博客
04-02 2436
本文将手把手教你用YoloV8训练自己的数据集并实现手势识别。
手势识别1：HaGRID手势识别数据集使用说明和下载
热门推荐
AI吃大瓜的博客
09-13 1万+
手势识别图像数据集 HaGRID (HAnd Gesture Recognition Image Dataset)。 HaGRID数据集，手势识别数据集，动作识别数据集，gesture dataset , 手势数据集，动手数据集
yolov5手势识别数据集+代码+模型 2000张标注好的数据
08-08
YOLOv5是一种基于深度学习算法的目标检测器，可以用于手势识别任务。为了训练一个手势识别模型，我们首先需要一个数据集，其中包含2000张标注好的手势图片。这些数据集将帮助模型学习手势的特征和模式。 手势识别数据集应该包含不同种类的手势，比如数字手势、手势语言手势、手势控制手势等。每张图片应该包含一个或多个手势的标注框，以及手势的标签。 在使用YOLOv5进行训练之前，我们需要对数据集进行预处理和标注。首先，我们可以使用图像处理工具对图片进行裁剪、缩放和增强等操作，以便提高模型的准确率和鲁棒性。然后，我们需要使用标注工具对每张图片中的手势进行标注，即在每个手势上绘制矩形框并为其分配正确的类别标签。 标注好的数据集准备好后，我们可以使用YOLOv5的代码来进行训练。首先，我们需要配置训练参数，包括图像大小、类别数量、学习率等。然后，我们可以使用这些参数和标注好的数据集来训练模型。在训练过程中，YOLOv5会根据数据集中的标注信息来调整模型的权重和参数，以便更好地识别手势。 最后，我们可以使用训练好的YOLOv5模型进行手势识别。将测试图片输入到模型中，它将输出包含手势位置和类别的预测结果。我们可以根据这些结果对手势进行识别和分类。 总结来说，通过使用YOLOv5代码和标注好的手势识别数据集，我们可以训练一个准确度较高的手势识别模型，从而实现自动化的手势识别。
评论 94
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI吃大瓜

尊重原创，感谢支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值