手部关键点检测1：手部关键点(手部姿势估计)数据集(含下载链接)

手部关键点检测1：手部关键点(手部姿势估计)数据集(含下载链接)

目录

手部关键点检测1：手部关键点(手部姿势估计)数据集(含下载链接)

1. 前言

2. 手部检测数据集：

（1）Hand-voc1

（2）Hand-voc2

（3）Hand-voc3

 （4）手部目标框可视化效果

 3. 手部关键点数据集

（1）HandPose-v1

（2）HandPose-v2

（3）HandPose-v3

（4）手部关键点可视化效果

4. 手部检测和手部关键点数据集下载

5. 手部关键点检测(Python/C++/Android)

1. 前言

项目《手部关键点检测(手部姿势估计)》使用YOLOv5模型实现手部检测，使用HRNet，LiteHRNet和Mobilenet-v2模型实现手部关键点检测。本篇是项目《手部关键点检测(手部姿势估计)》系列文章数据集说明。项目收集了三个手部检测数据集和三个手部关键点数据集：

• 手部检测数据集（Hand Detection Dataset）共收集了三个：Hand-voc1，Hand-voc2和Hand-voc3，总共60000+张图片；标注格式统一转换为VOC数据格式，标注名称为hand，可用于深度学习手部目标检测模型算法开发
• 手部关键点数据集（Hand Keypoints Dataset，Hand Pose Estimation共收集了三个：分别为HandPose-v1,HandPose-v2和HandPose-v3，总共80000+张图片，标注了手部21个关键点，可用于深度学习手部姿态检测模型算法开发。

 【尊重原则，转载请注明出处】 

  Android手部关键点检测(手部姿势估计)APP Demo体验：

更多项目《手部关键点检测(手部姿势估计)》系列文章请参考：

• 手部关键点检测1：手部关键点(手部姿势估计)数据集(含下载链接)
• 手部关键点检测2：YOLOv5实现手部检测(含训练代码和数据集)
• 手部关键点检测3：Pytorch实现手部关键点检测(手部姿势估计)含训练代码和数据集
• 手部关键点检测4：Android实现手部关键点检测(手部姿势估计)含源码 可实时检测
• 手部关键点检测5：C++实现手部关键点检测(手部姿势估计)含源码 可实时检测

2. 手部检测数据集：

项目已经收集了三个手部检测数据集（Hand Detection Dataset）：Hand-voc1，Hand-voc2和Hand-voc3，总共60000+张图片

（1）Hand-voc1

Hand-voc1手部检测数据集，该数据来源于国外开源数据集，大部分数据是室内摄像头摆拍的手部数据，不包含人体部分，每张图只含有一只手，分为两个子集：训练集(Train)和测试集(Test)；其中训练集(Train)总数超过30000张图片，测试集(Test)总数2560张；图片已经使用labelme标注了手部区域目标框box，标注名称为hand，标注格式统一转换为VOC数据格式，可直接用于深度学习目标检测模型训练。

（2）Hand-voc2

Hand-voc2手部检测数据集，该数据来源于国内开源数据集，包含人体部分和多人的情况，每张图含有一只或者多只手，比较符合家庭书桌读写场景的业务数据集，数据集目前只收集了980张图片；图片已经使用labelme标注了手部区域目标框box，标注名称为hand，标注格式统一转换为VOC数据格式，可直接用于深度学习目标检测模型训练。

（3）Hand-voc3

Hand-voc3手部检测数据集来源于国外HaGRID手势识别数据集；原始HaGRID数据集十分庞大，约有55万张图片，包含了18种常见的通用手势；Hand-voc3数据集是从HaGRID数据集中，每种手势随机抽取2000张图片，总共包含18x2000=36000张图片数据；标注格式统一转换为VOC数据格式，标注名称为hand，可直接用于深度学习目标检测模型训练。

关于HaGRID数据集请参考文章：HaGRID手势识别数据集使用说明和下载

 （4）手部目标框可视化效果

需要pip安装pybaseutils工具包，然后使用parser_voc显示手部目标框的绘图效果

pip install pybaseutils

import os
from pybaseutils.dataloader import parser_voc

if __name__ == "__main__":
    # 修改为自己数据集的路径
    filename = "/path/to/dataset/Hand-voc3/train.txt"
    class_name = ['hand']
    dataset = parser_voc.VOCDataset(filename=filename,
                                    data_root=None,
                                    anno_dir=None,
                                    image_dir=None,
                                    class_name=class_name,
                                    transform=None,
                                    use_rgb=False,
                                    check=False,
                                    shuffle=False)
    print("have num:{}".format(len(dataset)))
    class_name = dataset.class_name
    for i in range(len(dataset)):
        data = dataset.__getitem__(i)
        image, targets, image_id = data["image"], data["target"], data["image_id"]
        print(image_id)
        bboxes, labels = targets[:, 0:4], targets[:, 4:5]
        parser_voc.show_target_image(image, bboxes, labels, normal=False, transpose=False,
                                     class_name=class_name, use_rgb=False, thickness=3, fontScale=1.2)

 3. 手部关键点数据集

项目已经收集了三个手部关键点(手部姿势估计 Hand Pose)数据集，分别为HandPose-v1，HandPose-v2和HandPose-v3，总共80000+张图片; 这三个数据都标注了手部21个关键点，下图是手部关键点示意图：

（1）HandPose-v1

HandPose-v1手部关键点数据集，是在Hand-voc1手部检测的数据集上，标注了手部21个关键点，制作的手部关键点数据集，不包含人体部分，每张图只含有一只手，分为两个子集：训练集(Train)和测试集(Test)；其中训练集(Train)总数超过30000张图片，测试集(Test)总数2560张；图片已经标注了手部区域目标框box，标注名称为hand，同时也标注了手部21个关键点，标注格式统一转换为COCO数据格式，可直接用于深度学习手部关键点检测模型训练。

（2）HandPose-v2

HandPose-v2手部关键点数据集，是在Hand-voc2手部检测的数据集上，标注了手部21个关键点，制作的手部关键点数据集；包含人体部分和多人的情况，每张图含有一只或者多只手，比较符合家庭书桌读写场景的业务数据集，数据集目前只收集了980张图片；图片已经标注了手部区域目标框box，标注名称为hand，同时也标注了手部21个关键点，标注格式统一转换为COCO数据格式，可直接用于深度学习手部关键点检测模型训练。

（3）HandPose-v3

HandPose-v3手部关键点数据集，原始图片主要来源于网上收集的手部图片数据集，数据比较杂，每张图只截取保留了手部的区域图像，总共49000张图片；图片已经标注了手部区域目标框box，标注名称为hand，同时也标注了手部21个关键点，标注格式统一转换为COCO数据格式，可直接用于深度学习手部关键点检测模型训练。

（4）手部关键点可视化效果

需要pip安装pybaseutils工具包，然后使用parser_coco_kps显示手部关键点的绘图效果

pip install pybaseutils

import os
from pybaseutils.dataloader import parser_coco_kps

if __name__ == "__main__":
    # 修改为自己数据集json文件路径
    anno_file = "/path/to/dataset/HandPose-v3/train/train_anno.json"
    class_name = []
    dataset = parser_coco_kps.CocoKeypoints(anno_file, image_dir="", class_name=class_name,shuffle=False)
    bones = dataset.bones
    for i in range(len(dataset)):
        data = dataset.__getitem__(i)
        image, boxes, labels, keypoints = data['image'], data["boxes"], data["label"], data["keypoints"]
        print("i={},image_id={}".format(i, data["image_id"]))
        parser_coco_kps.show_target_image(image, keypoints, boxes, colors=bones["colors"],
                                          skeleton=bones["skeleton"],thickness=1)

4. 手部检测和手部关键点数据集下载

手部检测和手部关键点数据集下载地址：手部关键点检测1：手部关键点(手部姿势估计)数据集(含下载链接)

手部检测和手部关键点数据集包含内容：

• 手部检测数据集：包含Hand-voc1,Hand-voc2和Hand-voc3，总共60000+张图片；标注格式统一转换为VOC数据格式，标注名称为hand，可用于深度学习手部目标检测模型算法开发。
• 手部关键点数据集：包含HandPose-v1,HandPose-v2和HandPose-v3，总共80000+张图片；标注了手部区域目标框box，标注名称为hand，同时也标注了手部21个关键点，标注格式统一转换为COCO数据格式，可直接用于深度学习手部关键点检测模型训练。

5. 手部关键点检测(Python/C++/Android)

本项目基于Pytorch深度学习框架，实现手部关键点检测(手部姿势估计)模型，其中手部检测采用YOLOv5模型，手部关键点检测是基于开源的HRNet进行改进，构建了整套手部关键点检测的训练和测试流程；为了方便后续模型工程化和Android平台部署，项目支持轻量化模型LiteHRNet和Mobilenet模型训练和测试，并提供Python/C++/Android多个版本

• 手部关键点检测3：Pytorch实现手部关键点检测(手部姿势估计)含训练代码和数据集
• 手部关键点检测4：Android实现手部关键点检测(手部姿势估计)含源码 可实时检测
• 手部关键点检测5：C++实现手部关键点检测(手部姿势估计)含源码 可实时检测

 Android手部关键点检测(手部姿势估计)APP Demo体验：