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2：YOLOv5实现手部检测(含训练代码和数据集)

目录

手部关键点检测2：YOLOv5实现手部检测(含训练代码和数据集)

1. 前言

2. 手部检测数据集说明

（1）手部检测数据集

（2）自定义数据集

3. 基于YOLOv5的手部检测模型训练

（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

4. Python版本手部检测效果

5. 手部检测和手部关键点检测(Python/C++/Android)

6.项目源码下载

1. 前言

手部关键点检测(手部姿势估计)的方法与人体关键点检测的方法类似，目前主流的方法主要两种：一种是Top-Down（自上而下）方法，另外一种是Bottom-Up（自下而上）方法；项目采用Top-Down（自上而下）方法，即分为两阶段，先进行手部检测，找到所有的手部框，然后再估计每只手的手部关键点；本篇文章是手部关键点检测的第一阶段，即手部检测模型算法开发，项目基于开源YOLOv5项目，实现一个高精度的手部检测算法（ Hand Detection）

目前，基于YOLOv5s的手部检测精度平均值mAP_0.5=0.99919，mAP_0.5:0.95=0.79306。为了能部署在手机Android平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolov5s05_416和yolov5s05_320模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。下表格给出轻量化模型的计算量和参数量以及其检测精度

先展示一下手部检测以及手部关键点检测(手部姿势估计)效果：

Android手部关键点检测(手部姿势估计)APP Demo体验：

【尊重原创，转载请注明出处】

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. 手部检测数据集说明

（1）手部检测数据集

目前收集了三个手部检测数据集：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，关于手部数据集说明，请参考： 手部关键点(手部姿势估计)数据集(含下载链接) 

（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. 采集图片，建议不少于200张图片
2. 使用Labelme等标注工具，对目标进行拉框标注：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

3. 基于YOLOv5的手部检测模型训练

（1）YOLOv5安装 

训练Pipeline采用YOLOv5: GitHub - ultralytics/yolov5: YOLOv5