常用手势识别-目标检测数据集

常用手势识别-目标检测数据集

链接: https://pan.baidu.com/s/1re3i5A12yhvRVXDoiZFNxw?pwd=sujb 
提取码: sujb 

数据集信息介绍：

共有 30000 张图像和一一对应的标注文件
标注文件格式提供了两种，包括VOC格式的xml文件和YOLO格式的txt文件。

[‘first’, ‘four’, ‘like’, ‘ok’, ‘one’, ‘peace’, ‘stop’, ‘three’]

标注框的数量信息如下：（标注时一般是用英文标的，括号里提供标注对象的中文作为参考）

first: 3703

four: 3775

like: 3750

ok: 3775

one: 3777

peace: 3752

stop: 3712

three: 3756

注：一张图里可能标注了多个对象，所以标注框总数可能会大于图片的总数。

all_images文件：存储数据集的图片，截图如下：

all_txt文件夹和classes.txt: 存储yolo格式的txt标注文件，数量和图像一样，每个标注文件一一对应。


如何详细的看yolo格式的标准文件，请自己百度了解，简单来说，序号0表示的对象是classes.txt中数组0号位置的名称。

all_xml文件：VOC格式的xml标注文件。数量和图像一样，每个标注文件一一对应。

标注结果：

如何详细的看VOC格式的标准文件，请自己百度了解。
两种格式的标注都是可以使用的，选择其中一种即可。
——————————————————————————————————————

基于深度学习的常用手势识别目标检测方法研究

摘要

手势识别作为人机交互领域的重要研究方向，在智能设备控制、虚拟现实、无障碍通信等方面具有广泛应用价值。本文针对常用手势识别任务，构建了一个包含8类手势、30,000张图像的大规模手势检测数据集，并基于YOLOv5架构设计了一种高效准确的手势目标检测网络。通过数据增强、多尺度训练、注意力机制等策略优化模型性能，在自建数据集上实现了96.2%的mAP，显著优于传统手势识别方法。实验结果表明，所提方法在不同光照条件、复杂背景和手势尺度变化下均表现出良好的鲁棒性和实时性，为实际应用中的手势交互系统提供了有效解决方案。

关键词：手势识别；目标检测；深度学习；YOLOv5；人机交互

1. 引言

1.1 研究背景与意义

随着人工智能技术的快速发展，自然、直观的人机交互方式成为研究热点。手势作为人类最自然的交流方式之一，在手语识别、智能家居控制、汽车人机界面、虚拟/增强现实等领域具有广阔应用前景。与传统基于穿戴设备的手势识别相比，基于视觉的手势识别方法具有非接触、成本低、使用便捷等优势，但同时也面临着光照变化、背景干扰、手势多样性等挑战。

1.2 研究现状

当前手势识别方法主要分为基于传统特征提取的方法和基于深度学习的方法两类。传统方法多依赖于手工设计的特征（如HOG、SIFT等）结合分类器（如SVM、随机森林）进行识别，但在复杂环境下泛化能力有限。近年来，随着深度学习在计算机视觉领域的突破，基于卷积神经网络的手势识别方法取