手势识别
关注
分享
扫一扫
文章平均质量分 93
paradoxjun
GPT资深搜索工程师
展开
-
实时手势识别（2）- 基于关键点分类实现零样本图片的任意手势的识别
先使用YOLOv8检测手部区域，然后使用YOLOv8-pose对放大的手部区域检测关键点，最后使用PointNet分类关键点，可以实现对任意手势的高精度实时识别。对于非遮挡手势，仅需1W个参数，即可实现98%的准确率，极限情况下，仅需400个参数，可以达到80%的准确率。原创 2024-08-19 11:53:17 · 1387 阅读 · 2 评论 -
实时手势识别（1）- 基于手部检测+手部分类
利用YOLOv8获取手部区域，然后对手部区域进行分类，实现手势识别。本文使用检测+分类，对于一类手势只需200张训练图片，即可达到99%的准确率。在下一篇基于关键点+关键点分类，无需训练图片，即可实现对任意手势的识别，且达到99%的准确率。原创 2024-08-17 15:27:20 · 4459 阅读 · 3 评论 -
基于YOLOv8的手部检测（2）- 模型训练、结果分析和超参数优化
对YOLOv8手部检测模型进行训练，并分析训练结果，从而调优训练超参数。原创 2024-08-13 16:14:36 · 1767 阅读 · 4 评论 -
基于YOLOv8的手部检测（1）- 手部数据集获取（数据集下载、数据清洗、处理与增强）
在进行手部姿态估计、手势识别时，需要先检测出手的位置。本文对网上公开的手部数据集进行获取、清洗、处理与数据增强，用于YOLO等目标检测网络的训练。原创 2024-08-12 11:52:07 · 5936 阅读 · 16 评论 -
基于YOLOv8-pose的手部关键点检测（3）- 实现实时手部关键点检测
使用YOLOv8-m对图像进行手部检测，然后扩大检测框区域，并对该区域使用YOLOv8-s-pose使用关键点检测，实现实时的手部关键点检测。原创 2024-08-16 23:57:20 · 2053 阅读 · 3 评论 -
基于YOLOv8-pose的手部关键点检测（1）- 手部关键点数据集获取（数据集下载、数据清洗、处理与增强）
手部姿态估计、手势识别和手部动作识别等任务时，可以转化为对手部关键点的分布状态和运动状态的估计问题。本文主要给出手部关键点数据集获取的方式。总共获取三个数据集：handpose_v2、HaGRID-pose和hand_keypoint_26K。正样本总计：593,661张图片（53.33W张用于训练，6.04W张用于验证和测试）。原创 2024-08-14 01:15:22 · 4655 阅读 · 10 评论 -
基于YOLOv8-pose的手部关键点检测（2）- 模型训练、结果分析和超参数优化
对YOLOv8-pose手部关键点检测模型进行训练，并分析训练结果，从而调优训练超参数。原创 2024-08-16 11:57:33 · 2550 阅读 · 10 评论