基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)

基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)

目录

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说明

（2）准备Train和Test数据

（3）配置文件

（4）开始训练

（5）可视化训练过程

4. 手势识别测试效果

5.项目源码下载

---

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mAP_0.5=0.99569，mAP_0.5:0.95=0.87605，基本满足业务的性能需求。

先展示一下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】

---

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. 当类别较多时，难以提高多目标检测的精度，难以轻量化（如果类别较少，轻量化后精度还是可以的）
3. 需要均衡采集的不同手势类别的样本数
4. 新增类别或者数据，需要人工拉框标注手势，成本较大

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，本博客采用YOLOv5进行多目标检测的手势识别训练。

（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. 适合在在端上部署

关于Android平台的手势识别Demo，有需求的网友，评论一下，我看需求排期开发一个

---

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，

https://panjinquan.blog.csdn.net/article/details/126725796

（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说明

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。

 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

（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_PKing666666的博客-CSDN博客

（3）配置文件

• 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）

# 数据路径
path: ""  # dataset root dir
train:
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/call/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/dislike/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/fist/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/four/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/like/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/mute/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/ok/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/one/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/palm/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/peace/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/peace_inverted/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/rock/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/stop/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/stop_inverted/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/three/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/three2/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/two_up/train.txt"
  - "/home/pjq/dataset/csdn/gesture/Light-HaGRID/trainval/two_up_inverted/train.txt"

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

• 修改YOLOv5模型配置文件： models/yolov5s.yaml （使用原始的即可，一般不需要修改）
• 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）

（4）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。

• 编辑train.sh脚本

#!/usr/bin/env bash
# 输出项目名称路径
project="runs/test"
# 训练和测试数据的路径
data=engine/configs/voc_local.yaml
# YOLOv5模型配置文件
cfg=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 --project $project

• 开始训练： bash  train.sh

训练完成，可以得到手势识别mAP指标：mAP_0.5=0.99569，mAP_0.5:0.95=0.87605

（5）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法：

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir ./runs 

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：

---

4. 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

# 测试图片
image_dir='data/HaGRID-test' # 测试图片的目录
weights="runs/weights/best.pt" # 模型文件
out_dir="runs/HaGRID-result" # 保存检测结果
python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir

• 测试视频文件

# 测试视频文件
video_file='data/sample/VID_20220914_160939.mp4' # 测试图片的目录
weights="runs/weights/best.pt" # 模型文件
out_dir="runs/HaGRID-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

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

---

5.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

（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

1. 整套YOLOv5项目工程的训练代码和测试代码
2. 根据本篇博文说明，简单配置即可开始训练

 【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)