正文 

当前位置： 首页 > 开发 > java教程

hagrid手势识别数据集使用说明和下载(代码片段)

PKing666666 PKing666666     2022-12-08     518

关键词：

  HaGRID手势识别数据集使用说明和下载

目录

  HaGRID手势识别数据集使用说明和下载

1. HaGRID手势识别数据集说明

2. HaGRID数据集下载(约716GB)

 3.Light-HaGRID数据集下载(约18GB)

（1）Light-HaGRID数据集说明

（2）Light-HaGRID数据集下载

 4. 基于目标检测的手势识别

 5. 基于目标检测+分类识别的手势识别

1. HaGRID手势识别数据集说明

本篇，我们将介绍一个超大的手势识别图像数据集 HaGRID (HAnd Gesture Recognition Image Dataset)。 HaGRID数据集种类非常丰富，包含one,two,ok等18种常见的通用手势， 标注了手势框和手势类别标签，可以用于图像分类或图像检测等任务。

HaGRID数据集数量特别大，有716GB的大小，包含 552,992 个 FullHD (1920 × 1080) RGB 图像。 此外，如果帧中有第二只手，则某些图像具有 no_gesture 类。 这个额外的类包含 123,589 个样本。 数据分为 92% 的训练集和 8% 的 测试集，其中 509,323 幅图像用于训练，43,669 幅图像用于测试。

2. HaGRID数据集下载(约716GB)

官方下载地址： https://github.com/hukenovs/hagrid

由于数据量特别大，官方已经将手势数据集分成 18 个文件，可从以下链接下载并解压：

  • Tranval
GestureSizeGestureSize
call39.1 GBpeace38.6 GB
dislike38.7 GBpeace_inverted38.6 GB
fist38.0 GBrock38.9 GB
four40.5 GBstop38.3 GB
like38.3 GBstop_inverted40.2 GB
mute39.5 GBthree39.4 GB
ok39.0 GBthree238.5 GB
one39.9 GBtwo_up41.2 GB
palm39.3 GBtwo_up_inverted39.2 GB

train_val annotations: ann_train_val

  • Test
TestArchivesSize
imagestest60.4 GB
annotationsann_test3.4 MB

  • Subsample

Subsample has 100 items per gesture.

SubsampleArchivesSize
imagessubsample2.5 GB
annotationsann_subsample153.8 KB

 3.Light-HaGRID数据集下载(约18GB)

原始的HaGRID数据集太大，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，鄙人对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。

（1）Light-HaGRID数据集说明

以下是Light-HaGRID数据集详细说明：

  • 共18个手势类别，每个类别约含有7000张图片，总共约123731张图片(12W)；

  • 某些图片中存在二只手，这些图像手部被标注为 no_gesture 类
  • 原始图片都是高分辨率（1920 × 1080）200W像素，已经等比例缩小到20W像素
  • 原始标注文件*.json格式，为了方便训练，已经统一转换为VOC的数据格式(*.xml), 数据中Annotations文件夹保存了VOC的XML文件，JPEGImages文件夹是图像数据，这部分数据可直接用于训练目标检测模型。

  • 为了方便训练手势识别分类模型，Light-HaGRID数据集已经把每个标注框的手部区域都裁剪下来，并保存在Classification文件夹下，这部分数据可以用于训练手势识别分类模型。

  • 生成数据集的Python脚本

需要安装： pip install pybaseutils

# -*-coding: utf-8 -*-
"""
    @Author : panjq
    @E-mail : pan_jinquan@163.com
    @Date   : 2022-08-30 09:45:44
    @Brief  :
"""

import os
import numpy as np
import cv2
from tqdm import tqdm
from pybaseutils import image_utils, file_utils
from pybaseutils.maker import maker_voc


def save_voc_dataset(bboxes, labels, image_file, image_shape, out_xml_dir):
    """
    保存VOC数据集
    :param bboxes:
    :param labels:
    :param image_file:
    :param image_shape:
    :param out_xml_dir:
    :return:
    """
    basename = os.path.basename(image_file)
    image_id = basename.split(".")[0]
    objects = []
    for box, name in zip(bboxes, labels):
        objects.append("name": name, "bndbox": box)
    xml_path = file_utils.create_dir(out_xml_dir, None, ".xml".format(image_id))
    maker_voc.write_voc_xml_objects(basename, image_shape, objects, xml_path)


def save_crop_dataset(image, bboxes, labels, image_file, crop_root):
    """
    裁剪检测区域
    :param image:
    :param bboxes:
    :param labels:
    :param image_file:
    :param crop_root:
    :return:
    """
    basename = os.path.basename(image_file)
    image_id = basename.split(".")[0]
    crops = image_utils.get_bboxes_image(image, bboxes, size=None)
    for i, (img, label) in enumerate(zip(crops, labels)):
        file = file_utils.create_dir(crop_root, label, "_:0=3d.jpg".format(image_id, i))
        cv2.imwrite(file, img)


def convert_HaGRID_dataset(data_root, vis=True):
    """
    将HaGRID转换为VOC和分类数据集
    :param data_root: HaGRID数据集个根目录
    :param vis: 是否可视化效果
    :return:
    """
    sub_list = file_utils.get_sub_paths(data_root)
    class_names = []
    for sub in sub_list:
        anno_file = os.path.join(data_root, sub, ".json".format(sub))
        annotation = file_utils.read_json_data(anno_file)
        image_list = file_utils.get_images_list(os.path.join(data_root, sub, "JPEGImages"))
        print("process:,nums:".format(anno_file, len(image_list)))
        # 保存VOC格式的xml文件
        out_xml_dir = os.path.join(data_root, sub, "Annotations") 
        # 裁剪并保存标注框区域的图片
        out_crop_dir = os.path.join(data_root, sub, "Classification")
        for image_file in tqdm(image_list):
            basename = os.path.basename(image_file)
            image_id = basename.split(".")[0]
            image = cv2.imread(image_file)
            anno = annotation[image_id]
            h, w = image.shape[:2]
            # [top left X pos, top left Y pos, width, height]
            bboxes = image_utils.rects2bboxes(anno['bboxes'])
            bboxes = np.asarray(bboxes) * [w, h, w, h]
            labels = anno['labels']
            class_names += labels
            image_shape = image.shape
            assert len(bboxes) == len(labels)
            if out_xml_dir:
                save_voc_dataset(bboxes, labels, image_file, image_shape, out_xml_dir)
            if out_crop_dir:
                save_crop_dataset(image, bboxes, labels, image_file, out_crop_dir)
            if vis:
                image = image_utils.draw_image_bboxes_text(image, bboxes, labels, color=(255, 0, 0))
                image_utils.cv_show_image("image", image, use_rgb=False)
    class_names = set(class_names)
    print(class_names)


if __name__ == "__main__":
    data_root = "path/to/gesture/HaGRID/trainval"
    convert_HaGRID_dataset(data_root, vis=True)

这是可视化标注框的效果图： 

样图样图

（2）Light-HaGRID数据集下载

Light-HaGRID数据集包含的资源主要有：

  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. 可用于于手势目标检测模型训练
  6. 可以用于手势分类识别模型训练

下载地址：HaGRID手势识别数据集使用说明和下载

 4. 基于目标检测的手势识别

正在开发中，敬请期待

 5. 基于目标检测+分类识别的手势识别

正在开发中，敬请期待

基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)

...+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 查看详情

基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)

...+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 查看详情

基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)

...+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 查看详情

android手部检测和手势识别（含训练代码+android源码+手势识别数据集）(代码片段)

Android手部检测和手势识别（含训练代码+Android源码+手势识别数据集）目录Android实时手势动作识别（含训练代码++手势识别数据集）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&#... 查看详情

android手部检测和手势识别（含训练代码+android源码+手势识别数据集）(代码片段)

Android手部检测和手势识别（含训练代码+Android源码+手势识别数据集）目录Android实时手势动作识别（含训练代码++手势识别数据集）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&#... 查看详情

android实现手部检测和手势识别（含训练代码+android源码+手势识别数据集）(代码片段)

Android实现手部检测和手势识别（含训练代码+Android源码+手势识别数据集）目录Android实时手势动作识别（含训练代码++手势识别数据集）1.前言2.手势识别的方法（1）基于多目标检测的手势识别... 查看详情

基于视频理解tsm和数据集20bn-jester-v1的27类手势识别

基于视频理解TSM-mobilenetv2和数据集20bn-jester-v1的27类手势识别基于视频理解TSM-resnet和数据集20bn-jester-v1的27类手势识别一键运行TSM，修改后代码下载：下载链接20bn-jester-v1数据集百度网盘下载：下载链接识别demo: 查看详情

第七节：cnn练习2手势识别(代码片段)

...章目录一：SebastienMarcelStaticHandPostureDatabase（静态手势数据集）介绍二：模型设计三：代码编写（1）数据预处理文件（2）MyDataset编写（3）模型编写（4）训练脚本编写（5）... 查看详情

面部表情识别2：pytorch实现表情识别(含表情识别数据集和训练代码)(代码片段)

面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)目录面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)1.面部表情识别方法2.面部表情识别数据集 （1）表情识别数据集说明 ÿ... 查看详情

智能驾驶车牌检测和识别《ccpd车牌数据集》(代码片段)

智能驾驶车牌检测和识别（一）《CCPD车牌数据集》目录智能驾驶车牌检测和识别（一）《CCPD车牌数据集》1.前言2.车牌号码说明3.车牌数据集CCPD（1）车牌数据集CCPD说明（2）车牌数据集CCPD标注格式&... 查看详情

智能驾驶车牌检测和识别《ccpd车牌数据集》(代码片段)

智能驾驶车牌检测和识别（一）《CCPD车牌数据集》目录智能驾驶车牌检测和识别（一）《CCPD车牌数据集》1.前言2.车牌号码说明3.车牌数据集CCPD（1）车牌数据集CCPD说明（2）车牌数据集CCPD标注格式&... 查看详情

智能驾驶车牌检测和识别《ccpd车牌数据集》(代码片段)

智能驾驶车牌检测和识别（一）《CCPD车牌数据集》目录智能驾驶车牌检测和识别（一）《CCPD车牌数据集》1.前言2.车牌号码说明3.车牌数据集CCPD（1）车牌数据集CCPD说明（2）车牌数据集CCPD标注格式&... 查看详情

行人重识别数据集汇总(代码片段)

文章目录摘要VIPeR数据集下载链接ETH1,2,3数据集下载链接QMULiLIDS介绍下载链接GRID下载链接CAVIAR4ReID下载链接3DPeS下载链接PRID2011下载链接V47WARD下载链接SAIVT-Softbio下载链接CUHK01下载链接CUHK02下载链接CUHK03下载链接RAiD下载链接iLIDS-VID... 查看详情

pytorch使用mnist数据集实现手写数字识别(代码片段)

使用mnist数据集实现手写数字识别是入门必做吧。这里使用pyTorch框架进行简单神经网络的搭建。首先导入需要的包。1importtorch2importtorch.nnasnn3importtorch.utils.dataasData4importtorchvision 接下来需要下载mnist数据集。我们创建train_data。... 查看详情

深度学习基于tensorflow的小型物体识别训练（数据集：cifar-10）(代码片段)

​活动地址：CSDN21天学习挑战赛目录前言了解CIFAR-10数据集CIFAR-10数据集与MNIST数据集的区别下载数据集官方下载地址（较慢）使用tensorflow下载（推荐）使用迅雷（推荐）采用CPU训练还是GPU训练区别使用... 查看详情

动物数据集+动物分类识别训练代码(pytorch)(代码片段)

动物数据集+动物分类识别训练代码(Pytorch)目录 动物数据集+动物分类识别训练代码(Pytorch)1.前言2.Animals-Dataset动物数据集说明（1）Animals90动物数据集（2）Animals10动物数据集（3）自定义数据集3.动物分... 查看详情

智能驾驶车牌检测和识别《yolov5实现车牌检测（含车牌检测数据集和训练代码）》(代码片段)

智能驾驶车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》目录智能驾驶车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》1.前言2.车牌检... 查看详情

实作cnn-微表情识别(代码片段)

 微表情识别一、数据集说明使用的数据集是FER2013kaggleFER2013 https://www.kaggle.com/c/challenges-in-representation-learning-facial-expression-recognition-challenge/data 该数据集官方的下载链接目前失效了，可通过这个链接下载：https://w 查看详情