手势检测的计算机视觉算法

一种可以检测“拇指向上”和“拇指向下”手势的计算机视觉算法。

该算法基于tiny-YOLOv3架构。拇指向上/向下手势识别的准确度计算为平均精度（mAP@0.25）= 85.19％; 平均IoU = 73.89％。

神经网络训练了3000张图像。

要试用该算法，请从GitHub下载并安装它。

https://github.com/heyml/rateme

RateMe是一个神经网络，可让您识别拇指向上和拇指向下的手势。该算法可以嵌入到您的项目中，并自动化评估某事物或某人的过程。

例如，使用Rate Me，可以：

• 当您对单击按钮感到不舒服时，可以对YouTube音乐服务中的音乐进行评分

• 计算选美比赛中的选票以确定获胜者

• 在品尝期间评价饮品和餐点

技术部分

依赖

• opencv-python，numpy;
• matplotlib，jupyter-notebook

安装

pip3 install rateme

用法

打开Test_RateMe.ipynb以测试示例图像上的RateMe（为此需要启动jupyter-notebook它，它将在浏览器中打开窗口，需要在其中选择Test_RateMe.ipynb）。

例如，实时检测运行detect_on_webcam.py。

最小的工作示例：

import cv2
from rateme.utils import RateMe

net = RateMe()
img = cv2.imread('test_imgs/like.jpg')
label = net.predict(img)

描述

RateMe基于tiny-YOLOv3架构。

拇指向上/向下手势识别的准确度计算为平均精度（mAP@0.25）= 0.851941，或85.19％; 平均IoU = 73.89％

神经网络已经在~3K图像上进行了训练（从不同角度拍摄的人们显示他们的拇指或不显示）。使用labelImg程序标记图像。

返回值："like"，"dislike"，None

速度

在英特尔（R）Core（TM）i5-4300M CPU @ 2.60GHz上，完整的流水线速度为6-7 FPS。

帧抓取约100ms

神经网络推理〜100ms