手勢限制：MediaPipe Model Maker 自定義手勢識(shí)別模型訓(xùn)練實(shí)戰(zhàn))
從數(shù)據(jù)采集到模型部署手把手教你訓(xùn)練專屬手勢識(shí)別器為什么你需要自定義手勢模型MediaPipe 官方提供的預(yù)訓(xùn)練手勢識(shí)別模型支持 8 種手勢拳頭、張開手掌、勝利手勢等--1。但在實(shí)際項(xiàng)目中我們往往需要識(shí)別更特定的手勢——比如“劃圈切換視頻”、“握拳暫停播放”、“五指張開快進(jìn)”等。MediaPipe Model Maker 正是為此而生。它是一個(gè)低代碼low-code解決方案通過遷移學(xué)習(xí)Transfer Learning技術(shù)讓你用較少的數(shù)據(jù)就能快速訓(xùn)練出專屬的手勢識(shí)別模型。本文將帶你在本地環(huán)境而非 Colab完成從數(shù)據(jù)準(zhǔn)備到模型部署的全流程并分享踩坑經(jīng)驗(yàn)。一、環(huán)境準(zhǔn)備避開 Python 版本的大坑1.1 Python 版本選擇重要這是整個(gè)過程中最容易踩的坑。MediaPipe Model Maker 對 Python 版本有嚴(yán)格要求? 推薦Python 3.9—— 最穩(wěn)定、兼容性最好-?? 謹(jǐn)慎Python 3.10—— 部分用戶可安裝成功但存在兼容風(fēng)險(xiǎn)--1? 避免Python 3.11—— 官方支持不完善大概率安裝失敗-建議使用pyenv或conda創(chuàng)建一個(gè)獨(dú)立的 Python 3.9 環(huán)境避免污染全局環(huán)境。1.2 安裝依賴# 升級(jí) pip pip install --upgrade pip # 安裝 MediaPipe Model Maker pip install mediapipe-model-maker # 驗(yàn)證安裝 python -c from mediapipe_model_maker import gesture_recognizer; print(安裝成功)如果安裝過程中遇到依賴沖突可以嘗試指定版本pip install mediapipe-model-maker0.2.1.41.3 其他依賴pip install tensorflow matplotlib opencv-python二、數(shù)據(jù)集構(gòu)建質(zhì)量決定模型上限數(shù)據(jù)集是模型訓(xùn)練的基石它的質(zhì)量直接決定了模型性能的上限。-22.1 數(shù)據(jù)集格式要求MediaPipe Model Maker 的數(shù)據(jù)集格式非常簡單-dataset_path/ label_name_1/ image_001.jpg image_002.jpg ... label_name_2/ image_001.jpg image_002.jpg ... ...關(guān)鍵規(guī)則每個(gè)手勢類別對應(yīng)一個(gè)文件夾文件夾名即為標(biāo)簽名必須包含一個(gè)名為none的文件夾代表“不屬于任何已定義手勢”的負(fù)樣本支持.jpg、.png等常見圖片格式2.2 采集策略CVT 原則為了訓(xùn)練出魯棒的模型采集數(shù)據(jù)時(shí)應(yīng)遵循CVT 原則-2維度說明C - Condition環(huán)境條件在不同光照下采集自然光、暖光、冷光、逆光V - Viewpoint視角不同高度和角度俯視、平視、仰視不同攝像頭T - Temporal Appearance時(shí)間與外觀手勢執(zhí)行速度的快慢是否佩戴手表、戒指不同膚色數(shù)據(jù)量建議每個(gè)手勢類別準(zhǔn)備100-500 張有效圖片-2。如果有條件邀請 2-3 位朋友幫忙采集能極大增加數(shù)據(jù)多樣性。2.3 快速采集腳本下面這個(gè)腳本可以幫你從視頻中自動(dòng)截取手勢圖片并利用 MediaPipe 自動(dòng)篩選出有效幀-2import cv2 import os import mediapipe as mp from pathlib import Path mp_hands mp.solutions.hands hands mp_hands.Hands( static_image_modeTrue, max_num_hands1, min_detection_confidence0.5 ) def extract_frames_from_video(video_path, output_folder, frame_skip3): 從視頻中提取包含手部的幀 :param video_path: 視頻文件路徑 :param output_folder: 輸出文件夾 :param frame_skip: 每隔多少幀提取一張 Path(output_folder).mkdir(parentsTrue, exist_okTrue) cap cv2.VideoCapture(video_path) saved_count 0 while cap.isOpened(): ret, frame cap.read() if not ret: break frame_id int(cap.get(cv2.CAP_PROP_POS_FRAMES)) if frame_id % frame_skip ! 0: continue # 檢測手部 rgb_frame cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) results hands.process(rgb_frame) if results.multi_hand_landmarks: # 檢測到手部保存圖片 filename fframe_{frame_id:06d}.jpg cv2.imwrite(os.path.join(output_folder, filename), frame) saved_count 1 print(f已保存: {filename}) cap.release() print(f共提取 {saved_count} 張有效圖片) # 使用示例 extract_frames_from_video(gesture_fist.mp4, dataset/fist/) extract_frames_from_video(gesture_open.mp4, dataset/open/) extract_frames_from_video(gesture_none.mp4, dataset/none/)2.4 使用官方示例數(shù)據(jù)集快速驗(yàn)證如果你想先跑通流程再采集自己的數(shù)據(jù)可以下載官方提供的“石頭剪刀布”示例數(shù)據(jù)集# Linux/Mac wget https://storage.googleapis.com/mediapipe-tasks/gesture_recognizer/rps_data_sample.zip unzip rps_data_sample.zip # 或直接在 Python 中下載 import urllib.request import zipfile url https://storage.googleapis.com/mediapipe-tasks/gesture_recognizer/rps_data_sample.zip urllib.request.urlretrieve(url, rps_data_sample.zip) with zipfile.ZipFile(rps_data_sample.zip, r) as z: z.extractall(.)解壓后的目錄結(jié)構(gòu)如下rps_data_sample/ none/ # 負(fù)樣本無手勢 paper/ # 布 rock/ # 石頭 scissors/ # 剪刀三、模型訓(xùn)練四步走流程3.1 完整訓(xùn)練代碼import os from mediapipe_model_maker import gesture_recognizer # 1. 設(shè)置數(shù)據(jù)集路徑 DATASET_PATH rps_data_sample # 替換為你的數(shù)據(jù)集路徑 # 驗(yàn)證數(shù)據(jù)集結(jié)構(gòu) labels [label for label in os.listdir(DATASET_PATH) if os.path.isdir(os.path.join(DATASET_PATH, label))] print(檢測到的標(biāo)簽:, labels) # 應(yīng)輸出類似: [none, paper, rock, scissors] # 2. 加載并分割數(shù)據(jù)集 data gesture_recognizer.Dataset.from_folder( dirnameDATASET_PATH, hparamsgesture_recognizer.HandDataPreprocessingParams( shuffleTrue, min_detection_confidence0.5 # 手部檢測置信度閾值 ) ) # 劃分?jǐn)?shù)據(jù)集80% 訓(xùn)練10% 驗(yàn)證10% 測試 train_data, rest_data data.split(0.8) validation_data, test_data rest_data.split(0.5) print(f訓(xùn)練集: {len(train_data)} 張) print(f驗(yàn)證集: {len(validation_data)} 張) print(f測試集: {len(test_data)} 張) # 3. 配置訓(xùn)練參數(shù) hparams gesture_recognizer.HParams( epochs15, # 訓(xùn)練輪次可根據(jù)需要調(diào)整[reference:22] batch_size16, # 根據(jù) GPU 內(nèi)存調(diào)整[reference:23] learning_rate0.001, # 學(xué)習(xí)率[reference:24] lr_decay0.95, # 學(xué)習(xí)率衰減[reference:25] export_dirmy_gesture_model # 模型輸出目錄[reference:26] ) options gesture_recognizer.GestureRecognizerOptions( hparamshparams, model_optionsgesture_recognizer.ModelOptions( dropout_rate0.1, # 防止過擬合[reference:27] layer_widths[64, 32] # 添加 2 個(gè)隱藏層[reference:28] ) ) # 4. 訓(xùn)練模型 print(\n開始訓(xùn)練模型...) model gesture_recognizer.GestureRecognizer.create( train_datatrain_data, validation_datavalidation_data, optionsoptions ) # 5. 評估模型 print(\n評估模型性能:) loss, accuracy model.evaluate(test_data) print(f測試集損失: {loss:.4f}, 準(zhǔn)確率: {accuracy:.4f}) # 6. 導(dǎo)出模型 model.export_model(model_namemy_gesture_recognizer.task) print(\n? 模型已導(dǎo)出: my_gesture_model/my_gesture_recognizer.task)3.2 關(guān)鍵參數(shù)說明參數(shù)說明建議值epochs訓(xùn)練輪次10-30數(shù)據(jù)量大時(shí)可適當(dāng)減少batch_size批次大小8-32根據(jù) GPU 顯存調(diào)整learning_rate學(xué)習(xí)率0.001常用起始值dropout_rateDropout 比例0.1-0.3防止過擬合layer_widths全連接層寬度[64, 32]或[128, 64] 訓(xùn)練過程中Model Maker 會(huì)自動(dòng)從圖片中提取手部關(guān)鍵點(diǎn)landmarks而非直接使用原始圖片進(jìn)行訓(xùn)練。這意味著模型更加輕量且對背景變化有一定魯棒性。四、模型導(dǎo)出與文件說明訓(xùn)練完成后會(huì)在export_dir指定的目錄即my_gesture_model/下生成以下文件my_gesture_model/ ├── my_gesture_recognizer.task # 核心模型包推理時(shí)只需這個(gè)文件 ├── metadata.json # 模型元數(shù)據(jù)供解讀用 └── checkpoint/ # 訓(xùn)練檢查點(diǎn)用于繼續(xù)訓(xùn)練my_gesture_recognizer.task是最終的模型包它包含了手部檢測、預(yù)置手勢分類和自定義手勢分類所需的全部模型-。部署時(shí)只需要這一個(gè)文件即可。五、部署與測試驗(yàn)證你的模型5.1 Python 推理測試import cv2 import mediapipe as mp from mediapipe.tasks import python from mediapipe.tasks.python import vision # 加載訓(xùn)練好的模型 MODEL_PATH my_gesture_model/my_gesture_recognizer.task base_options python.BaseOptions(model_asset_pathMODEL_PATH) options vision.GestureRecognizerOptions( base_optionsbase_options, running_modevision.RunningMode.VIDEO, num_hands1 ) recognizer vision.GestureRecognizer.create_from_options(options) # 測試單張圖片 mp_image mp.Image.create_from_file(test_gesture.jpg) result recognizer.recognize(mp_image) if result.gestures: top_gesture result.gestures[0][0] print(f識(shí)別結(jié)果: {top_gesture.category_name}) print(f置信度: {top_gesture.score:.2f})5.2 實(shí)時(shí)攝像頭識(shí)別結(jié)合你之前熟悉的 Vue 前端技術(shù)可以將訓(xùn)練好的.task模型文件部署到 Web 端通過 MediaPipe 的 JavaScript SDK 實(shí)現(xiàn)瀏覽器中的實(shí)時(shí)手勢識(shí)別-。六、常見問題與避坑指南? 問題1No module named mediapipe.python._framework_bindings原因Python 版本不兼容-。解決切換到 Python 3.9 環(huán)境重新安裝。? 問題2安裝mediapipe-model-maker失敗原因依賴包版本沖突-。解決pip install --upgrade pip setuptools wheel pip install mediapipe-model-maker0.2.1.4? 問題3訓(xùn)練時(shí)內(nèi)存不足解決減小batch_size如從 16 改為 8或減少epochs。? 問題4模型準(zhǔn)確率低排查方向數(shù)據(jù)量不足每個(gè)類別至少 100 張圖片數(shù)據(jù)多樣性不夠檢查是否覆蓋了不同光照、角度和手部外觀-2none類別缺失必須包含none文件夾作為負(fù)樣本訓(xùn)練輪次不足嘗試增加epochs到 20-30七、總結(jié)使用 MediaPipe Model Maker 訓(xùn)練自定義手勢識(shí)別模型核心流程可以概括為數(shù)據(jù)采集 → 整理目錄結(jié)構(gòu) → 加載數(shù)據(jù)集 → 配置參數(shù) → 訓(xùn)練 → 評估 → 導(dǎo)出 .task 模型整個(gè)流程的核心優(yōu)勢在于特點(diǎn)說明低代碼核心訓(xùn)練代碼不到 50 行遷移學(xué)習(xí)每個(gè)類別僅需 100-500 張圖片端側(cè)優(yōu)化導(dǎo)出模型輕量適合移動(dòng)端和 Web 部署開箱即用導(dǎo)出的.task文件可直接用于 MediaPipe 推理-現(xiàn)在你可以告別官方預(yù)置的 8 種手勢限制打造真正屬于你的專屬手勢識(shí)別應(yīng)用了。參考資料MediaPipe Model Maker 官方文檔手勢識(shí)別模型定制指南MediaPipe Model Maker API 參考 告別默認(rèn)手勢限制：MediaPipe Model Maker 自定義手勢識(shí)別模型訓(xùn)練實(shí)戰(zhàn)
從數(shù)據(jù)采集到模型部署手把手教你訓(xùn)練專屬手勢識(shí)別器為什么你需要自定義手勢模型MediaPipe 官方提供的預(yù)訓(xùn)練手勢識(shí)別模型支持 8 種手勢拳頭、張開手掌、勝利手勢等--1。但在實(shí)際項(xiàng)目中我們往往需要識(shí)別更特定的手勢——比如“劃圈切換視頻”、“握拳暫停播放”、“五指張開快進(jìn)”等。MediaPipe Model Maker 正是為此而生。它是一個(gè)低代碼low-code解決方案通過遷移學(xué)習(xí)Transfer Learning技術(shù)讓你用較少的數(shù)據(jù)就能快速訓(xùn)練出專屬的手勢識(shí)別模型。本文將帶你在本地環(huán)境而非 Colab完成從數(shù)據(jù)準(zhǔn)備到模型部署的全流程并分享踩坑經(jīng)驗(yàn)。一、環(huán)境準(zhǔn)備避開 Python 版本的大坑1.1 Python 版本選擇重要這是整個(gè)過程中最容易踩的坑。MediaPipe Model Maker 對 Python 版本有嚴(yán)格要求? 推薦Python 3.9—— 最穩(wěn)定、兼容性最好-?? 謹(jǐn)慎Python 3.10—— 部分用戶可安裝成功但存在兼容風(fēng)險(xiǎn)--1? 避免Python 3.11—— 官方支持不完善大概率安裝失敗-建議使用pyenv或conda創(chuàng)建一個(gè)獨(dú)立的 Python 3.9 環(huán)境避免污染全局環(huán)境。1.2 安裝依賴# 升級(jí) pip pip install --upgrade pip # 安裝 MediaPipe Model Maker pip install mediapipe-model-maker # 驗(yàn)證安裝 python -c from mediapipe_model_maker import gesture_recognizer; print(安裝成功)如果安裝過程中遇到依賴沖突可以嘗試指定版本pip install mediapipe-model-maker0.2.1.41.3 其他依賴pip install tensorflow matplotlib opencv-python二、數(shù)據(jù)集構(gòu)建質(zhì)量決定模型上限數(shù)據(jù)集是模型訓(xùn)練的基石它的質(zhì)量直接決定了模型性能的上限。-22.1 數(shù)據(jù)集格式要求MediaPipe Model Maker 的數(shù)據(jù)集格式非常簡單-dataset_path/ label_name_1/ image_001.jpg image_002.jpg ... label_name_2/ image_001.jpg image_002.jpg ... ...關(guān)鍵規(guī)則每個(gè)手勢類別對應(yīng)一個(gè)文件夾文件夾名即為標(biāo)簽名必須包含一個(gè)名為none的文件夾代表“不屬于任何已定義手勢”的負(fù)樣本支持.jpg、.png等常見圖片格式2.2 采集策略CVT 原則為了訓(xùn)練出魯棒的模型采集數(shù)據(jù)時(shí)應(yīng)遵循CVT 原則-2維度說明C - Condition環(huán)境條件在不同光照下采集自然光、暖光、冷光、逆光V - Viewpoint視角不同高度和角度俯視、平視、仰視不同攝像頭T - Temporal Appearance時(shí)間與外觀手勢執(zhí)行速度的快慢是否佩戴手表、戒指不同膚色數(shù)據(jù)量建議每個(gè)手勢類別準(zhǔn)備100-500 張有效圖片-2。如果有條件邀請 2-3 位朋友幫忙采集能極大增加數(shù)據(jù)多樣性。2.3 快速采集腳本下面這個(gè)腳本可以幫你從視頻中自動(dòng)截取手勢圖片并利用 MediaPipe 自動(dòng)篩選出有效幀-2import cv2 import os import mediapipe as mp from pathlib import Path mp_hands mp.solutions.hands hands mp_hands.Hands( static_image_modeTrue, max_num_hands1, min_detection_confidence0.5 ) def extract_frames_from_video(video_path, output_folder, frame_skip3): 從視頻中提取包含手部的幀 :param video_path: 視頻文件路徑 :param output_folder: 輸出文件夾 :param frame_skip: 每隔多少幀提取一張 Path(output_folder).mkdir(parentsTrue, exist_okTrue) cap cv2.VideoCapture(video_path) saved_count 0 while cap.isOpened(): ret, frame cap.read() if not ret: break frame_id int(cap.get(cv2.CAP_PROP_POS_FRAMES)) if frame_id % frame_skip ! 0: continue # 檢測手部 rgb_frame cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) results hands.process(rgb_frame) if results.multi_hand_landmarks: # 檢測到手部保存圖片 filename fframe_{frame_id:06d}.jpg cv2.imwrite(os.path.join(output_folder, filename), frame) saved_count 1 print(f已保存: {filename}) cap.release() print(f共提取 {saved_count} 張有效圖片) # 使用示例 extract_frames_from_video(gesture_fist.mp4, dataset/fist/) extract_frames_from_video(gesture_open.mp4, dataset/open/) extract_frames_from_video(gesture_none.mp4, dataset/none/)2.4 使用官方示例數(shù)據(jù)集快速驗(yàn)證如果你想先跑通流程再采集自己的數(shù)據(jù)可以下載官方提供的“石頭剪刀布”示例數(shù)據(jù)集# Linux/Mac wget https://storage.googleapis.com/mediapipe-tasks/gesture_recognizer/rps_data_sample.zip unzip rps_data_sample.zip # 或直接在 Python 中下載 import urllib.request import zipfile url https://storage.googleapis.com/mediapipe-tasks/gesture_recognizer/rps_data_sample.zip urllib.request.urlretrieve(url, rps_data_sample.zip) with zipfile.ZipFile(rps_data_sample.zip, r) as z: z.extractall(.)解壓后的目錄結(jié)構(gòu)如下rps_data_sample/ none/ # 負(fù)樣本無手勢 paper/ # 布 rock/ # 石頭 scissors/ # 剪刀三、模型訓(xùn)練四步走流程3.1 完整訓(xùn)練代碼import os from mediapipe_model_maker import gesture_recognizer # 1. 設(shè)置數(shù)據(jù)集路徑 DATASET_PATH rps_data_sample # 替換為你的數(shù)據(jù)集路徑 # 驗(yàn)證數(shù)據(jù)集結(jié)構(gòu) labels [label for label in os.listdir(DATASET_PATH) if os.path.isdir(os.path.join(DATASET_PATH, label))] print(檢測到的標(biāo)簽:, labels) # 應(yīng)輸出類似: [none, paper, rock, scissors] # 2. 加載并分割數(shù)據(jù)集 data gesture_recognizer.Dataset.from_folder( dirnameDATASET_PATH, hparamsgesture_recognizer.HandDataPreprocessingParams( shuffleTrue, min_detection_confidence0.5 # 手部檢測置信度閾值 ) ) # 劃分?jǐn)?shù)據(jù)集80% 訓(xùn)練10% 驗(yàn)證10% 測試 train_data, rest_data data.split(0.8) validation_data, test_data rest_data.split(0.5) print(f訓(xùn)練集: {len(train_data)} 張) print(f驗(yàn)證集: {len(validation_data)} 張) print(f測試集: {len(test_data)} 張) # 3. 配置訓(xùn)練參數(shù) hparams gesture_recognizer.HParams( epochs15, # 訓(xùn)練輪次可根據(jù)需要調(diào)整[reference:22] batch_size16, # 根據(jù) GPU 內(nèi)存調(diào)整[reference:23] learning_rate0.001, # 學(xué)習(xí)率[reference:24] lr_decay0.95, # 學(xué)習(xí)率衰減[reference:25] export_dirmy_gesture_model # 模型輸出目錄[reference:26] ) options gesture_recognizer.GestureRecognizerOptions( hparamshparams, model_optionsgesture_recognizer.ModelOptions( dropout_rate0.1, # 防止過擬合[reference:27] layer_widths[64, 32] # 添加 2 個(gè)隱藏層[reference:28] ) ) # 4. 訓(xùn)練模型 print(\n開始訓(xùn)練模型...) model gesture_recognizer.GestureRecognizer.create( train_datatrain_data, validation_datavalidation_data, optionsoptions ) # 5. 評估模型 print(\n評估模型性能:) loss, accuracy model.evaluate(test_data) print(f測試集損失: {loss:.4f}, 準(zhǔn)確率: {accuracy:.4f}) # 6. 導(dǎo)出模型 model.export_model(model_namemy_gesture_recognizer.task) print(\n? 模型已導(dǎo)出: my_gesture_model/my_gesture_recognizer.task)3.2 關(guān)鍵參數(shù)說明參數(shù)說明建議值epochs訓(xùn)練輪次10-30數(shù)據(jù)量大時(shí)可適當(dāng)減少batch_size批次大小8-32根據(jù) GPU 顯存調(diào)整learning_rate學(xué)習(xí)率0.001常用起始值dropout_rateDropout 比例0.1-0.3防止過擬合layer_widths全連接層寬度[64, 32]或[128, 64] 訓(xùn)練過程中Model Maker 會(huì)自動(dòng)從圖片中提取手部關(guān)鍵點(diǎn)landmarks而非直接使用原始圖片進(jìn)行訓(xùn)練。這意味著模型更加輕量且對背景變化有一定魯棒性。四、模型導(dǎo)出與文件說明訓(xùn)練完成后會(huì)在export_dir指定的目錄即my_gesture_model/下生成以下文件my_gesture_model/ ├── my_gesture_recognizer.task # 核心模型包推理時(shí)只需這個(gè)文件 ├── metadata.json # 模型元數(shù)據(jù)供解讀用 └── checkpoint/ # 訓(xùn)練檢查點(diǎn)用于繼續(xù)訓(xùn)練my_gesture_recognizer.task是最終的模型包它包含了手部檢測、預(yù)置手勢分類和自定義手勢分類所需的全部模型-。部署時(shí)只需要這一個(gè)文件即可。五、部署與測試驗(yàn)證你的模型5.1 Python 推理測試import cv2 import mediapipe as mp from mediapipe.tasks import python from mediapipe.tasks.python import vision # 加載訓(xùn)練好的模型 MODEL_PATH my_gesture_model/my_gesture_recognizer.task base_options python.BaseOptions(model_asset_pathMODEL_PATH) options vision.GestureRecognizerOptions( base_optionsbase_options, running_modevision.RunningMode.VIDEO, num_hands1 ) recognizer vision.GestureRecognizer.create_from_options(options) # 測試單張圖片 mp_image mp.Image.create_from_file(test_gesture.jpg) result recognizer.recognize(mp_image) if result.gestures: top_gesture result.gestures[0][0] print(f識(shí)別結(jié)果: {top_gesture.category_name}) print(f置信度: {top_gesture.score:.2f})5.2 實(shí)時(shí)攝像頭識(shí)別結(jié)合你之前熟悉的 Vue 前端技術(shù)可以將訓(xùn)練好的.task模型文件部署到 Web 端通過 MediaPipe 的 JavaScript SDK 實(shí)現(xiàn)瀏覽器中的實(shí)時(shí)手勢識(shí)別-。六、常見問題與避坑指南? 問題1No module named mediapipe.python._framework_bindings原因Python 版本不兼容-。解決切換到 Python 3.9 環(huán)境重新安裝。? 問題2安裝mediapipe-model-maker失敗原因依賴包版本沖突-。解決pip install --upgrade pip setuptools wheel pip install mediapipe-model-maker0.2.1.4? 問題3訓(xùn)練時(shí)內(nèi)存不足解決減小batch_size如從 16 改為 8或減少epochs。? 問題4模型準(zhǔn)確率低排查方向數(shù)據(jù)量不足每個(gè)類別至少 100 張圖片數(shù)據(jù)多樣性不夠檢查是否覆蓋了不同光照、角度和手部外觀-2none類別缺失必須包含none文件夾作為負(fù)樣本訓(xùn)練輪次不足嘗試增加epochs到 20-30七、總結(jié)使用 MediaPipe Model Maker 訓(xùn)練自定義手勢識(shí)別模型核心流程可以概括為數(shù)據(jù)采集 → 整理目錄結(jié)構(gòu) → 加載數(shù)據(jù)集 → 配置參數(shù) → 訓(xùn)練 → 評估 → 導(dǎo)出 .task 模型整個(gè)流程的核心優(yōu)勢在于特點(diǎn)說明低代碼核心訓(xùn)練代碼不到 50 行遷移學(xué)習(xí)每個(gè)類別僅需 100-500 張圖片端側(cè)優(yōu)化導(dǎo)出模型輕量適合移動(dòng)端和 Web 部署開箱即用導(dǎo)出的.task文件可直接用于 MediaPipe 推理-現(xiàn)在你可以告別官方預(yù)置的 8 種手勢限制打造真正屬于你的專屬手勢識(shí)別應(yīng)用了。參考資料MediaPipe Model Maker 官方文檔手勢識(shí)別模型定制指南MediaPipe Model Maker API 參考