简介一套面向图像分类入门与手势识别研究的手语图像分类数据集覆盖0、1、a、b等36个类别共约2500张已标注图像适合用来训练轻量级分类模型、验证CNN改进思路也可用于高校实验课或手势识别应用的前期验证。包内共2000个文件主体为1998张jpeg格式图片图像多为分割裁剪后的手部区域可直接作为分类网络输入另有1个json文件保存36个类别的标签映射训练时读取方便1个Python脚本可随机展示用于可视化检查。数据已按训练集和测试集分目录存放免去自行划分的麻烦。压缩包整体约28.58MB体量适中下载和本地迭代都很快捷。目前已有442人学习使用是一份开箱即用的标准手势分类数据结合作者主页中CNN分类网络改进专栏可继续延伸到模型结构优化与精度调参。1. 手语图像分类数据集2500 张已标注图能做什么、不能做什么想做手语识别的朋友多半是从「找个模型跑通」开始最后卡在数据上图像要一张张拍、一张张标注类别还得自己定。一个已标注、约 2500 张的手语图像分类数据集恰好卡在「玩具规模」和「可用规模」之间——它不足以训练一个大模型但足够验证一套迁移学习方案、跑通课程设计或产品原型。2500 张意味着你已经省掉了最痛苦的数据清洗环节剩下的工作是把标注格式吃透、把训练流程跑稳。适合的学生和独立开发者能靠它在一周内做出一个能实时演示的原型想发论文或上线生产的人则需要在此基础上继续扩数据。它不玄学但坑确实不少。2. 拿到数据先别急着训练理清文件夹结构、标注格式与划分方式2.1 标注数据的常见组织方式文件夹结构和 CSV 表市面上流通的手语图像分类数据集标注格式无非两大类。第一种是「文件夹即标签」根目录下每个类别一个子文件夹图片文件名随意但要保证唯一第二种是「CSV / JSON 索引表」一张表里写 image_path 和 label 两列label 可以是类别名字符串也可以是编码后的整数。两者都常见但没有绝对优劣关键是训练脚本里别搞混。如果你的数据集是文件夹结构打开后大概是这个样子dataset/ ├── A/ │ ├── 001.jpg │ ├── 002.jpg │ └── ... ├── B/ │ ├── 001.jpg │ └── ... └── label_map.json如果是 CSV 结构表头一般是 filename,label 或 image_path,label_id。这里我建议你拿到数据后第一件事就是写一段 10 行的扫描脚本统计每个类别的样本数而不是直接开训练。手语数据集的类别分布经常不是均匀的常用字母和词汇可能拍了几百张生僻的只有几十张。这个统计结果直接决定你后面要不要做重采样也决定验证集怎么划。2.2 自定义 Dataset 的写法别用 ImageFolder 一把梭Torchvision 自带的ImageFolder能直接读文件夹结构但如果你的数据是 CSV 标注或者做了训练/验证拆分比如标注文件里有一列 split就得自己写 Dataset。即便数据是纯文件夹结构我也建议写一个自定义 Dataset因为手语图像分类数据集往往带有附加信息——采集者编号、光照条件、左右手习惯这些信息在排查问题时非常有用。下面这个 Dataset 类兼容 CSV 和文件夹两种输入方式import os import pandas as pd from PIL import Image from torch.utils.data import Dataset class SignLanguageDataset(Dataset): def __init__(self, root_dir, annotation_fileNone, transformNone): root_dir: 图像根目录 annotation_file: 可选CSV标注文件路径None 则按子文件夹名作为标签 self.root_dir root_dir self.transform transform if annotation_file is not None: df pd.read_csv(annotation_file) self.samples [] # (完整图片路径, 标签索引) self.classes sorted(df[label].unique()) self.class_to_idx {c: i for i, c in enumerate(self.classes)} for _, row in df.iterrows(): img_path os.path.join(root_dir, row[filename]) label self.class_to_idx[row[label]] self.samples.append((img_path, label)) else: # 文件夹结构子文件夹名即类别名 self.classes sorted( [d for d in os.listdir(root_dir) if os.path.isdir(os.path.join(root_dir, d))] ) self.class_to_idx {c: i for i, c in enumerate(self.classes)} self.samples [] for c in self.classes: class_dir os.path.join(root_dir, c) for fname in os.listdir(class_dir): if fname.lower().endswith((.jpg, .jpeg, .png)): self.samples.append( (os.path.join(class_dir, fname), self.class_to_idx[c]) ) def __len__(self): return len(self.samples) def __getitem__(self, idx): img_path, label self.samples[idx] image Image.open(img_path).convert(RGB) if self.transform: image self.transform(image) return image, label # 参数说明 # - combiner: 统计类别分布时用 pandas 的 value_counts() # - annotation_file 传入后classes 顺序由字母序决定和训练脚本中的类别映射必须保持一致这段代码的逻辑说明__init__里统一把图片路径和标签索引整理成samples列表__getitem__里只做两件事——读图、做变换。无论是 CSV 还是文件夹结构训练循环里看到的都是(image, label)对换数据格式不需要改训练代码。参数上需要注意三点一是图片统一用convert(RGB)防止灰度图和 RGBA 图混进来二是classes排序后作为类别索引基准保证多次运行映射一致三是root_dir和annotation_file里的路径拼接用os.path.join在 Windows 和 Linux 下都不会翻车。2.3 train/val 划分按人划分别按图划分这是手语数据集最容易被忽视的一个点。手语图像分类数据集如果是多人采集的同一个人的手型、肤色、手势习惯高度相似如果随机按图划分同一个人的十几张图可能同时出现在训练集和验证集里导致验证准确率虚高。等模型部署到新用户身上准确率立刻跳水。常见做法是按人subject_id划分。如果原始数据里没有记录采集人至少要做到按拍摄批次或文件夹分组后再切分。下面是按人划分的示意from sklearn.model_selection import GroupShuffleSplit # 假设 df 里有三列: filename, label, subject_id splitter GroupShuffleSplit(n_splits1, test_size0.2, random_state42) train_idx, val_idx next(splitter.split(df, groupsdf[subject_id])) train_df df.iloc[train_idx] val_df df.iloc[val_idx] # 检查验证集里每个类别至少出现一次 print(val_df.groupby(label).size())如果数据没记录 subject_id退而求其次的做法是按「拍摄会话」分块——同一时间、同一背景下连续拍的图归到同一组。这一步的价值在于让你的验证指标更接近真实场景避免自欺欺人。3. 用图像分类模型跑通基线ResNet18 微调的手写实战脚本3.1 模型选型2500 张该用多深的网络手语手势属于细粒度图像分类类别之间可能只有手指弯曲角度的差异。但数据量只有 2500 张直接从头训练一个深层网络很容易过拟合。常见的做法是用 ImageNet 预训练模型做迁移学习而不是自己搭 CNN 或上 ViT。在图像分类模型的选择上我的建议是首选 ResNet18理由有三个。第一ResNet18 参数量小约 1100 万2500 张图微调时不太容易把 backbone 带偏第二PyTorch 官方 torchvision 里自带预训练权重不需要额外下载第三方文件第三它是最普遍的基线模型出了问题社区答案一搜就有。ResNet34 或 ResNet50 也可以但 50 层的网络在 2500 张图上需要更小学习率、更多正则对新手不友好。像 EfficientNetV2 和 ConvNeXt 这类更强的图像分类模型当然更好但微调技巧更复杂建议先把 ResNet18 跑通作为基线再决定要不要换。3.2 最小训练脚本冻结 backbone 先探底拿到数据后第一步不是全量微调而是冻结 backbone、只训练分类头。这步的意义是探底——看看预训练特征在手语分类任务上本来就表现如何也为后续全量微调提供一个对照。代码可以直接用 PyTorch 写脚本大概这样import torch import torch.nn as nn from torchvision import models, transforms from torch.utils.data import DataLoader # ---------- 数据增强与归一化 ---------- # ImageNet 的 mean/std 是预训练模型的统计口径必须沿用 train_transform transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomRotation(15), transforms.ColorJitter(brightness0.2, contrast0.2, saturation0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) val_transform transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) # ---------- 模型定义 ---------- def get_model(num_classes, freeze_backboneTrue): model models.resnet18(weightsmodels.ResNet18_Weights.IMAGENET1K_V1) if freeze_backbone: for param in model.parameters(): param.requires_grad False # 替换最后一层全连接 in_features model.fc.in_features model.fc nn.Linear(in_features, num_classes) return model # ---------- 训练循环仅列出核心 ---------- device torch.device(cuda if torch.cuda.is_available() else cpu) model get_model(num_classes26, freeze_backboneTrue).to(device) criterion nn.CrossEntropyLoss() optimizer torch.optim.AdamW(model.fc.parameters(), lr1e-3, weight_decay1e-4) for epoch in range(20): model.train() for images, labels in train_loader: images, labels images.to(device), labels.to(device) outputs model(images) loss criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() # 每个 epoch 结束后在验证集上评估一次逻辑说明冻结 backbone 后反向传播只更新model.fc的参数优化器传入的是model.fc.parameters()这一步别写错否则等于全量微调了。参数方面学习率 1e-3 对线性分类头合适全量微调时需要降到 1e-4 或 1e-5weight_decay 给 1e-4对 2500 张小数据集是有意义的正则化epoch 先设 20观察验证集是否早停。用ResNet18_Weights.IMAGENET1K_V1这种新写法替代旧版的pretrainedTrue避免版本更新后报警告。3.3 数据增强的正确边界翻转、裁剪和颜色抖动数据增强是小数据集的后悔药但手语图像有一个特殊性水平翻转并不总是安全的。字母A水平翻转后依然是A但某些手势比如以手背朝向区分的字母翻转后会变成另一个类别甚至变成不存在的手势。我一般在拿到数据集后先随机抽几个类别看一眼原图确认左右手和手背朝向的问题再决定要不要开RandomHorizontalFlip。安全的增强组合是RandomRotation(±15°)、ColorJitter、RandomResizedCrop。裁剪需要小心——裁剪范围太小会把手掌切掉建议scale(0.7, 1.0)不要用 ImageNet 分类里常见的scale(0.08, 1.0)那只适合物体占比小的场景。手语图像里手通常是画面主体裁剪范围收窄是合理的。色彩增强的边界同样值得注意手语识别在某些场景中依赖肤色和手背纹路如果hue参数设得过大会把肤色偏移成绿色等于人为引入噪声。建议 hue 不超过 0.05。4. 小数据集避坑指南2500 张图最容易翻车的 6 个环节4.1 先把问题缩小用 8 个类别的子集跑通全流程2500 张图全量训练之前我强烈建议先抽 8 个类别、每个类别 20 张图把数据加载、模型定义、训练、评估全流程跑通。这一步花不了 10 分钟却能把 80% 的脚本错误拦在门外。具体做法随机挑 8 个类别各取 20 张放进一个临时目录用同样的训练脚本跑 3 个 epoch。如果这条小流水线能走通再换全量数据。很多人一上来就跑全量结果发现是 CSV 路径拼接错了、类别数量写死成 26 但实际有 30 类、GPU 显存不够——最后都在排错上浪费半天。先走通再放大这是做小数据集训练最省时间的习惯。4.2 现象loss 一直在降验证集准确率卡在 60% 不涨这是小数据集最经典的问题。原因一般是过拟合 类别不平衡双重作用模型记住了训练集的背景纹理和肤色分布而不是手势本身。验证集上稍微换一个背景或光照准确率就崩了。解决分三步走。第一步检查类别分布如果某些类别样本极少考虑用WeightedRandomSampler做重采样让每个 epoch 里每个类别被抽中的概率接近第二步增强正则化——在分类头前加 DropoutDropout(0.3)起步同时把 weight_decay 提高到 5e-4第三步对比冻结和全量微调的结果如果冻结 backbone 的验证准确率反而更高说明数据量不足以微调深层保持冻结即可。注意观察训练集和验证集准确率的差距差距超过 20 个百分点就是过拟合信号。4.3 现象开了水平翻转增强后某些类别混淆度明显上升我在 3.3 里提过手语里存在左右镜像后语义改变的类别。这是「现象 → 原因 → 解决」的典型例子现象是整体准确率没变但 A/B 两类互相误判增多原因是你用了RandomHorizontalFlip把其中一类的一半镜像图变成了另一类的特征解决方法是关掉水平翻转只用旋转和色彩增强然后看混淆矩阵里那两类是否恢复。排查方法训练结束后打印这两类的分类错误样本如果你发现错误图全是水平镜像的那基本就是翻转增强的锅。这也是为什么建议日志里记录每个 batch 用到的数据增强参数——翻车了才知道是哪一步引入的。4.4 现象验证集里某个类别一张图都没有如果类别有 26 个随机划分时某个样本量只有 30 张的类别有相当概率在验证集中变成 0 或 1 张。这会导致验证集 loss 的计算和准确率评估失真尤其当这个类别恰好是易错类别时。解决的办法是分层抽样。sklearn.model_selection.train_test_split里传入stratifydf[label]保证训练集和验证集中每个类别的比例与原数据一致。做完分层划分后打印每个类别在验证集中的样本数确认最小值不低于 1最好不少于 5。如果某个类别整体样本太少少于 10 张我建议不划分验证集而是把这个类别全部留在训练集评估时用其他类别的 macro-F1 代替整体准确率。4.5 现象模型整体准确率 95%但某个常用手势全是错的出现这种情况先检查是不是加权平均带来的假象。假如数据集中出现频率最高的 5 个类别占总量 70%模型只需要把这 5 类学好整体准确率就能到 75% 以上剩下 21 个类别完全摆烂也不影响整体数字。解决不要只用整体准确率评估输出每个类别的 recall 和混淆矩阵。我在训练 2500 张这种规模的数据集时通常以 macro-F1 作为选模型的主要指标——它对少数类的表现更敏感。用 sklearn 的classification_report一行代码就能打出来from sklearn.metrics import classification_report, confusion_matrix import numpy as np # y_true 和 y_pred 分别是验证集的真实标签和预测标签 print(classification_report(y_true, y_pred, digits3)) cm confusion_matrix(y_true, y_pred)观察classification_report里每个类别的 recall 值。如果某些类别的 recall 低于 0.5优先补充这些类别的训练图比整体加数据更有效。4.6 现象训练时 loss 是正常的验证时却报尺寸错误2500 张图里偶尔混入一两张损坏的图片是很常见的事。PIL 打开时可能不报错但ToTensor()之后输出的张量尺寸不对导致 DataLoader 在验证阶段报 batch 维度不匹配。解决方式在 Dataset 的__getitem__里加一个异常捕获读到坏图时跳过或替换成同类别的一张随机图。更稳妥的做法是写一个全量扫描脚本用Image.verify()检查所有图像能否正常解码损坏的直接从标注表里剔除。这一步别省——2500 张图倒不至于花很多时间但它能避免训练到第 10 个 epoch 时突然崩掉。5. 把 2500 张当成 10000 张用的两个技巧线性探针与伪标签筛选第一个技巧是「线性探针」用预训练模型把每张图变成一维特征向量然后用逻辑回归在这个特征上分类。这比直接微调更快、更稳而且特别适合小数据集下的方案验证。做法是把 ResNet18 的最后一层全连接去掉用torchvision.models.feature_extraction提取特征或者简单点把model.fc替换成nn.Identity()前向传播得到 512 维向量再喂给sklearn.linear_model.LogisticRegression。如果线性探针的准确率已经达到 85%说明预训练特征里包含足够的手势信息后续微调的上限是很高的如果线性探针只有 50%那问题大概率出在数据本身——类别定义模糊或标注有误这时候盲目微调只会扩大错误。第二个技巧是伪标签筛选。2500 张图不够用常见做法是拿已训练好的模型对手语视频中逐帧截取的未标注图像做预测把置信度高于某个阈值我一般设 0.95的样本当成伪标签加入训练集。注意两点伪标签只加入训练集绝不加入验证集每一轮加入的伪标签数量控制在原数据量的 30% 以内防止模型把错误预测固化成噪声。这个技巧能把数据集规模温和地扩到 4000 张上下而且不引入明显噪声。最后分享一个我自己的习惯每次训练前把数据集版本、类别映射、划分种子、模型权重文件名写在同一个文本文件里。早期做手语分类项目时我吃过一次亏——重新训练时忘了记录类别映射训练和推理用的索引对不上整个模型白训。后来所有实验都遵循这个习惯再没翻过车。数据和代码都会过期但记录习惯能帮你省掉无数后悔药。希望帮到你。本文还有配套的精品资源点击获取
