/ Модель

Характеристики

Лицензия
MIT
Опубликована
30 сен 2026

asl-unified-webcam-yolo11n-mp

Поиск объектовИзображение → bounding_boxes

Компактный детектор YOLO11n распознаёт буквы ASL и цифры на кадрах веб-камеры для жестового управления и взаимодействия человека с роботами.

0скачиваний за 30 дней0лайковвеса обновлены30 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель ajdanoff/asl-unified-webcam-yolo11n-mp — детектор жестов американского жестового языка, разработанный для распознавания букв A–Z и цифр 0–9 на изображениях и видео с веб-камеры. Она основана на компактной архитектуре YOLO11n и дообучена на общедоступных наборах ASL и собственных кадрах с веб-камеры. Для разметки рамок использовались ориентиры рук MediaPipe; в обучающую выборку также включены фоновые кадры без жестов.

Модель принимает изображения размером 512×512 и выдаёт классы жестов с ограничивающими рамками. Она рассчитана на распознавание жестов в интерфейсах взаимодействия человека с роботом, в частности для преобразования последовательностей символов в команды мобильному рою роботов. В README приведены высокие метрики на валидационной выборке, однако переносить их напрямую на другие условия съёмки не следует.

Модель распространяется под лицензией MIT. Она оптимизирована для типичных ракурсов и фонов веб-камеры; качество может снижаться при использовании других камер и окружений. Явно описано распознавание одной руки, а для некоторых классов, включая U, отмечен более низкий recall. Модель не оценивалась для задач, критичных к безопасности.

Сценарии применения

  • распознавание букв американского жестового языка на видео с веб-камеры
  • распознавание цифр ASL по изображению руки
  • преобразование жестов в команды мобильному рою роботов
  • создание прототипа жестового интерфейса для робототехнического проекта

Ограничения

Модель оптимизирована для веб-камерных ракурсов и фонов, явно рассчитана на обнаружение одной руки, а для некоторых классов, например U, отмечен более низкий recall. Она не оценивалась для задач, критичных к безопасности.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ASL Unified Webcam Gesture Detector (YOLO11n, MediaPipe boxes)

This model detects American Sign Language (ASL) alphabet gestures (A–Z) and digits (0–9) in webcam video and images. It is fine-tuned with real webcam data and background frames to work robustly in real-world human–robot interaction scenarios, such as commanding a mobile robot swarm.

Model details

  • Architecture: YOLO11n (Ultralytics)
  • Input size: 512×512
  • Classes (36):
    • Digits: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9
    • Letters: A, B, C, D, E, F, G, H, I, J, K, L, M, N, O, P, Q, R, S, T, U, V, W, X, Y, Z
  • Training framework: Ultralytics YOLO
  • Box generation: MediaPipe HandLandmarker-based bounding boxes
  • Special focus: Webcam domain, with explicit background (no-gesture) images to reduce false positives.

Dataset

The model is trained on a unified YOLO-format dataset combining:

  1. Public ASL datasets from Kaggle:
  2. Custom webcam data:
    • Background frames (no hands, typical room/robot setup).
    • Gesture frames for digits 0–9 and letters A, B, F, L, R, U, D, E, C, T, S, P.

All images were converted to YOLO detection format with MediaPipe-based bounding boxes and a unified 36-class mapping. Background images are included without labels to teach the model “no gesture” regions.

See dataset_info.md for details on the structure and conversion.

Metrics

Validation metrics (val split, 2,620 instances, 36 classes):

  • Precision: 0.951
  • Recall: 0.958
  • mAP50: 0.982
  • mAP50–95: 0.932

Key command classes

These classes are particularly important for robot-swarm control:

ClassPrecisionRecallmAP50mAP50–95
A (stop)0.9870.9910.9950.976
B (back)0.9951.0000.9950.983
F (forward)0.9870.9910.9880.982
L (left)0.9900.9910.9930.971
R (right)0.9540.9490.9780.948
U (up)0.9010.7390.9270.840
D (down)0.9800.9830.9940.956
P (period)0.9230.8990.9770.941
0–9 (digits)≥0.926≥0.918≥0.943≥0.884

Full per-class metrics are available in the training logs.

Usage

With Ultralytics (PyTorch)

from ultralytics import YOLO
import cv2

model = YOLO("asl_unified_webcam_yolo11n_mp_best.pt")

cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if not ret:
        break
    results = model(frame, conf=0.75, iou=0.45, verbose=False)
    boxes = results.boxes
    if len(boxes) > 0:
        cls = int(boxes.cls)
        conf = float(boxes.conf)
        symbol = model.names[cls]
        print(f"Detected: {symbol} (conf={conf:.2f})")
    cv2.imshow("frame", frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

With the gesture_swarm package

from gesture_swarm.detector import GestureDetector

detector = GestureDetector(
    "asl_unified_webcam_yolo11n_mp_best.pt",
    conf_thresh=0.75,
)

# frame: OpenCV BGR image from webcam
symbol = detector.detect_from_frame(frame)
if symbol is not None:
    print("Detected symbol:", symbol)

Symbols can be accumulated into sequences (e.g. S 1 9 2 P 1 6 8 P 1 P 4 2) and parsed into structured swarm commands (subscribe, task, converge, motion).

Intended use

  • Real-time gesture recognition from a standard webcam for human–robot interaction.
  • Mapping ASL letters and digits to commands for a mobile robot swarm.
  • Prototyping gesture-based interfaces in research, education, and robotics projects.

Limitations

  • Optimized for webcam-like viewpoints and backgrounds; performance may differ on very different cameras or environments.
  • Single-hand detection; multi-hand scenarios are not explicitly modeled.
  • Some classes (e.g., U) have lower recall; consider adding more varied samples if “up” is critical in your setup.
  • Not evaluated for safety-critical applications.

How to cite

If you use this model in a paper, project report, or demo, please cite it as:

@misc{jdanoff2026aslunifiedwebcamyolo11nmp,
  author       = {Alexander Jdanoff},
  title        = {{ASL Unified Webcam Gesture Detector (YOLO11n, MediaPipe boxes)}},
  year         = {2026},
  howpublished = {\url{[https://huggingface.co/ajdanoff/asl-unified-webcam-yolo11n-mp](https://huggingface.co/ajdanoff/asl-unified-webcam-yolo11n-mp)}},
  note         = {YOLO11n model for ASL alphabet (A–Z) and digits (0–9) gesture detection, fine-tuned with real webcam data and background frames.}
}

In text, you can refer to it as:

“We use the ASL Unified Webcam Gesture Detector (YOLO11n, MediaPipe boxes) [Jdanoff, 2026], available at https://huggingface.co/ajdanoff/asl-unified-webcam-yolo11n-mp.”

License & acknowledgements

Model weights and code: MIT License (see LICENSE).
Datasets: see the original Kaggle dataset licenses and attribution requirements.

This project uses:

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
d3d43f8

0 моделей