conjunct/rps_raw

该数据集包含图像数据，主要特征包括raw（原始图像）、label（标签，包括paper、rock、scissors和none四种类别）、image（处理后的图像）和src（数据来源，包括original、kaggle和blank三种类别）。数据集分为训练集和测试集，训练集包含9170个样本，测试集包含2035个样本。数据集的下载大小为2508006602字节，数据集大小为2411102579.21字节。

原始信息汇总

数据集概述

数据集特征

• raw: 图像数据类型
• label: 分类标签，包含以下类别：
  • 0: paper
  • 1: rock
  • 2: scissors
  • 3: none
• image: 图像数据类型
• src: 数据来源分类，包含以下类别：
  • 0: original
  • 1: kaggle
  • 2: blank

数据集划分

• train: 训练集，包含9170个样本，总大小为1909229013.5字节
• test: 测试集，包含2035个样本，总大小为501873565.71字节

数据集大小

• 下载大小: 2508006602字节
• 数据集总大小: 2411102579.21字节

数据文件配置

• config_name: default
• data_files:
  • split: train, path: data/train-*
  • split: test, path: data/test-*

搜集汇总

数据集介绍

构建方式

在计算机视觉与手势识别领域，conjunct/rps_raw数据集通过系统化采集与标注流程构建而成。该数据集整合了来自原始采集与Kaggle平台的多源图像，涵盖“石头”、“剪刀”、“布”及“无手势”四类标签，并包含标注图像与手部关键点坐标。构建过程中，数据经过标准化处理，划分为训练集与测试集，确保样本分布的均衡性与评估的可靠性。

特点

该数据集以图像为核心，每张图像均附有精细的类别标签与来源标识，同时提供手部关键点序列数据，支持姿态分析与特征提取。其多源特性增强了数据的多样性，而标注图像与关键点信息则为模型训练提供了丰富的监督信号。数据规模适中，结构清晰，适用于手势分类与检测任务的基准研究。

使用方法

研究者可通过HuggingFace平台直接加载该数据集，利用其预定义的训练与测试分割进行模型开发。图像数据可直接输入卷积神经网络进行特征学习，而关键点信息可用于辅助训练或评估姿态估计模型。数据集的标准化格式便于与主流深度学习框架集成，支持端到端的实验流程。

背景与挑战

背景概述

在计算机视觉与手势识别领域，手势交互作为人机交互的重要分支，长期受到学术界与工业界的广泛关注。conjunct/rps_raw数据集由相关研究团队构建，旨在为“石头-剪刀-布”这一经典手势的识别任务提供高质量的图像数据支持。该数据集不仅包含了原始手势图像，还整合了来自Kaggle平台的数据以及标注信息，通过精细的标签划分（如paper、rock、scissors、none）和特征标注（如landmarks），为手势分类模型的训练与评估奠定了坚实基础。其创建推动了手势识别技术在游戏控制、无障碍交互等应用场景中的发展，提升了模型在真实环境下的鲁棒性与泛化能力。

当前挑战

该数据集致力于解决手势识别中的核心挑战，即如何在复杂背景下准确区分细微的手部姿态变化，尤其是“石头”、“剪刀”、“布”这类形态相似的手势类别。构建过程中，研究人员面临数据采集的多样性难题，需整合多来源图像（如original与kaggle），并确保标注的一致性；同时，手部关键点标注（landmarks）的精确提取对算法提出了较高要求，涉及遮挡、光照变化等干扰因素的克服。此外，数据集中包含的“none”类别增加了识别任务的复杂性，要求模型具备区分手势与非手势场景的能力，这对模型的判别力与泛化性能构成了显著考验。

常用场景

经典使用场景

在计算机视觉与手势识别领域，conjunct/rps_raw数据集以其丰富的图像标注和类别划分，为手势分类模型的训练与评估提供了经典范例。该数据集聚焦于“石头-剪刀-布”这一日常手势游戏，通过包含原始图像、标注图像及关键点坐标等多模态特征，支持研究者构建端到端的分类系统。其训练集与测试集的明确划分，使得模型能够在标准化环境下验证泛化能力，成为手势识别入门及基准测试的常用资源。

实际应用

在实际应用中，conjunct/rps_raw数据集支撑了智能交互系统的开发，如体感游戏控制、无障碍人机接口及教育娱乐工具。基于该数据集训练的模型可嵌入移动设备或嵌入式系统，实现实时手势命令识别，提升用户体验。在工业自动化中，类似技术也可用于手势操控机械臂或安全监控，其简洁的类别设计降低了部署复杂度，为低成本手势解决方案提供了数据支持。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，包括基于卷积神经网络的手势分类器优化、关键点检测与手势动态分析相结合的混合模型。部分研究利用其多源特性探索领域自适应方法，以提升模型在跨环境下的鲁棒性。此外，该数据集常作为基准参与手势识别竞赛，激励了数据高效学习及实时推理算法的创新，为后续更复杂手势数据集的构建提供了方法论参考。