YOLOv5的妙用：学习手语，帮助听力障碍群体

计算机视觉可以学习美式手语，进而帮助听力障碍群体吗？数据科学家 David Lee 用一个项目给出了答案。

如果听不到了，你会怎么办？如果只能用手语交流呢？

当对方无法理解你时，即使像订餐、讨论财务事项，甚至和朋友家人对话这样简单的事情也可能令你气馁。

对普通人而言轻轻松松的事情对于听障群体可能是很困难的，他们甚至还会遭到歧视。在很多场景下，他们无法获取合格的翻译服务，从而导致失业、社会隔绝和公共卫生问题。

为了让更多人听到听障群体的声音，数据科学家 David Lee 尝试利用数据科学项目来解决这一问题

计算机视觉可以学习美式手语，进而帮助听力障碍群体吗？

如果通过机器学习应用可以精确地翻译美式手语，即使从最基础的字母表开始，我们也能向着为听力障碍群体提供更多的便利和教育资源前进一步。

数据和项目介绍

出于多种原因，David Lee 决定创建一个原始图像数据集。，基于移动设备或摄像头设置想要的环境，需要的分辨率一般是 720p 或 1080p。现有的几个数据集分辨率较低，而且很多不包括字母「J」和「Z」，因为这两个字母需要一些动作才能完成。

为此，David Lee 在社交平台上发送了手语图像数据收集请求，介绍了这个项目和如何提交手语图像的说明，希望借此提高大家的认识并收集数据。

项目地址https://github./insigh1/GA_Data_Science_Capstone

数据变形和过采样

David Lee 为该项目收集了 720 张图片，其中还有几张是他自己的手部图像。由于这个数据集规模较小，于是 David 使用 labelImg 软件手动进行边界框标记，设置变换函数的概率以基于同一张图像创建多个实例，每个实例上的边界框有所不同。

下图展示了数据增强示例

经过数据增强后，该数据集的规模从 720 张图像扩展到 18,000 张图像。

建模

David 选择使用 YOLOv5 进行建模。将数据集中 90% 的图像用作训练数据，10% 的图像用作验证集。使用迁移学习和 YOLOv5m 预训练权重训练 300 个 epoch。

在验证集上成功创建具备标签和预测置信度的新边界框。

由于损失值并未出现增长，表明模型未过拟合，该模型或许可以训练更多轮次。

模型最终获得了 85.27% 的 mAP@.5:.95 分数。

图像推断测试

David 额外收集了他儿子的手部图像数据作为测试集。事实上，还没有儿童手部图像用于训练该模型。理想情况下，再多几张图像有助于展示模型的性能，但这只是个开始。

26 个字母中，有 4 个没有预测结果（分别是 G、H、J 和 Z）。

四个没有得到准确预测

D 被预测为 F；

E 被预测为 T；

P 被预测为 Q；

R 被预测为 U。

视频推断测试

&zj;即使只有几个手部图像用于训练，模型仍能在如此小的数据集上展现不错的性能，而且还能以一定的速度提供优秀的预测结果，这一结果表现出了很大的潜力。

更多数据有助于创建可在多种新环境中使用的模型。

如以上视频所示，即使字母有一部分出框了，模型仍能给出不错的预测结果。最令人惊讶的是，字母 J 和 Z 也得到了准确识别。

&zj;其他测试

David 还执行了其他一些测试，例如

左手手语测试

几乎所有原始图像都显示的是右手，但 David 惊喜地发现数据增强在这里起到了作用，因为有 50% 的可能性是针对左手用户进行水平翻转。

&zj;儿童手语测试

&zj;David 儿子的手语数据未被用于训练集，但模型对此仍有不错的预测。

&zj;多实例

&zj;尽管手语的使用和视频中有所不同，但这个示例表明当多个人出现在屏幕上时，模型可以分辨出不止一个手语实例。

模型局限性

David 发现，该模型还有一些地方有待改进。

距离

&zj;许多原始图像是用手机拍摄的，手到摄像头的距离比较近，这对远距离推断有一定负面影响。

新环境&zj;

&zj;这支视频来自于志愿者，未用于模型训练。尽管模型看到过很多字母，但对此的预测置信度较低，还有一些错误分类。

&zj;背景推断

该测试旨在验证不同的背景会影响模型的性能。

结论

这个项目表明计算机视觉可用于帮助听力障碍群体获取更多便利和教育资源！

该模型在仅使用小型数据集的情况下仍能取得不错的性能。即使对于不同环境中的不同手部，模型也能实现良好的检测结果。而且一些局限性是可以通过更多训练数据得到解决的。经过调整和数据集的扩大，该模型或许可以扩展到美式手语字母表以外的场景。

资源&zj;

Yolov5 GitHub 项目https://github./ultralytics/yolov5