Python ジェスチャー認識ガイド

MediaPipe ジェスチャー認識タスクを使用すると、リアルタイムで手のジェスチャーを認識し、認識された手のジェスチャーの結果と検出された手のランドマークを提供します。ここでは、Python アプリでジェスチャー認識を使用する方法について説明します。

このタスクの動作を確認するには、ウェブデモをご覧ください。このタスクの機能、モデル、構成オプションの詳細については、概要をご覧ください。

サンプルコード

参考までに、ジェスチャー認識ツールのサンプルコードには、このタスクの完全な実装が Python で用意されています。このコードを使用すると、このタスクをテストし、独自の手のジェスチャー認識ツールの作成を開始できます。ウェブブラウザだけで、ジェスチャー認識機能のサンプルコードを表示、実行、編集できます。

Raspberry Pi 用のジェスチャー認識機能を実装する場合は、Raspberry Pi サンプルアプリをご覧ください。

セットアップ

このセクションでは、ジェスチャー認識ツールを使用するための開発環境とコード プロジェクトのセットアップの主な手順について説明します。プラットフォームのバージョン要件など、MediaPipe タスクを使用するための開発環境の設定に関する一般的な情報については、Python の設定ガイドをご覧ください。

パッケージ

MediaPipe ジェスチャー認識タスクには mediapipe PyPI パッケージが必要です。これらの依存関係は、次のコマンドでインストールしてインポートできます。

$ python -m pip install mediapipe

インポート

ジェスチャー認識タスク関数にアクセスするには、次のクラスをインポートします。

import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision

モデル

MediaPipe ジェスチャー認識タスクには、このタスクと互換性のあるトレーニング済みモデルバンドルが必要です。ジェスチャー認識ツールで利用可能なトレーニング済みモデルの詳細については、タスクの概要のモデル セクションをご覧ください。

モデルを選択してダウンロードし、ローカル ディレクトリに保存します。

model_path = '/absolute/path/to/gesture_recognizer.task'

次のように、[モデル名] パラメータ内にモデルのパスを指定します。

base_options = BaseOptions(model_asset_path=model_path)

タスクを作成する

MediaPipe のジェスチャー認識タスクは、create_from_options 関数を使用してタスクをセットアップします。create_from_options 関数は、処理する構成オプションの値を受け入れます。構成オプションの詳細については、構成オプションをご覧ください。

次のコードは、このタスクをビルドして構成する方法を示しています。

これらのサンプルは、画像、動画ファイル、ライブ動画ストリームのタスク構成のバリエーションも示しています。

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
GestureRecognizer = mp.tasks.vision.GestureRecognizer
GestureRecognizerOptions = mp.tasks.vision.GestureRecognizerOptions
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a gesture recognizer instance with the image mode:
options = GestureRecognizerOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.task'),
    running_mode=VisionRunningMode.IMAGE)
with GestureRecognizer.create_from_options(options) as recognizer:
  # The detector is initialized. Use it here.
  # ...
    

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
GestureRecognizer = mp.tasks.vision.GestureRecognizer
GestureRecognizerOptions = mp.tasks.vision.GestureRecognizerOptions
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a gesture recognizer instance with the video mode:
options = GestureRecognizerOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.task'),
    running_mode=VisionRunningMode.VIDEO)
with GestureRecognizer.create_from_options(options) as recognizer:
  # The detector is initialized. Use it here.
  # ...
    

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
GestureRecognizer = mp.tasks.vision.GestureRecognizer
GestureRecognizerOptions = mp.tasks.vision.GestureRecognizerOptions
GestureRecognizerResult = mp.tasks.vision.GestureRecognizerResult
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a gesture recognizer instance with the live stream mode:
def print_result(result: GestureRecognizerResult, output_image: mp.Image, timestamp_ms: int):
    print('gesture recognition result: {}'.format(result))

options = GestureRecognizerOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.task'),
    running_mode=VisionRunningMode.LIVE_STREAM,
    result_callback=print_result)
with GestureRecognizer.create_from_options(options) as recognizer:
  # The detector is initialized. Use it here.
  # ...
    

構成オプション

このタスクには、Python アプリケーション用に次の構成オプションがあります。

データの準備

入力を画像ファイルまたは numpy 配列として準備し、mediapipe.Image オブジェクトに変換します。入力が動画ファイルまたはウェブカメラのライブ ストリームの場合は、OpenCV などの外部ライブラリを使用して、入力フレームを numpy 配列として読み込むことができます。

import mediapipe as mp

# Load the input image from an image file.
mp_image = mp.Image.create_from_file('/path/to/image')

# Load the input image from a numpy array.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_image)
    

import mediapipe as mp

# Use OpenCV’s VideoCapture to load the input video.

# Load the frame rate of the video using OpenCV’s CV_CAP_PROP_FPS
# You’ll need it to calculate the timestamp for each frame.

# Loop through each frame in the video using VideoCapture#read()

# Convert the frame received from OpenCV to a MediaPipe’s Image object.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_frame_from_opencv)
    

import mediapipe as mp

# Use OpenCV’s VideoCapture to start capturing from the webcam.

# Create a loop to read the latest frame from the camera using VideoCapture#read()

# Convert the frame received from OpenCV to a MediaPipe’s Image object.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_frame_from_opencv)
    

タスクを実行する

ジェスチャー認識ツールでは、Recognize、recall_for_video、Recognize_async 関数を使用して、推論をトリガーします。ジェスチャー認識では、入力データの前処理、画像内の手の検出、手のランドマークの検出、ランドマークからの手のジェスチャーの認識などを行います。

次のコードは、タスクモデルを使用して処理を実行する方法を示しています。

# Perform gesture recognition on the provided single image.
# The gesture recognizer must be created with the image mode.
gesture_recognition_result = recognizer.recognize(mp_image)
    

# Perform gesture recognition on the provided single image.
# The gesture recognizer must be created with the video mode.
gesture_recognition_result = recognizer.recognize_for_video(mp_image, frame_timestamp_ms)
    

# Send live image data to perform gesture recognition.
# The results are accessible via the `result_callback` provided in
# the `GestureRecognizerOptions` object.
# The gesture recognizer must be created with the live stream mode.
recognizer.recognize_async(mp_image, frame_timestamp_ms)
    

次の点にご留意ください。

• 動画モードまたはライブ ストリーム モードで実行する場合は、入力フレームのタイムスタンプもジェスチャー認識タスクに提供する必要があります。
• 画像モデルまたは動画モデルで実行されている場合、ジェスチャー認識タスクは入力画像または入力フレームの処理を完了するまで現在のスレッドをブロックします。
• ライブ ストリーム モードで実行されている場合、ジェスチャー認識タスクは現在のスレッドをブロックせず、すぐに結果を返します。入力フレームの処理を完了するたびに、認識結果を使用して結果リスナーを呼び出します。ジェスチャー認識タスクが別のフレームの処理でビジー状態のときに認識関数が呼び出された場合、タスクは新しい入力フレームを無視します。

画像に対してジェスチャー認識ツールを実行する詳細な例については、コードサンプルをご覧ください。

結果を処理して表示する

ジェスチャー認識ツールは、認識を実行するたびにジェスチャー検出結果オブジェクトを生成します。結果オブジェクトには、画像座標の手のランドマーク、世界座標の手のランドマーク、利き手（左手と右手）、検出された手のジェスチャーのカテゴリが含まれます。

このタスクからの出力データの例を次に示します。

結果として得られる GestureRecognizerResult には 4 つのコンポーネントが含まれ、各コンポーネントは配列です。各要素には、検出された 1 つの手の検出結果が含まれます。

• 利き手

  利き手は、検出された手が左手か右手かを表します。

• 操作

  検出された手の認識されるジェスチャー カテゴリ。

• ランドマーク

  21 個の手のランドマークがあり、それぞれ x、y、z 座標で構成されています。x 座標と y 座標は、それぞれ画像の幅と高さによって [0.0, 1.0] に正規化されます。z 座標はランドマークの深さを表し、手首の深度を原点とします。値が小さいほど、ランドマークがカメラに近くなります。z の大きさは、x とほぼ同じスケールを使用します。

• 世界の名所

  21 の手のランドマークも世界座標で表示されます。各ランドマークは x、y、z で構成され、手の幾何学的中心を原点とする実際の 3D 座標をメートル単位で表します。

GestureRecognizerResult:
  Handedness:
    Categories #0:
      index        : 0
      score        : 0.98396
      categoryName : Left
  Gestures:
    Categories #0:
      score        : 0.76893
      categoryName : Thumb_Up
  Landmarks:
    Landmark #0:
      x            : 0.638852
      y            : 0.671197
      z            : -3.41E-7
    Landmark #1:
      x            : 0.634599
      y            : 0.536441
      z            : -0.06984
    ... (21 landmarks for a hand)
  WorldLandmarks:
    Landmark #0:
      x            : 0.067485
      y            : 0.031084
      z            : 0.055223
    Landmark #1:
      x            : 0.063209
      y            : -0.00382
      z            : 0.020920
    ... (21 world landmarks for a hand)

次の図は、タスク出力を可視化したものです。

ジェスチャー認識のサンプルコードは、タスクから返された認識結果を表示する方法を示しています。詳しくは、コードサンプルをご覧ください。