Détection Main

Analyse précise de votre main avec identification gauche/droite

• ✅ 21 points clés détectés
• ✅ Identification GAUCHE / DROITE (Français, Anglais, Arabe)
• ✅ Score de confiance en temps réel (0-100%)
• ✅ Visualisation des connexions entre les points

Compteur de Doigts

Comptage précis des doigts avec métriques MediaPipe

• ✅ Comptage précis des doigts ouverts (0 à 5)
• ✅ Score de confiance de la détection
• ✅ 21 points clés visualisés
• ✅ Interface technique et épurée

// Créer la détection
const hands = new Hands({
    locateFile: (file) => `https://cdn.jsdelivr.net/npm/@mediapipe/hands/${file}`
});

hands.setOptions({
    maxNumHands: 1,
    modelComplexity: 1,
    minDetectionConfidence: 0.5,
    minTrackingConfidence: 0.5
});

// Traitement des résultats
hands.onResults((results) => {
    if (results.multiHandLandmarks) {
        const landmarks = results.multiHandLandmarks[0];
        const handedness = results.multiHandedness[0].label;
        const score = results.multiHandedness[0].score * 100;
        
        console.log(`Main ${handedness} détectée avec ${score}% de confiance`);
        
        // Dessiner les 21 points et connexions
        // (à implémenter avec canvas)
    }
});

// Lancer la caméra
const video = document.getElementById('video');
const stream = await navigator.mediaDevices.getUserMedia({ video: true });
video.srcObject = stream;
await video.play();

// Boucle de détection
async function detect() {
    await hands.send({ image: video });
    requestAnimationFrame(detect);
}
detect();

import cv2
import mediapipe as mp

# Initialisation
mp_hands = mp.solutions.hands
mp_drawing = mp.solutions.drawing_utils
hands = mp_hands.Hands(
    static_image_mode=False,
    max_num_hands=1,
    min_detection_confidence=0.5,
    min_tracking_confidence=0.5
)

# Capture vidéo
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    # Miroir horizontal
    frame = cv2.flip(frame, 1)
    rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    results = hands.process(rgb)
    
    if results.multi_hand_landmarks:
        for hand_landmarks, handedness in zip(results.multi_hand_landmarks, results.multi_handedness):
            # Récupérer le type de main
            hand_type = handedness.classification[0].label
            confidence = handedness.classification[0].score * 100
            
            # Dessiner les points et connexions
            mp_drawing.draw_landmarks(
                frame, 
                hand_landmarks, 
                mp_hands.HAND_CONNECTIONS
            )
            
            # Afficher les infos
            cv2.putText(
                frame, 
                f"{hand_type} : {confidence:.0f}%",
                (10, 30), 
                cv2.FONT_HERSHEY_SIMPLEX, 
                1, 
                (0, 255, 0), 
                2
            )
    
    cv2.imshow('Detection Main - MediaPipe', frame)
    
    # Quitter avec 'q'
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

🎓 Éducation et Formation

• Cours de langue des signes
• Anatomie interactive
• Formation chirurgicale

🎮 Jeux Vidéo et Divertissement

• Contrôle sans manette
• Réalité virtuelle (VR)
• Jeux de rythme

🏥 Santé et Rééducation

• Rééducation fonctionnelle
• Télémédecine
• Ergonomie

🏭 Industrie et Robotique

• Contrôle robotique
• Maintenance assistée
• Contrôle qualité

100% gratuit

Sans cloud

Cross‑platform

Temps réel

Score de confiance

Pourcentage indiquant la fiabilité de la détection. Plus le score est élevé, plus la main est clairement identifiée.

Points détectés

21 points clés sont analysés : le bout de chaque doigt, les articulations et la base du poignet.

Comptage des doigts

Analyse de l’angle et de la position de chaque doigt pour déterminer s’il est levé ou baissé.