参赛项目名称
PalmSpeech 掌语——Apple Silicon 完全离线实时手语识别与语音播报系统
团队 / 作者
DevX
我做了什么
我使用 OpenWork / 百炼 CLI、Qwen3-Coder-Plus 和自定义 Skill hand-sign-offline-deployer，完成了一套面向 Apple Silicon Mac 的完全离线实时手语识别系统。
开发过程中，我将手部关键点数据重新整理为连续动作序列，构建了“MediaPipe 手部关键点提取 + 16 帧双向 GRU 时序建模 + 注意力分类”的识别流程。系统目前可以识别 100 个孤立手语词动作，并将结果实时转换为中文语义，同时显示置信度、历史识别结果，并调用 macOS 本地语音进行播报。
系统支持电脑内置摄像头和 ESP32 网络摄像头两种输入方式。针对网络视频延迟，我设计了后台接收、仅保留最新帧、JPEG 完整性检查和断线自动重连机制。最终将模型、Python 运行环境及全部依赖封装成 Apple Silicon 离线程序。用户无需安装 Python 或配置开发环境，双击即可运行，摄像头画面也不会上传云端。
使用的工具
- OpenWork / 百炼 CLI
- 百炼能力 / 模型：Qwen3-Coder-Plus
- Skill 名称：
hand-sign-offline-deployer - 其他：Python、PyTorch、MediaPipe、OpenCV、BiGRU、WebSocket、ESP32-CAM、PyInstaller、macOS 本地语音引擎
效果展示
项目目前支持 100 个孤立手语词动作的实时识别，包括“帮助、需要、是、不、喝、吃、工作、学习、医生、家庭”等常用语义。
当前模型效果：
- 输入时序窗口：16 帧
- 识别类别：100 类
- 验证集 Top-1 准确率：77.2%
- 验证集 Top-5 准确率：91.5%
- 模型大小：约 2.3 MB
- 支持中文语义和置信度实时显示
- 支持最近识别结果记录
- 支持中文语音播报
- 支持电脑内置摄像头和 ESP32 网络摄像头
- 支持 Apple M1、M2、M3、M4 系列芯片
- 整个识别过程完全离线运行
项目附带“帮助、需要、是、不、喝、吃”6 个独立动作演示视频和 1 个动作合集视频，可用于展示模型的动作类别与时序识别效果。
项目链接
https://sign.orionsheep.com/
踩坑记录
首先，单帧分类无法准确描述手语动作的运动过程。部分动作的静态手形很相似，只有结合运动方向和前后变化才能区分。因此，我将关键点数据重建为连续 16 帧序列，并使用双向 GRU 和注意力机制提取时序特征。
其次，不同用户的手部大小、位置和拍摄距离存在差异。我在原始关键点坐标之外加入了腕部相对坐标、手掌尺度归一化坐标，以及 21 个关键点之间的两两距离，使模型更加关注手形结构和动作本身。
实时识别还容易出现结果抖动和重复播报。为此，我加入连续窗口概率平均、置信度阈值、稳定类别计数和动作结束后重新激活机制。只有识别结果连续稳定后，系统才会确认和播报。
ESP32 摄像头的传输速度和电脑推理速度不完全一致，逐帧排队会导致延迟不断增加。我使用独立线程接收视频，并始终只保留最新画面，同时增加消息大小限制、JPEG 完整性检查和断线自动重连。
最后，Apple Silicon 离线部署需要完整打包 PyTorch、MediaPipe、OpenCV 及相关动态库。我将模型、运行时和依赖封装到独立程序中，并制作了内置摄像头、网络摄像头和首次运行解锁脚本，让没有 Python 环境的用户也能直接使用。
参赛项目名称
PalmSpeech 掌语——Apple Silicon 完全离线实时手语识别与语音播报系统
团队 / 作者
DevX
我做了什么
我使用 OpenWork / 百炼 CLI、Qwen3-Coder-Plus 和自定义 Skill
hand-sign-offline-deployer，完成了一套面向 Apple Silicon Mac 的完全离线实时手语识别系统。开发过程中，我将手部关键点数据重新整理为连续动作序列，构建了“MediaPipe 手部关键点提取 + 16 帧双向 GRU 时序建模 + 注意力分类”的识别流程。系统目前可以识别 100 个孤立手语词动作，并将结果实时转换为中文语义，同时显示置信度、历史识别结果，并调用 macOS 本地语音进行播报。
系统支持电脑内置摄像头和 ESP32 网络摄像头两种输入方式。针对网络视频延迟，我设计了后台接收、仅保留最新帧、JPEG 完整性检查和断线自动重连机制。最终将模型、Python 运行环境及全部依赖封装成 Apple Silicon 离线程序。用户无需安装 Python 或配置开发环境，双击即可运行，摄像头画面也不会上传云端。
使用的工具
hand-sign-offline-deployer效果展示
项目目前支持 100 个孤立手语词动作的实时识别，包括“帮助、需要、是、不、喝、吃、工作、学习、医生、家庭”等常用语义。
当前模型效果：
项目附带“帮助、需要、是、不、喝、吃”6 个独立动作演示视频和 1 个动作合集视频，可用于展示模型的动作类别与时序识别效果。
项目链接
https://sign.orionsheep.com/
踩坑记录
首先，单帧分类无法准确描述手语动作的运动过程。部分动作的静态手形很相似，只有结合运动方向和前后变化才能区分。因此，我将关键点数据重建为连续 16 帧序列，并使用双向 GRU 和注意力机制提取时序特征。
其次，不同用户的手部大小、位置和拍摄距离存在差异。我在原始关键点坐标之外加入了腕部相对坐标、手掌尺度归一化坐标，以及 21 个关键点之间的两两距离，使模型更加关注手形结构和动作本身。
实时识别还容易出现结果抖动和重复播报。为此，我加入连续窗口概率平均、置信度阈值、稳定类别计数和动作结束后重新激活机制。只有识别结果连续稳定后，系统才会确认和播报。
ESP32 摄像头的传输速度和电脑推理速度不完全一致，逐帧排队会导致延迟不断增加。我使用独立线程接收视频，并始终只保留最新画面，同时增加消息大小限制、JPEG 完整性检查和断线自动重连。
最后，Apple Silicon 离线部署需要完整打包 PyTorch、MediaPipe、OpenCV 及相关动态库。我将模型、运行时和依赖封装到独立程序中，并制作了内置摄像头、网络摄像头和首次运行解锁脚本，让没有 Python 环境的用户也能直接使用。