مجموعة بيانات اكتشاف التوقيعات#
مجموعة بيانات اكتشاف التوقيعات من Ultralytics هي مجموعة بيانات لـاكتشاف الكائنات تتضمن 178 صورة مستندات مشروحة بفئة واحدة هي signature، ومقسمة مسبقًا إلى 143 صورة للتدريب و35 صورة للتحقق. تُنزَّل مجموعة البيانات تلقائيًا (11.3 MB) في المرة الأولى التي تُجري فيها التدريب، مما يجعلها نقطة بداية مدمجة لتطبيقات الرؤية الحاسوبية مثل التحقق من المستندات، واكتشاف الاحتيال، ومعالجة المستندات الرقمية.
بنية مجموعة البيانات#
تتضمن مجموعة البيانات 178 صورة لأنواع مختلفة من المستندات التي تحتوي على توقيعات مكتوبة بخط اليد، وهي مقسمة إلى مجموعتين فرعيتين:
| التقسيم | الصور | الوصف |
|---|---|---|
| التدريب | 143 | صور مشروحة لتدريب النموذج |
| التحقق | 35 | صور محجوزة لـالتقييم |
تحتوي كل صورة على شروح للمربعات المحيطة لفئة واحدة، هي signature، ولا يعرّف الإعداد تقسيمًا منفصلًا للاختبار.
تُنزَّل مجموعة بيانات اكتشاف التوقيعات (11.3 MB) تلقائيًا من أصول Ultralytics على GitHub في المرة الأولى التي تُجري فيها التدريب، لذا لا يلزم إجراء تنزيل أو إعداد يدوي.
استكشف Signature على منصة Ultralytics لتصفح الصور مع طبقات الشروح الخاصة بها، وعرض توزيع الفئات وخرائط كثافة المربعات المحيطة في علامة التبويب Charts، واستنساخها لتدريب نموذجك الخاص في السحابة.
التطبيقات#
يمكن لنموذج مُدرَّب على مجموعة البيانات هذه تحديد التوقيعات وتتبّعها في المستندات الممسوحة ضوئيًا ومقاطع الفيديو، بما يدعم ما يلي:
- التحقق من المستندات: أتمتة فحوصات التوقيعات في المستندات القانونية والمالية
- اكتشاف الاحتيال: تحديد التوقيعات المحتمل تزويرها أو غير المصرح بها
- معالجة المستندات الرقمية: تبسيط سير العمل في القطاعين الإداري والقانوني
- المصارف والتمويل: تعزيز الأمان في معالجة الشيكات والتحقق من مستندات القروض
- البحث الأرشيفي: دعم تحليل المستندات التاريخية وفهرستها
- التعليم والبحث: دراسة خصائص التوقيعات عبر أنواع المستندات في مقررات الرؤية الحاسوبية
YAML مجموعة البيانات#
يعرّف ملف signature.yaml إعداد مجموعة البيانات — مسارات مجموعة البيانات، وأسماء الفئات، وبيانات التعريف الأخرى. ويُصان هذا الملف في مستودع Ultralytics على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/signature.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Signature dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/signature
# Example usage: yolo train data=signature.yaml
# parent
# ├── ultralytics
# └── datasets
# └── signature ← downloads here (11.3 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: signature # dataset root dir
train: images/train # train images (relative to 'path') 143 images
val: images/val # val images (relative to 'path') 35 images
# Classes
names:
0: signature
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/signature.zipالاستخدام#
لتدريب نموذج YOLO26n على مجموعة بيانات اكتشاف التوقيعات لمدة 100 حقبة وبحجم صورة يبلغ 640، استخدم أمثلة التعليمات البرمجية المتوفرة. للحصول على قائمة شاملة بالمعلمات المتاحة، راجع صفحة التدريب للنموذج.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="signature.yaml", epochs=100, imgsz=640)بعد التدريب، يمكنك إجراء الاستدلال على المستندات أو مقاطع الفيديو باستخدام النموذج مضبوطًا ضبطًا دقيقًا. يشغّل المثال أدناه التنبؤ على مقطع فيديو نموذجي بعتبة ثقة قدرها 0.75:
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/best.pt") # load a signature-detection fine-tuned model
# Inference using the model
results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)الصور والتعليقات التوضيحية النموذجية#
تغطي مجموعة البيانات مجموعة متنوعة من تنسيقات المستندات، مما يساعد النماذج المدرَّبة على التعميم عبر العقود والنماذج والرسائل. فيما يلي دفعة تدريب من مجموعة البيانات:
- الصورة الموزاييكية: نعرض هنا دفعة تدريب تتكون من صور موزاييكية من مجموعة البيانات. يجمع التوزيع الموزاييكي، وهو تقنية تدريب، عدة صور في صورة واحدة، مما يزيد تنوع الدفعة. وتساعد هذه الطريقة على تحسين قدرة النموذج على التعميم عبر أحجام التوقيعات ونسب أبعادها وسياقاتها المختلفة.
الاقتباسات والشكر والتقدير#
أُتيحت مجموعة البيانات بموجب ترخيص AGPL-3.0.
إذا استخدمت مجموعة بيانات اكتشاف التوقيعات في عملك البحثي أو التطويري، يُرجى الاستشهاد بها على النحو المناسب:
@dataset{Ultralytics_Signature_Detection_Dataset_2024,
author = {Ultralytics},
title = {Signature Detection Dataset},
year = {2024},
publisher = {Ultralytics},
url = {https://docs.ultralytics.com/datasets/detect/signature}
}الأسئلة الشائعة#
مجموعة بيانات اكتشاف التوقيعات هي مجموعة من 178 صورة مستندات مشروحة لتدريب النماذج على اكتشاف التوقيعات المكتوبة بخط اليد. وهي تدعم التحقق من المستندات، واكتشاف الاحتيال، والبحث الأرشيفي، كما تُعد أساسًا عمليًا لبناء أنظمة تحليل المستندات الذكية باستخدام التعلم الآلي.
تُنزَّل مجموعة البيانات تلقائيًا (11.3 MB) من أصول Ultralytics على GitHub في المرة الأولى التي تُجري فيها التدريب باستخدام
data="signature.yaml"— ولا يلزم إجراء تنزيل يدوي. لاستكشاف مجموعات بيانات أخرى، تصفح نظرة عامة على مجموعات بيانات الاكتشاف.تتضمن مجموعة بيانات اكتشاف التوقيعات 143 صورة للتدريب و35 صورة للتحقق — أي 178 صورة إجمالًا — وكلها مشروحة بفئة واحدة هي
signature. ولا يوجد تقسيم منفصل للاختبار. راجع قسم بنية مجموعة البيانات وإعدادsignature.yamlللاطلاع على التفاصيل.يمكنك تدريب نموذج YOLO26n لمدة 100 حقبة وبحجم صورة يبلغ 640 باستخدام Python أو CLI:
مثال على التدريبfrom ultralytics import YOLO # Load a pretrained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="signature.yaml", epochs=100, imgsz=640)لمزيد من التفاصيل، راجع صفحة التدريب ونصائح تدريب النماذج.
حمّل أوزان النموذج المضبوطة ضبطًا دقيقًا وشغّل التنبؤ:
مثال على الاستدلالfrom ultralytics import YOLO # Load the fine-tuned model model = YOLO("path/to/best.pt") # Perform inference results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)تُصدر مجموعة البيانات بموجب رخصة AGPL-3.0، التي تسمح بالاستخدام التجاري شريطة إتاحة الأعمال المشتقة — بما في ذلك البرامج المقدمة عبر شبكة — بموجب الرخصة نفسها. للاطلاع على خيارات الترخيص التي تزيل متطلبات المصدر المفتوح، راجع ترخيص Ultralytics.