ابدأ

مجموعة بيانات اكتشاف التوقيعات

مجموعة بيانات اكتشاف التوقيعات من Ultralytics هي مجموعة لاكتشاف الكائنات، تضم 178 صورة مستندات مشروحة بفئة واحدة هي signature، ومقسمة مسبقًا إلى 143 صورة للتدريب و35 صورة للتحقق. تُنزّل مجموعة البيانات تلقائيًا (11.3 MB) عند أول تدريب، ما يجعلها نقطة انطلاق صغيرة الحجم لتطبيقات الرؤية الحاسوبية مثل التحقق من المستندات واكتشاف الاحتيال ومعالجة المستندات الرقمية.

بنية مجموعة البيانات#

تحتوي مجموعة البيانات على 178 صورة لأنواع مختلفة من المستندات تتضمن توقيعات مكتوبة بخط اليد، وهي مقسمة إلى مجموعتين فرعيتين:

المجموعة الفرعيةالصورالوصف
التدريب143صور ذات تسميات لتدريب النموذج
التحقق35صور محجوبة من أجل التقييم

تتضمن كل صورة تعليقات توضيحية للصناديق المحيطة لفئة واحدة، signature، ولا يحدد الإعداد مجموعة اختبار منفصلة.

التنزيل التلقائي

تُنزّل مجموعة بيانات اكتشاف التوقيعات (11.3 MB) تلقائيًا من أصول Ultralytics على GitHub عند أول تدريب، لذا لا حاجة إلى تنزيلها أو تجهيزها يدويًا.

استكشف Signature على منصة Ultralytics لتصفح الصور مع طبقات التعليقات التوضيحية، والاطلاع على توزيع الفئات وخرائط الكثافة للصناديق المحيطة في علامة التبويب Charts، واستنساخ المجموعة لتدريب نموذجك في السحابة.

التطبيقات#

يمكن لنموذج مدرّب على مجموعة البيانات هذه تحديد التوقيعات وتتبعها في المستندات الممسوحة ضوئيًا ومقاطع الفيديو، ما يدعم:

  • التحقق من المستندات: أتمتة فحص التوقيعات في المستندات القانونية والمالية
  • اكتشاف الاحتيال: تحديد التوقيعات التي يُحتمل أن تكون مزورة أو غير مصرح بها
  • معالجة المستندات الرقمية: تبسيط سير العمل في القطاعات الإدارية والقانونية
  • المصارف والتمويل: تعزيز الأمان في معالجة الشيكات والتحقق من مستندات القروض
  • الأبحاث الأرشيفية: دعم تحليل المستندات التاريخية وفهرستها
  • التعليم والأبحاث: دراسة خصائص التوقيعات عبر أنواع المستندات ضمن مقررات الرؤية الحاسوبية

ملف YAML لمجموعة البيانات#

يحدد الملف signature.yaml إعداد مجموعة البيانات — مسارات مجموعة البيانات وأسماء الفئات والبيانات الوصفية الأخرى. وتتم صيانته في مستودع Ultralytics على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/signature.yaml.

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.zip

الاستخدام#

لتدريب نموذج YOLO26n على مجموعة بيانات اكتشاف التوقيعات لمدة 100 حقبة وبحجم صورة 640، استخدم عينات التعليمات البرمجية المتوفرة.

مثال على التدريب
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج⁩
results = model.train(data="signature.yaml", epochs=100, imgsz=640)

بعد التدريب، يمكنك إجراء الاستدلال على المستندات أو مقاطع الفيديو باستخدام النموذج المضبوط بدقة. يشغّل المثال أدناه التنبؤ على مقطع فيديو نموذجي باستخدام عتبة ثقة قدرها 0.75:

مثال على الاستدلال
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("path/to/best.pt")  # ⁨حمّل نموذجًا مضبوطًا بدقة لاكتشاف التوقيعات⁩

# ⁨الاستدلال باستخدام النموذج⁩
results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)

صور وتعليقات توضيحية نموذجية#

تغطي مجموعة البيانات مجموعة متنوعة من تنسيقات المستندات، ما يساعد النماذج المدرّبة على التعميم عبر العقود والنماذج والرسائل. فيما يلي دفعة تدريب من مجموعة البيانات:

دفعة تدريب مركبة بالفسيفساء من مجموعة بيانات اكتشاف التوقيعات، وتضم وثائق مشروحة

  • صورة مركبة بالفسيفساء: تجمع دفعة التدريب هذه صورًا متعددة من مجموعة البيانات باستخدام تركيب الفسيفساء، وهي تقنية تدريب تعزز تنوع الدفعة وتساعد النموذج على التعميم على أحجام التوقيعات ونسب أبعادها وسياقاتها المختلفة.

الاستشهادات والشكر والتقدير#

أُتيحت مجموعة البيانات بموجب ترخيص AGPL-3.0.

إذا استخدمت مجموعة بيانات اكتشاف التوقيعات في أبحاثك أو أعمال التطوير، فيُرجى الاستشهاد بها على النحو المناسب:

الاستشهاد
@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 مجموعة من 178 صورة لوثائق مشروحة، لتدريب نماذج اكتشاف التوقيعات المكتوبة بخط اليد. وهي تدعم التحقق من الوثائق واكتشاف الاحتيال والبحوث الأرشيفية، كما توفر أساسًا عمليًا لبناء أنظمة تحليل الوثائق الذكي باستخدام التعلم الآلي.

  • تُنزّل مجموعة البيانات تلقائيًا (11.3 MB) من أصول Ultralytics على GitHub عند التدريب لأول مرة باستخدام data="signature.yaml"، ولا يلزم تنزيلها يدويًا. لاستكشاف مجموعات بيانات أخرى، تصفّح نظرة عامة على مجموعات بيانات الكشف.

  • تضم مجموعة بيانات اكتشاف التوقيعات 143 صورة للتدريب و35 صورة للتحقق، أي 178 صورة إجمالًا، وكل صورة مشروحة بفئة واحدة هي signature. ولا توجد مجموعة اختبار منفصلة. راجع قسم بنية مجموعة البيانات وتهيئة signature.yaml للاطلاع على التفاصيل.

  • يمكنك تدريب نموذج YOLO26n لمدة 100 حقبة بحجم صورة 640 باستخدام Python أو CLI:

    مثال على التدريب
    from ultralytics import YOLO
    
    # ⁨تحميل نموذج مدرَّب مسبقًا⁩
    model = YOLO("yolo26n.pt")
    
    # ⁨تدريب النموذج⁩
    results = model.train(data="signature.yaml", epochs=100, imgsz=640)

    لمزيد من التفاصيل، راجع صفحة التدريب ونصائح تدريب النماذج.

  • حمّل الأوزان المضبوطة بدقة ونفّذ التنبؤ:

    مثال على الاستدلال
    from ultralytics import YOLO
    
    # ⁨حمّل النموذج المضبوط بدقة⁩
    model = YOLO("path/to/best.pt")
    
    # ⁨نفّذ الاستدلال⁩
    results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)
  • صدرت مجموعة البيانات بموجب ترخيص AGPL-3.0، الذي يسمح بالاستخدام التجاري شريطة إتاحة الأعمال المشتقة — بما فيها البرمجيات المقدمة عبر الشبكة — بموجب الترخيص نفسه. للاطلاع على خيارات الترخيص التي تزيل متطلبات المصدر المفتوح، راجع ترخيص Ultralytics.

التعليقات2

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. Haroon Aziz

    Thank you for providing the free dataset. I am interested in contributing to this platform by creating a dataset for briquette texture classification.

    1. Glenn JocherUltralytics

      Thanks for your interest! Please share the proposed classes, image counts, data source, and sample images in this discussion, then follow the dataset contribution guide to prepare the briquette texture classification dataset and submit a focused documentation PR.