Link to this sectionDatensatz zur Signaturerkennung#

Dieser Datensatz konzentriert sich auf die Erkennung von handschriftlichen Signaturen in Dokumenten. Er enthält eine Vielzahl von Dokumententypen mit annotierten Signaturen und liefert wertvolle Einblicke für Anwendungen in der Dokumentenprüfung und Betrugserkennung. Dieser Datensatz ist für das Training von Computer Vision-Algorithmen unerlässlich und unterstützt die Identifizierung von Signaturen in verschiedenen Dokumentenformaten, was Forschung und praktische Anwendungen in der Dokumentenanalyse fördert.

Link to this sectionDatensatzstruktur#

Der Datensatz zur Signaturerkennung ist in zwei Teilmengen unterteilt:

Trainingsmenge: Enthält 143 Bilder, jedes mit entsprechenden Annotationen.
Validierungsmenge: Enthält 35 Bilder, jedes mit zugehörigen Annotationen.

Link to this sectionAnwendungen#

Dieser Datensatz kann für verschiedene Computer-Vision-Aufgaben wie Objekterkennung, Objektverfolgung und Dokumentenanalyse verwendet werden. Insbesondere kann er zum Training und zur Evaluierung von Modellen zur Identifizierung von Signaturen in Dokumenten eingesetzt werden, was bedeutende Anwendungen findet in:

Dokumentenprüfung: Automatisierung des Verifizierungsprozesses für rechtliche und finanzielle Dokumente
Betrugserkennung: Identifizierung potenziell gefälschter oder unbefugter Signaturen
Digitale Dokumentenverarbeitung: Optimierung der Arbeitsabläufe in Verwaltungs- und Rechtssektoren
Bank- und Finanzwesen: Erhöhung der Sicherheit bei der Scheckverarbeitung und der Prüfung von Kreditunterlagen
Archivforschung: Unterstützung der Analyse und Katalogisierung historischer Dokumente

Zusätzlich dient er als wertvolle Ressource für Bildungszwecke und ermöglicht es Studierenden und Forschenden, Signaturmerkmale über verschiedene Dokumententypen hinweg zu untersuchen.

Link to this sectionDatensatz-YAML#

Eine YAML (Yet Another Markup Language)-Datei definiert die Datensatzkonfiguration, einschließlich Pfaden und Klasseninformationen. Für den Datensatz zur Signaturerkennung befindet sich die signature.yaml-Datei unter 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

Link to this sectionVerwendung#

Um ein YOLO26n-Modell mit dem Datensatz zur Signaturerkennung für 100 Epochen bei einer Bildgröße von 640 zu trainieren, verwende die bereitgestellten Codebeispiele. Eine umfassende Liste der verfügbaren Parameter findest du auf der Seite Training des Modells.

Trainingsbeispiel

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)

Inferenz-Beispiel

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)

Link to this sectionBeispielbilder und Annotationen#

Der Datensatz zur Signaturerkennung umfasst eine große Vielfalt an Bildern, die verschiedene Dokumententypen und annotierte Signaturen zeigen. Nachfolgend findest du Beispiele von Bildern aus dem Datensatz, die jeweils von ihren entsprechenden Annotationen begleitet werden.

Beispielbild des Datensatzes zur Signaturerkennung

Mosaikbild: Hier präsentieren wir einen Trainingsstapel, der aus mosaikierten Datensatzbildern besteht. Mosaicing ist eine Trainingstechnik, bei der mehrere Bilder zu einem kombiniert werden, um die Vielfalt der Stapel zu bereichern. Diese Methode hilft, die Fähigkeit des Modells zu verbessern, über verschiedene Signaturgrößen, Seitenverhältnisse und Kontexte hinweg zu generalisieren.

Dieses Beispiel veranschaulicht die Vielfalt und Komplexität der Bilder im Datensatz zur Signaturerkennung und hebt die Vorteile der Verwendung von Mosaicing während des Trainingsprozesses hervor.

Link to this sectionZitate und Danksagungen#

Der Datensatz wurde unter der AGPL-3.0 Lizenz veröffentlicht.

Link to this sectionFAQ#

Link to this sectionWas ist der Datensatz zur Signaturerkennung und wie kann er verwendet werden?#

Der Datensatz zur Signaturerkennung ist eine Sammlung annotierter Bilder, die auf die Erkennung menschlicher Signaturen in verschiedenen Dokumententypen abzielt. Er kann in Computer-Vision-Aufgaben wie Objekterkennung und Verfolgung angewendet werden, vorwiegend für Dokumentenprüfung, Betrugserkennung und Archivforschung. Dieser Datensatz hilft beim Training von Modellen zur Erkennung von Signaturen in unterschiedlichen Kontexten, was ihn sowohl für die Forschung als auch für praktische Anwendungen in der intelligenten Dokumentenanalyse wertvoll macht.

Link to this sectionWie trainiere ich ein YOLO26n-Modell mit dem Datensatz zur Signaturerkennung?#

Um ein YOLO26n-Modell mit dem Datensatz zur Signaturerkennung zu trainieren, folge diesen Schritten:

Lade die signature.yaml-Datensatzkonfigurationsdatei von signature.yaml herunter.
Verwende das folgende Python-Skript oder den CLI-Befehl, um das Training zu starten:

Trainingsbeispiel

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

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

Für weitere Details siehe die Seite Training.

Link to this sectionWas sind die Hauptanwendungen des Datensatzes zur Signaturerkennung?#

Der Datensatz zur Signaturerkennung kann verwendet werden für:

Dokumentenprüfung: Automatisierte Überprüfung des Vorhandenseins und der Echtheit von menschlichen Signaturen in Dokumenten.
Betrugserkennung: Identifizierung gefälschter oder betrügerischer Signaturen in rechtlichen und finanziellen Dokumenten.
Archivforschung: Unterstützung von Historikern und Archivaren bei der digitalen Analyse und Katalogisierung historischer Dokumente.
Bildung: Unterstützung akademischer Forschung und Lehre in den Bereichen Computer Vision und Machine Learning.
Finanzdienstleistungen: Erhöhung der Sicherheit bei Banktransaktionen und Kreditabwicklungen durch Überprüfung der Echtheit von Signaturen.

Link to this sectionWie kann ich eine Inferenz mit einem Modell durchführen, das mit dem Datensatz zur Signaturerkennung trainiert wurde?#

Um eine Inferenz mit einem Modell durchzuführen, das mit dem Datensatz zur Signaturerkennung trainiert wurde, folge diesen Schritten:

Lade dein feinabgestimmtes Modell.
Verwende das untenstehende Python-Skript oder den CLI-Befehl, um eine Inferenz durchzuführen: