Link to this sectionDatensatz zur Signaturerkennung#

Das Ultralytics Signature Detection Dataset ist ein Objekterkennungs-Datensatz mit 178 Dokumentenbildern, die mit einer einzigen signature-Klasse annotiert sind und in 143 Trainings- und 35 Validierungsbilder unterteilt sind. Der Datensatz wird beim ersten Training automatisch heruntergeladen (11,3 MB) und bietet somit einen kompakten Ausgangspunkt für Computer Vision-Anwendungen wie Dokumentenprüfung, Betrugserkennung und die digitale Dokumentenverarbeitung.

Link to this sectionDatensatzstruktur#

Der Datensatz enthält 178 Bilder verschiedener Dokumententypen mit handschriftlichen Unterschriften, unterteilt in zwei Teilmengen:

Jedes Bild enthält Bounding-Box-Annotationen für eine Klasse, signature, und die Konfiguration definiert keinen separaten Test-Split.

Entdecke Signature auf der Ultralytics Plattform, um die Bilder mit ihren Annotations-Overlays zu durchsuchen, die Klassenverteilung und Bounding-Box-Heatmaps im Charts-Tab anzusehen und es zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Link to this sectionAnwendungen#

Ein mit diesem Datensatz trainiertes Modell kann Unterschriften in gescannten Dokumenten und Videos identifizieren und verfolgen, was Folgendes unterstützt:

• Dokumentenprüfung: Automatisierung von Unterschriftenprüfungen in rechtlichen und finanziellen Dokumenten
• 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
• Bildung und Forschung: Untersuchung von Unterschriftenmerkmalen über verschiedene Dokumententypen hinweg in Computer-Vision-Kursen

Link to this sectionDatensatz-YAML#

Die signature.yaml-Datei definiert die Datensatzkonfiguration – die Datensatzpfade, Klassennamen und andere Metadaten. Sie wird im Ultralytics Repository unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/signature.yaml gepflegt.

# 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 auf dem Signature Detection Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die bereitgestellten Codebeispiele. Eine umfassende Liste der verfügbaren Parameter findest du auf der Training-Seite des Modells.

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)

Nach dem Training kannst du Inferenz auf Dokumenten oder Videos mit dem feinabgestimmten Modell durchführen. Das folgende Beispiel führt eine Vorhersage auf einem Beispielvideo mit einem Konfidenz-Schwellenwert von 0,75 aus:

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 deckt eine Vielzahl von Dokumentformaten ab und hilft trainierten Modellen, über Verträge, Formulare und Briefe hinweg zu generalisieren. Unten siehst du einen Trainings-Batch aus dem Datensatz:

• 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.

Link to this sectionZitate und Danksagungen#

Der Datensatz wurde unter der AGPL-3.0-Lizenz zur Verfügung gestellt.

Wenn du das Signature Detection Dataset in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere es bitte angemessen:

@dataset{Ultralytics_Signature_Detection_Dataset_2024,
    author = {Ultralytics},
    title = {Signature Detection Dataset},
    year = {2024},
    publisher = {Ultralytics},
    url = {https://docs.ultralytics.com/datasets/detect/signature/}
}

Link to this sectionFAQ#

Link to this sectionWofür wird das Signature Detection Dataset verwendet?#

Das Signature Detection Dataset ist eine Sammlung von 178 annotierten Dokumentenbildern zum Trainieren von Modellen zur Erkennung handschriftlicher Unterschriften. Es unterstützt die Dokumentenprüfung, Betrugserkennung und Archivforschung und ist eine praktische Basis für die Entwicklung von Systemen zur intelligenten Dokumentenanalyse mit Maschinellem Lernen.

Link to this sectionWie lade ich das Signature Detection Dataset herunter?#

Der Datensatz wird beim ersten Training mit data="signature.yaml" automatisch (11,3 MB) von den Ultralytics GitHub-Assets heruntergeladen — ein manueller Download ist nicht erforderlich. Um andere Datensätze zu erkunden, durchsuche die Übersicht der Erkennungs-Datensätze.

Link to this sectionWie viele Bilder und Klassen sind im Signature Detection Dataset enthalten?#

Das Signature Detection Dataset enthält 143 Trainings- und 35 Validierungsbilder — insgesamt 178 —, die jeweils mit einer einzigen Klasse, signature, annotiert sind. Es gibt keinen separaten Test-Split. Siehe den Abschnitt Datensatzstruktur und die signature.yaml-Konfiguration für Details.

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

Du kannst ein YOLO26n-Modell für 100 Epochen mit einer Bildgröße von 640 unter Verwendung von Python oder dem CLI trainieren:

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)

Weitere Details findest du auf der Training-Seite und den Tipps zum Modelltraining.

Link to this sectionWie kann ich eine Inferenz mit einem auf dem Signature Detection Dataset trainierten Modell durchführen?#

Lade deine feinabgestimmten Gewichte und führe eine Vorhersage aus:

from 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)

Link to this sectionKann ich das Signature Detection Dataset in kommerziellen Projekten verwenden?#

Der Datensatz wird unter der AGPL-3.0 Lizenz veröffentlicht, die die kommerzielle Nutzung erlaubt, vorausgesetzt, dass abgeleitete Werke — einschließlich Software, die über ein Netzwerk angeboten wird — unter derselben Lizenz zur Verfügung gestellt werden. Für Lizenzoptionen, die die Open-Source-Anforderungen entfernen, siehe Ultralytics Licensing.