Jeu de données de détection de signatures#
Le jeu de données Ultralytics de détection de signatures est un jeu de données de détection d’objets comprenant 178 images de documents annotées avec une seule classe signature, réparties au préalable en 143 images d’entraînement et 35 images de validation. Le jeu de données est téléchargé automatiquement (11,3 Mo) lors de votre premier entraînement, ce qui en fait un point de départ compact pour les applications de vision par ordinateur, telles que la vérification de documents, la détection de fraude et le traitement numérique de documents.
Structure du jeu de données#
Le jeu de données contient 178 images de différents types de documents comportant des signatures manuscrites, réparties en deux sous-ensembles :
| Sous-ensemble | Images | Description |
|---|---|---|
| Entraîner | 143 | Images annotées pour l’entraînement du modèle |
| Validation | 35 | Images mises de côté pour l’évaluation |
Chaque image comporte des annotations de boîtes englobantes pour une seule classe, signature, et la configuration ne définit aucun jeu de test distinct.
Le jeu de données de détection de signatures (11,3 Mo) est téléchargé automatiquement depuis les ressources GitHub d’Ultralytics lors de votre premier entraînement ; aucun téléchargement ni aucune préparation manuels ne sont donc nécessaires.
Explore Signature sur Ultralytics Platform pour parcourir les images avec leurs superpositions d’annotations, consulter la répartition des classes et les cartes thermiques des boîtes englobantes dans l’onglet Charts, puis le cloner afin d’entraîner ton propre modèle dans le cloud.
Applications#
Un modèle entraîné sur ce jeu de données peut identifier et suivre les signatures dans des documents numérisés et des vidéos, ce qui permet notamment :
- Vérification de documents : automatiser la vérification des signatures dans les documents juridiques et financiers
- Détection de fraude : identifier les signatures potentiellement falsifiées ou non autorisées
- Traitement numérique de documents : rationaliser les flux de travail dans les secteurs administratif et juridique
- Banque et finance : renforcer la sécurité du traitement des chèques et de la vérification des documents de prêt
- Recherche archivistique : faciliter l’analyse et le catalogage de documents historiques
- Éducation et recherche : étudier les caractéristiques des signatures dans différents types de documents au sein de cours de vision par ordinateur
YAML du jeu de données#
Le fichier signature.yaml définit la configuration du jeu de données — les chemins d’accès aux données, les noms des classes et d’autres métadonnées. Il est maintenu dans le dépôt Ultralytics à l’adresse 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.zipUtilisation#
Pour entraîner un modèle YOLO26n sur le jeu de données de détection de signatures pendant 100 époques avec une taille d’image de 640, utilise les exemples de code fournis. Pour obtenir la liste complète des paramètres disponibles, consulte la page Entraînement du modèle.
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)Une fois l’entraînement terminé, tu peux effectuer l’inférence sur des documents ou des vidéos avec le modèle ajusté. L’exemple ci-dessous exécute une prédiction sur une vidéo d’exemple avec un seuil de confiance de 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)Exemples d’images et d’annotations#
Le jeu de données couvre différents formats de documents, ce qui aide les modèles entraînés à se généraliser aux contrats, formulaires et lettres. Voici un lot d’entraînement issu du jeu de données :
- Image en mosaïque : nous présentons ici un lot d’entraînement composé d’images du jeu de données assemblées en mosaïque. La mosaïque, une technique d’entraînement, combine plusieurs images en une seule afin d’enrichir la diversité des lots. Cette méthode contribue à améliorer la capacité du modèle à se généraliser à différentes tailles de signatures, proportions et situations.
Citations et remerciements#
Le dataset est mis à disposition sous la licence AGPL-3.0.
Si tu utilises le jeu de données de détection de signatures dans tes travaux de recherche ou de développement, pense à le citer correctement :
@dataset{Ultralytics_Signature_Detection_Dataset_2024,
author = {Ultralytics},
title = {Signature Detection Dataset},
year = {2024},
publisher = {Ultralytics},
url = {https://docs.ultralytics.com/datasets/detect/signature}
}FAQ#
Le jeu de données de détection de signatures est une collection de 178 images de documents annotées, destinée à entraîner des modèles capables de détecter les signatures manuscrites. Il prend en charge la vérification de documents, la détection de fraude et la recherche archivistique, et constitue une base pratique pour créer des systèmes d’analyse intelligente de documents avec l’apprentissage automatique.
Le jeu de données de détection de signatures contient 143 images d’entraînement et 35 images de validation — 178 au total — chacune étant annotée avec une seule classe,
signature. Il n’existe pas de jeu de test distinct. Consulte la section Structure du jeu de données et la configurationsignature.yamlpour plus de détails.Tu peux entraîner un modèle YOLO26n pendant 100 époques avec une taille d’image de 640 à l’aide de Python ou de la CLI :
Exemple d’entraînementfrom ultralytics import YOLO # Load a pretrained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="signature.yaml", epochs=100, imgsz=640)Pour plus de détails, consulte la page Entraînement et les conseils pour l’entraînement des modèles.
Charge tes poids ajustés et exécute une prédiction :
Exemple d’inférencefrom 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)Le jeu de données est publié sous la licence AGPL-3.0, qui autorise l’utilisation commerciale à condition que les œuvres dérivées — y compris les logiciels proposés sur un réseau — soient mises à disposition sous la même licence. Pour connaître les options de licence qui suppriment les exigences liées à l’open source, consulte Licences Ultralytics.
Le jeu de données est téléchargé automatiquement (11,3 Mo) depuis les ressources GitHub d’Ultralytics lors de ton premier entraînement avec
data="signature.yaml"— aucun téléchargement manuel n’est nécessaire. Pour découvrir d’autres jeux de données, consulte la vue d’ensemble des jeux de données de détection.