Jeu de données de détection de signatures#

178

signature

ultralytics

publicDetect

Signature contains scanned and photographed documents with single-class boxes around handwritten signatures. It supports signature localization before verification, fraud analysis, redaction, document indexing, and automated form processing across varied page layouts.

21 class22 MBSep 2, 2026

signature

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 à l’avance en 143 images d’entraînement et 35 images de validation. Le jeu de données se télécharge automatiquement (11.3 MB) lors du premier entraînement, ce qui en fait un point de départ compact pour des applications de vision par ordinateur telles que la vérification de documents, la détection de fraudes et le traitement de documents numériques.

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 :

Chaque image comporte des annotations de boîtes englobantes pour une seule classe, signature, et la configuration ne définit aucun ensemble de test distinct.

Explore Signature sur Ultralytics Platform pour parcourir les images avec leurs superpositions d’annotations, consulter la distribution des classes et les cartes de chaleur des boîtes englobantes dans l’onglet Charts, puis en créer un clone afin d’entraîner ton propre modèle dans le cloud.

Applications#

Un modèle entraîné sur ce jeu de données peut détecter et suivre des signatures dans des documents numérisés et des vidéos, ce qui permet de :

• Vérification de documents : automatiser le contrôle des signatures dans les documents juridiques et financiers
• Détection de fraudes : repérer les signatures potentiellement falsifiées ou non autorisées
• Traitement de documents numériques : simplifier les processus 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 sur différents types de documents dans le cadre de cours de vision par ordinateur

Fichier YAML du jeu de données#

Le fichier signature.yaml définit la configuration du jeu de données — les chemins d’accès, 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.zip

Utilisation#

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 consulter la liste complète des paramètres disponibles, reporte-toi à la page Entraînement du modèle.

from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n.pt")  # charger un modèle préentraîné (recommandé pour l’entraînement)

# Entraîner le modèle
results = model.train(data="signature.yaml", epochs=100, imgsz=640)

Une fois l’entraînement terminé, tu peux lancer l’inférence sur des documents ou des vidéos avec le modèle ajusté. L’exemple ci-dessous lance une prédiction sur une vidéo échantillon avec un seuil de confiance de 0.75 :

from ultralytics import YOLO

# Charger un modèle
model = YOLO("path/to/best.pt")  # charger un modèle ajusté pour la détection de signatures

# Inférence avec le modèle
results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)

Exemples d’images et annotations#

Le jeu de données couvre divers formats de documents, ce qui aide les modèles entraînés à généraliser à différents contrats, formulaires et lettres. Voici un lot d’entraînement issu du jeu de données :

• Image mosaïquée : Voici un lot d’entraînement composé d’images mosaïquées du jeu de données. La mosaïque, une technique d’entraînement, combine plusieurs images en une seule et enrichit la diversité du lot. Cette méthode aide à améliorer la capacité du modèle à généraliser à différentes tailles de signature, proportions et contextes.

Citations et remerciements#

Le jeu de données 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, cite-le 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#