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 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 :
| Partition | Images | Description |
|---|---|---|
| Entraînement | 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 ensemble de test distinct.
Le jeu de données de détection de signatures (11.3 MB) se télécharge automatiquement depuis les ressources GitHub d’Ultralytics lors du premier entraînement ; aucun téléchargement ni aucune préparation manuels ne sont nécessaires.
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.zipUtilisation#
Pour entraîner un modèle YOLO26n sur le jeu de données Signature Detection pendant 100 époques, avec une taille d’image de 640, utilise les exemples de code fournis.
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 en mosaïque : ce lot d’entraînement combine plusieurs images du jeu de données par mosaïquage, une technique d’entraînement qui accroît la diversité du lot et aide le modèle à généraliser à différentes tailles de signatures, 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#
Le jeu de données de détection de signatures est un ensemble de 178 images de documents annotées, conçu pour entraîner des modèles à détecter les signatures manuscrites. Il est utile à la vérification de documents, à la détection des fraudes et à la recherche archivistique. Il constitue une base pratique pour créer des systèmes d’analyse intelligente de documents avec l’apprentissage automatique.
Le jeu de données se télécharge 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 présentation des jeux de données de détection.Le jeu de données de détection de signatures contient 143 images d’entraînement et 35 images de validation, soit 178 au total, chacune annotée avec une seule classe,
signature. Il n’existe pas d’ensemble de test distinct. Consulte la section Structure du jeu de données et la configurationsignature.yamlpour en savoir plus.Tu peux entraîner un modèle YOLO26n pendant 100 époques avec une taille d’image de 640 en utilisant Python ou la CLI :
Exemple d’entraînementfrom ultralytics import YOLO # Charger un modèle préentraîné model = YOLO("yolo26n.pt") # Entraîner le modèle results = model.train(data="signature.yaml", epochs=100, imgsz=640)Pour en savoir plus, consulte la page Entraînement et les conseils d’entraînement des modèles.
Charge tes poids affinés et lance la prédiction :
Exemple d’inférencefrom ultralytics import YOLO # Charger le modèle affiné model = YOLO("path/to/best.pt") # Effectuer l’inférence results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)Le jeu de données est distribué 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 aux logiciels libres, consulte Licences Ultralytics.
Commentaires2
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
Haroon AzizThank you for providing the free dataset. I am interested in contributing to this platform by creating a dataset for briquette texture classification.
Glenn JocherUltralyticsThanks 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.



