Link to this sectionJeu de données de détection de signatures#

Ce jeu de données se concentre sur la détection des signatures manuscrites humaines dans les documents. Il comprend une variété de types de documents avec des signatures annotées, fournissant des informations précieuses pour les applications de vérification de documents et de détection de fraude. Essentiel pour entraîner des algorithmes de vision par ordinateur, ce jeu de données aide à identifier les signatures dans divers formats de documents, soutenant la recherche et les applications pratiques dans l'analyse de documents.

Link to this sectionStructure du jeu de données#

Le jeu de données de détection de signatures est divisé en deux sous-ensembles :

Ensemble d'entraînement : contient 143 images, chacune avec les annotations correspondantes.
Ensemble de validation : inclut 35 images, chacune avec des annotations appariées.

Link to this sectionApplications#

Ce jeu de données peut être appliqué à diverses tâches de vision par ordinateur telles que la détection d'objets, le suivi d'objets et l'analyse de documents. Plus précisément, il peut être utilisé pour entraîner et évaluer des modèles afin d'identifier des signatures dans des documents, ce qui a des applications significatives dans :

Vérification de documents : automatisation du processus de vérification des documents juridiques et financiers
Détection de fraude : identification des signatures potentiellement falsifiées ou non autorisées
Traitement de documents numériques : rationalisation des flux de travail dans les secteurs administratif et juridique
Banque et finance : renforcement de la sécurité lors du traitement des chèques et de la vérification des documents de prêt
Recherche archivistique : soutien à l'analyse et au catalogage des documents historiques

De plus, il constitue une ressource précieuse à des fins éducatives, permettant aux étudiants et aux chercheurs d'étudier les caractéristiques des signatures à travers différents types de documents.

Link to this sectionYAML du jeu de données#

Un fichier YAML (Yet Another Markup Language) définit la configuration du jeu de données, y compris les chemins d'accès et les informations sur les classes. Pour le jeu de données de détection de signatures, le fichier signature.yaml est situé sur 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 sectionUtilisation#

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 une liste complète des paramètres disponibles, consulte la page Entraînement du modèle.

Exemple d'entraînement

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)

Exemple d'inférence

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 sectionExemples d'images et annotations#

Le jeu de données de détection de signatures comprend une grande variété d'images présentant différents types de documents et des signatures annotées. Voici des exemples d'images du jeu de données, chacune accompagnée de ses annotations correspondantes.

Image échantillon du jeu de données de détection de signatures

Image mosaïquée : Ici, nous présentons un lot d'entraînement composé d'images du jeu de données mosaïquées. La mosaïque, une technique d'entraînement, combine plusieurs images en une seule, enrichissant la diversité des lots. Cette méthode aide à améliorer la capacité du modèle à généraliser à travers différentes tailles de signature, rapports d'aspect et contextes.

Cet exemple illustre la variété et la complexité des images dans le jeu de données de détection de signatures, soulignant les avantages de l'inclusion de la mosaïque pendant le processus d'entraînement.

Link to this sectionCitations et remerciements#

Le jeu de données a été publié sous la Licence AGPL-3.0.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données de détection de signatures et comment peut-il être utilisé ?#

Le jeu de données de détection de signatures est une collection d'images annotées visant à détecter les signatures humaines dans divers types de documents. Il peut être appliqué dans des tâches de vision par ordinateur telles que la détection d'objets et le suivi, principalement pour la vérification de documents, la détection de fraude et la recherche archivistique. Ce jeu de données aide à entraîner des modèles à reconnaître les signatures dans différents contextes, ce qui le rend précieux tant pour la recherche que pour les applications pratiques dans l'analyse intelligente de documents.

Link to this sectionComment entraîner un modèle YOLO26n sur le jeu de données de détection de signatures ?#

Pour entraîner un modèle YOLO26n sur le jeu de données de détection de signatures, suis ces étapes :

Télécharge le fichier de configuration du jeu de données signature.yaml depuis signature.yaml.
Utilise le script Python ou la commande CLI suivants pour démarrer l'entraînement :

Exemple d'entraînement

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)

Pour plus de détails, reporte-toi à la page Entraînement.

Link to this sectionQuelles sont les principales applications du jeu de données de détection de signatures ?#

Le jeu de données de détection de signatures peut être utilisé pour :

Vérification de documents : vérifier automatiquement la présence et l'authenticité des signatures humaines dans les documents.
Détection de fraude : identifier les signatures falsifiées ou frauduleuses dans les documents juridiques et financiers.
Recherche archivistique : aider les historiens et les archivistes dans l'analyse numérique et le catalogage des documents historiques.
Éducation : soutenir la recherche académique et l'enseignement dans les domaines de la vision par ordinateur et de l'apprentissage automatique.
Services financiers : améliorer la sécurité des transactions bancaires et du traitement des prêts en vérifiant l'authenticité des signatures.

Link to this sectionComment effectuer une inférence en utilisant un modèle entraîné sur le jeu de données de détection de signatures ?#

Pour effectuer une inférence en utilisant un modèle entraîné sur le jeu de données de détection de signatures, suis ces étapes :

Charge ton modèle ajusté.
Utilise le script Python ou la commande CLI ci-dessous pour effectuer l'inférence :