Ensemble de données pour la détection de signatures

Cet ensemble de données se concentre sur la détection des signatures humaines écrites 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 la fraude. Essentiel pour la formation des algorithmes de vision par ordinateur, cet ensemble de données permet d'identifier les signatures dans divers formats de documents, soutenant ainsi la recherche et les applications pratiques dans le domaine de l'analyse des documents.

Structure de l'ensemble de données

L'ensemble de données de détection de signatures est divisé en trois sous-ensembles :

• Ensemble d'entraînement: Contient 143 images, chacune avec les annotations correspondantes.
• Ensemble de validation: Comprend 35 images, chacune avec des annotations appariées.

Applications

Cet ensemble de données peut être appliqué à diverses tâches de vision par ordinateur, telles que la détection et le suivi d'objets et l'analyse de documents. Plus précisément, il peut être utilisé pour former et évaluer des modèles permettant d'identifier des signatures dans des documents, ce qui peut avoir des applications dans la vérification de documents, la détection de fraudes et la recherche d'archives. En outre, il peut constituer une ressource précieuse à des fins éducatives, permettant aux étudiants et aux chercheurs d'étudier et de comprendre les caractéristiques et les comportements des signatures dans différents types de documents.

Jeu de données YAML

Un fichier YAML (Yet Another Markup Language) définit la configuration du dataset, y compris les chemins et les informations sur les classes. Pour le jeu de données de détection de signatures, le fichier signature.yaml Le fichier se trouve à l'adresse suivante https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/signature.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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 (11.2 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: ../datasets/signature # dataset root dir
train: train/images # train images (relative to 'path') 143 images
val: valid/images # 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 YOLOv8n sur l'ensemble de données de détection de signatures pour 100 époques avec une taille d'image de 640, utilise les exemples de code fournis. Pour obtenir une liste complète des paramètres disponibles, reporte-toi à la page Formation du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="signature.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=signature.yaml model=yolov8n.pt epochs=100 imgsz=640

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)

# Start prediction with a finetuned *.pt model
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/signature-s.mp4" conf=0.75

Exemples d'images et d'annotations

L'ensemble de données de détection de signatures comprend une grande variété d'images présentant différents types de documents et de signatures annotées. Tu trouveras ci-dessous des exemples d'images tirées de l'ensemble de données, chacune accompagnée de ses annotations correspondantes.

• Image mosaïque: Nous présentons ici un lot d'entraînement composé d'images de données mosaïquées. La mosaïque, une technique de formation, combine plusieurs images en une seule, enrichissant ainsi la diversité du lot. Cette méthode permet d'améliorer la capacité du modèle à se généraliser à travers différentes tailles de signature, différents rapports d'aspect et différents contextes.

Cet exemple illustre la variété et la complexité des images de l'ensemble de données de détection des signatures, soulignant les avantages de l'inclusion du mosaïquage au cours du processus de formation.

Citations et remerciements

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

FAQ

Qu'est-ce que le jeu de données sur la détection des signatures et comment l'utiliser ?

Le jeu de données sur la détection des signatures est une collection d'images annotées visant à détecter les signatures humaines dans divers types de documents. Il peut être appliqué à des tâches de vision par ordinateur telles que la détection et le suivi d'objets, principalement pour la vérification de documents, la détection de fraudes et la recherche d'archives. Ce jeu de données permet de former des modèles de reconnaissance de signatures dans différents contextes, ce qui le rend précieux tant pour la recherche que pour les applications pratiques.

Comment entraîner un modèle YOLOv8n sur l'ensemble de données de détection de signatures ?

Pour entraîner un modèle YOLOv8n sur l'ensemble de données de détection de signatures, suis les étapes suivantes :

1. Télécharger le signature.yaml fichier de configuration du jeu de données à partir de signature.yaml.
2. Utilise le script Python ou la commande CLI suivants pour démarrer la formation :

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n.pt")

# Train the model
results = model.train(data="signature.yaml", epochs=100, imgsz=640)

yolo detect train data=signature.yaml model=yolov8n.pt epochs=100 imgsz=640

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

Quelles sont les principales applications de l'ensemble de données sur la détection des signatures ?

L'ensemble de données de détection des signatures peut être utilisé pour :

1. Vérification de documents: Vérifier automatiquement la présence et l'authenticité des signatures humaines dans les documents.
2. Détection de la fraude: Identifier les signatures falsifiées ou frauduleuses dans les documents juridiques et financiers.
3. Recherche archivistique: Aider les historiens et les archivistes dans l'analyse numérique et le catalogage des documents historiques.
4. Éducation: Soutenir la recherche universitaire et l'enseignement dans les domaines de la vision par ordinateur et de l'apprentissage automatique.

Comment puis-je effectuer une inférence à l'aide d'un modèle formé sur l'ensemble de données de détection de signatures ?

Pour effectuer une inférence à l'aide d'un modèle entraîné sur l'ensemble de données de détection de signatures, suis les étapes suivantes :

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

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)

yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/signature-s.mp4" conf=0.75

Quelle est la structure de l'ensemble de données sur la détection des signatures et où puis-je trouver plus d'informations ?

L'ensemble de données sur la détection des signatures est divisé en deux sous-ensembles :

• Ensemble d'entraînement: Contient 143 images avec des annotations.
• Ensemble de validation: Comprend 35 images avec des annotations.

Pour des informations plus détaillées, tu peux te référer au Structure de l'ensemble de données section. En outre, tu peux voir la configuration complète de l'ensemble de données dans la section signature.yaml situé à l'adresse signature.yaml.

Commentaires