Link to this sectionDataset di Rilevamento delle Firme#

Questo dataset si concentra sul rilevamento delle firme scritte a mano all'interno dei documenti. Include una varietà di tipi di documenti con firme annotate, fornendo informazioni preziose per le applicazioni nella verifica dei documenti e nel rilevamento delle frodi. Essenziale per l'addestramento di algoritmi di computer vision, questo dataset aiuta a identificare le firme in vari formati di documenti, supportando la ricerca e le applicazioni pratiche nell'analisi documentale.

Link to this sectionStruttura del dataset#

Il dataset di rilevamento delle firme è suddiviso in due sottoinsiemi:

• Set di training: Contiene 143 immagini, ciascuna con le relative annotazioni.
• Set di validazione: Include 35 immagini, ciascuna con le relative annotazioni.

Link to this sectionApplicazioni#

Questo dataset può essere applicato in vari task di computer vision come object detection, object tracking e analisi documentale. Nello specifico, può essere utilizzato per addestrare e valutare modelli per l'identificazione delle firme nei documenti, il che ha applicazioni significative in:

• Verifica dei Documenti: Automatizzare il processo di verifica per documenti legali e finanziari
• Rilevamento delle Frodi: Identificare firme potenzialmente falsificate o non autorizzate
• Elaborazione di Documenti Digitali: Ottimizzare i flussi di lavoro nei settori amministrativo e legale
• Banca e Finanza: Migliorare la sicurezza nell'elaborazione degli assegni e nella verifica dei documenti di prestito
• Ricerca Archivistica: Supportare l'analisi e la catalogazione di documenti storici

Inoltre, funge da risorsa preziosa per scopi educativi, consentendo a studenti e ricercatori di studiare le caratteristiche delle firme attraverso diversi tipi di documenti.

Link to this sectionDataset YAML#

Un file YAML (Yet Another Markup Language) definisce la configurazione del dataset, incluse le informazioni su percorsi e classi. Per il dataset di rilevamento delle firme, il file signature.yaml si trova su 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

Link to this sectionUtilizzo#

Per addestrare un modello YOLO26n sul dataset di rilevamento delle firme per 100 epochs con una dimensione dell'immagine di 640, utilizza gli esempi di codice forniti. Per un elenco completo dei parametri disponibili, consulta la pagina di Training del modello.

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)

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 sectionEsempi di immagini e annotazioni#

Il dataset di rilevamento delle firme comprende un'ampia varietà di immagini che mostrano diversi tipi di documenti e firme annotate. Di seguito sono riportati esempi di immagini dal dataset, ciascuna accompagnata dalle relative annotazioni.

• Immagine a mosaico: Qui presentiamo un batch di training costituito da immagini del dataset a mosaico. Il mosaico, una tecnica di addestramento, combina più immagini in una sola, arricchendo la diversità del batch. Questo metodo aiuta a migliorare la capacità del modello di generalizzare tra diverse dimensioni, rapporti d'aspetto e contesti delle firme.

Questo esempio illustra la varietà e la complessità delle immagini nel dataset di rilevamento delle firme, sottolineando i vantaggi dell'inclusione del mosaico durante il processo di addestramento.

Link to this sectionCitazioni e riconoscimenti#

Il dataset è stato rilasciato sotto Licenza AGPL-3.0.

Link to this sectionFAQ#

Link to this sectionCos'è il dataset di rilevamento delle firme e come può essere utilizzato?#

Il dataset di rilevamento delle firme è una raccolta di immagini annotate volta a rilevare firme umane all'interno di vari tipi di documenti. Può essere applicato in task di computer vision come object detection e tracking, principalmente per la verifica dei documenti, il rilevamento delle frodi e la ricerca archivistica. Questo dataset aiuta ad addestrare modelli a riconoscere le firme in diversi contesti, rendendolo prezioso sia per la ricerca che per le applicazioni pratiche nell'analisi intelligente dei documenti.

Link to this sectionCome posso addestrare un modello YOLO26n sul dataset di rilevamento delle firme?#

Per addestrare un modello YOLO26n sul dataset di rilevamento delle firme, segui questi passaggi:

1. Scarica il file di configurazione del dataset signature.yaml da signature.yaml.
2. Usa il seguente script Python o comando CLI per iniziare l'addestramento:

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)

Per maggiori dettagli, consulta la pagina di Training.

Link to this sectionQuali sono le principali applicazioni del dataset di rilevamento delle firme?#

Il dataset di rilevamento delle firme può essere utilizzato per:

1. Verifica dei Documenti: Verificare automaticamente la presenza e l'autenticità di firme umane nei documenti.
2. Rilevamento delle Frodi: Identificare firme falsificate o fraudolente in documenti legali e finanziari.
3. Ricerca Archivistica: Assistere storici e archivisti nell'analisi digitale e nella catalogazione di documenti storici.
4. Istruzione: Supportare la ricerca accademica e l'insegnamento nei campi della computer vision e del machine learning.
5. Servizi Finanziari: Migliorare la sicurezza nelle transazioni bancarie e nell'elaborazione dei prestiti verificando l'autenticità delle firme.

Link to this sectionCome posso eseguire l'inferenza usando un modello addestrato sul dataset di rilevamento delle firme?#

Per eseguire l'inferenza usando un modello addestrato sul dataset di rilevamento delle firme, segui questi passaggi:

1. Carica il tuo modello messo a punto.
2. Usa lo script Python o il comando CLI qui sotto per eseguire l'inferenza:

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)

Link to this sectionQual è la struttura del dataset di rilevamento delle firme e dove posso trovare maggiori informazioni?#

Il dataset di rilevamento delle firme è diviso in due sottoinsiemi:

• Set di Training: Contiene 143 immagini con annotazioni.
• Set di Validazione: Include 35 immagini con annotazioni.

Per informazioni dettagliate, puoi consultare la sezione Dataset Structure. Inoltre, visualizza la configurazione completa del dataset nel file signature.yaml situato su signature.yaml.