Conjunto de dados de detecção de assinaturas
O conjunto de dados de detecção de assinaturas da Ultralytics é um conjunto de dados de detecção de objetos com 178 imagens de documentos anotadas com uma única classe signature, divididas previamente em 143 imagens de treinamento e 35 de validação. O conjunto de dados é baixado automaticamente (11,3 MB) na primeira vez que você treina, oferecendo um ponto de partida compacto para aplicações de visão computacional, como verificação de documentos, detecção de fraudes e processamento digital de documentos.
Estrutura do conjunto de dados#
O conjunto de dados contém 178 imagens de vários tipos de documentos com assinaturas manuscritas, divididas em dois subconjuntos:
| Divisão | Imagens | Descrição |
|---|---|---|
| Treinar | 143 | Imagens rotuladas para treinamento do modelo |
| Validação | 35 | Imagens reservadas para avaliação |
Cada imagem tem anotações de caixas delimitadoras para uma classe, signature, e a configuração não define uma divisão de teste separada.
O conjunto de dados de detecção de assinaturas (11,3 MB) é baixado automaticamente dos recursos do GitHub da Ultralytics na primeira vez que você treina, portanto não é necessário fazer download ou preparação manual.
Explore Signature na Ultralytics Platform para navegar pelas imagens com sobreposições das anotações, consultar a distribuição das classes e os mapas de calor das caixas delimitadoras na guia Charts e clonar o conjunto de dados para treinar seu próprio modelo na nuvem.
Aplicações#
Um modelo treinado com esse conjunto de dados pode identificar e rastrear assinaturas em documentos digitalizados e vídeos, contribuindo para:
- Verificação de documentos: automatização da verificação de assinaturas em documentos jurídicos e financeiros
- Detecção de fraudes: identificação de assinaturas possivelmente falsificadas ou não autorizadas
- Processamento digital de documentos: simplificação dos fluxos de trabalho nos setores administrativo e jurídico
- Bancos e finanças: reforço da segurança no processamento de cheques e na verificação de documentos de empréstimo
- Pesquisa arquivística: apoio à análise e catalogação de documentos históricos
- Educação e pesquisa: estudo das características de assinaturas em diferentes tipos de documentos em cursos de visão computacional
YAML do conjunto de dados#
O arquivo signature.yaml define a configuração do conjunto de dados — os caminhos dos dados, os nomes das classes e outros metadados. Ele é mantido no repositório da Ultralytics em 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.zipUso#
Para treinar um modelo YOLO26n no conjunto de dados Signature Detection Dataset durante 100 épocas, com tamanho de imagem 640, utiliza os exemplos de código fornecidos.
from ultralytics import YOLO
# Carregar um modelo
model = YOLO("yolo26n.pt") # carregue um modelo pré-treinado (recomendado para treinamento)
# Treinar o modelo
results = model.train(data="signature.yaml", epochs=100, imgsz=640)Depois do treinamento, você pode executar a inferência em documentos ou vídeos com o modelo ajustado. O exemplo abaixo executa a predição em um vídeo de amostra com um limite de confiança de 0,75:
from ultralytics import YOLO
# Carregar um modelo
model = YOLO("path/to/best.pt") # carregar um modelo de detecção de assinaturas ajustado
# Inferência usando o modelo
results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)Imagens de exemplo e anotações#
O conjunto de dados abrange vários formatos de documentos, ajudando os modelos treinados a generalizar entre contratos, formulários e cartas. Abaixo está um lote de treinamento do conjunto de dados:

- Imagem em mosaico: este lote de treinamento combina várias imagens do conjunto de dados através da composição em mosaico, uma técnica de treinamento que aumenta a diversidade do lote e ajuda o modelo a generalizar para diferentes tamanhos, proporções e contextos de assinaturas.
Citações e agradecimentos#
O conjunto de dados foi disponibilizado sob a Licença AGPL-3.0.
Se utilizares o conjunto de dados de deteção de assinaturas na tua investigação ou trabalho de desenvolvimento, cita-o devidamente:
@dataset{Ultralytics_Signature_Detection_Dataset_2024,
author = {Ultralytics},
title = {Signature Detection Dataset},
year = {2024},
publisher = {Ultralytics},
url = {https://docs.ultralytics.com/datasets/detect/signature}
}Perguntas frequentes#
O Signature Detection Dataset é uma coleção de 178 imagens de documentos anotadas para treinar modelos para detetar assinaturas manuscritas. É compatível com verificação de documentos, deteção de fraudes e investigação arquivística, e constitui uma base prática para criar sistemas de análise inteligente de documentos com aprendizagem automática.
O conjunto de dados é transferido automaticamente (11,3 MB) dos recursos do GitHub da Ultralytics na primeira vez que treinas com
data="signature.yaml"— não é necessário transferi-lo manualmente. Para explorar outros conjuntos de dados, consulta a visão geral dos conjuntos de dados de deteção.O conjunto de dados de deteção de assinaturas contém 143 imagens de treino e 35 de validação — 178 no total —, cada uma anotada com uma única classe,
signature. Não existe uma divisão de teste separada. Consulta a secção Estrutura do conjunto de dados e a configuraçãosignature.yamlpara obteres mais informações.Podes treinar um modelo YOLO26n durante 100 épocas, com um tamanho de imagem de 640, usando Python ou a CLI:
Exemplo de treinofrom ultralytics import YOLO # Carregar um modelo pré-treinado model = YOLO("yolo26n.pt") # Treinar o modelo results = model.train(data="signature.yaml", epochs=100, imgsz=640)Para obteres mais informações, consulta a página de Treino e as dicas de treino de modelos.
Carrega os teus pesos ajustados e executa a previsão:
Exemplo de inferênciafrom ultralytics import YOLO # Carregar o modelo ajustado model = YOLO("path/to/best.pt") # Executar inferência results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)O conjunto de dados é disponibilizado ao abrigo da Licença AGPL-3.0, que permite o uso comercial desde que as obras derivadas — incluindo software disponibilizado através de uma rede — sejam disponibilizadas ao abrigo da mesma licença. Para conheceres as opções de licenciamento que eliminam os requisitos de código aberto, consulta o Licenciamento da Ultralytics.
Comentários2
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
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.



