Conjunto de dados de deteção de assinaturas

Este conjunto de dados centra-se na deteção de assinaturas humanas escritas em documentos. Inclui uma variedade de tipos de documentos com assinaturas anotadas, fornecendo informações valiosas para aplicações na verificação de documentos e deteção de fraudes. Essencial para treinar algoritmos de visão por computador, este conjunto de dados ajuda a identificar assinaturas em vários formatos de documentos, apoiando a investigação e aplicações práticas na análise de documentos.

Estrutura do conjunto de dados

O conjunto de dados de deteção de assinaturas está dividido em três subconjuntos:

• Conjunto de treino: Contém 143 imagens, cada uma com anotações correspondentes.
• Conjunto de validação: Inclui 35 imagens, cada uma com anotações emparelhadas.

Aplicações

Este conjunto de dados pode ser aplicado em várias tarefas de visão computacional, como a deteção de objectos, o seguimento de objectos e a análise de documentos. Especificamente, pode ser usado para treinar e avaliar modelos para identificar assinaturas em documentos, que podem ter aplicações na verificação de documentos, deteção de fraudes e pesquisa de arquivos. Além disso, pode servir como um recurso valioso para fins educativos, permitindo que estudantes e investigadores estudem e compreendam as características e comportamentos das assinaturas em diferentes tipos de documentos.

Conjunto de dados YAML

Um ficheiro YAML (Yet Another Markup Language) define a configuração do conjunto de dados, incluindo caminhos e informações sobre classes. Para o conjunto de dados de deteção de assinatura, o arquivo signature.yaml O ficheiro está localizado em 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://ultralytics.com/assets/signature.zip

Utilização

Para treinar um modelo YOLOv8n no conjunto de dados de deteção de assinatura para 100 épocas com um tamanho de imagem de 640, usa os exemplos de código fornecidos. Para obter uma lista completa dos parâmetros disponíveis, consulta a página de treino do modelo.

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

Exemplos de imagens e anotações

O conjunto de dados de deteção de assinaturas inclui uma grande variedade de imagens que mostram diferentes tipos de documentos e assinaturas anotadas. Abaixo estão exemplos de imagens do conjunto de dados, cada uma acompanhada das suas anotações correspondentes.

• Imagem em mosaico: Aqui, apresentamos um lote de treino que consiste em imagens de conjuntos de dados em mosaico. O mosaico, uma técnica de treino, combina várias imagens numa só, enriquecendo a diversidade do lote. Este método ajuda a melhorar a capacidade do modelo para generalizar através de diferentes tamanhos de assinatura, rácios de aspeto e contextos.

Este exemplo ilustra a variedade e complexidade das imagens no conjunto de dados de deteção de assinaturas, realçando as vantagens de incluir o mosaico durante o processo de treino.

Citações e agradecimentos

O conjunto de dados foi disponibilizado ao abrigo da licençaAGPL-3.0 .

Comentários