Link to this sectionНабор данных для обнаружения подписей#

Этот набор данных предназначен для обнаружения рукописных подписей в документах. Он включает различные типы документов с аннотированными подписями, предоставляя ценную информацию для приложений в области проверки документов и обнаружения мошенничества. Этот набор данных, необходимый для обучения алгоритмов компьютерного зрения, помогает идентифицировать подписи в различных форматах документов, поддерживая исследования и практическое применение в анализе документов.

Link to this sectionСтруктура набора данных#

Набор данных для обнаружения подписей разделен на два подмножества:

Обучающий набор: содержит 143 изображения, каждое с соответствующими аннотациями.
Валидационный набор: включает 35 изображений, каждое с парными аннотациями.

Link to this sectionПрименение#

Этот набор данных можно применять в различных задачах компьютерного зрения, таких как обнаружение объектов, отслеживание объектов и анализ документов. В частности, его можно использовать для обучения и оценки моделей для идентификации подписей в документах, что имеет важное значение в таких областях, как:

Проверка документов: автоматизация процесса проверки юридических и финансовых документов
Обнаружение мошенничества: выявление потенциально поддельных или неавторизованных подписей
Обработка цифровых документов: оптимизация рабочих процессов в административном и юридическом секторах
Банковское дело и финансы: повышение безопасности при обработке чеков и проверке кредитной документации
Архивные исследования: поддержка анализа и каталогизации исторических документов

Кроме того, он служит ценным ресурсом для образовательных целей, позволяя студентам и исследователям изучать характеристики подписей в документах разных типов.

Link to this sectionYAML набора данных#

Конфигурация набора данных, включая пути и информацию о классах, определяется в YAML-файле. Для набора данных для обнаружения подписей файл signature.yaml находится по адресу 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 sectionИспользование#

Чтобы обучить модель YOLO26n на наборе данных для обнаружения подписей в течение 100 эпох с размером изображения 640, используй предоставленные примеры кода. Полный список доступных параметров можно найти на странице Обучение модели.

Пример обучения

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)

Пример вывода (Inference)

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 sectionПримеры изображений и аннотации#

Набор данных для обнаружения подписей включает множество изображений, демонстрирующих различные типы документов и аннотированные подписи. Ниже приведены примеры изображений из набора данных, каждое из которых сопровождается соответствующими аннотациями.

Пример изображения из набора данных для обнаружения подписей

Мозаичное изображение: здесь мы представляем обучающий пакет, состоящий из мозаичных изображений набора данных. Мозаика — это метод обучения, который объединяет несколько изображений в одно, обогащая разнообразие пакета. Этот метод помогает повысить способность модели к обобщению при работе с подписями разных размеров, соотношений сторон и контекстов.

Этот пример иллюстрирует разнообразие и сложность изображений в наборе данных для обнаружения подписей, подчеркивая преимущества использования мозаики в процессе обучения.

Link to this sectionЦитирование и благодарности#

Набор данных выпущен под лицензией AGPL-3.0.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных для обнаружения подписей и как его можно использовать?#

Набор данных для обнаружения подписей — это коллекция аннотированных изображений, предназначенная для выявления человеческих подписей в документах различных типов. Его можно применять в задачах компьютерного зрения, таких как обнаружение объектов и отслеживание, в основном для проверки документов, обнаружения мошенничества и архивных исследований. Этот набор данных помогает обучать модели распознавать подписи в различных контекстах, что делает его ценным как для исследований, так и для практических приложений в области интеллектуального анализа документов.

Link to this sectionКак обучить модель YOLO26n на наборе данных для обнаружения подписей?#

Чтобы обучить модель YOLO26n на наборе данных для обнаружения подписей, следуй этим шагам:

Скачай файл конфигурации набора данных signature.yaml по ссылке signature.yaml.
Используй следующий Python-скрипт или CLI-команду для запуска обучения:

Пример обучения

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)

Для получения подробной информации перейди на страницу Обучение.

Link to this sectionКаковы основные области применения набора данных для обнаружения подписей?#

Набор данных для обнаружения подписей можно использовать для:

Проверка документов: автоматическая проверка наличия и подлинности человеческих подписей в документах.
Обнаружение мошенничества: выявление поддельных или мошеннических подписей в юридических и финансовых документах.
Архивные исследования: помощь историкам и архивистам в цифровом анализе и каталогизации исторических документов.
Образование: поддержка академических исследований и преподавания в области компьютерного зрения и машинного обучения.
Финансовые услуги: повышение безопасности банковских операций и обработки кредитов путем проверки подлинности подписи.

Link to this sectionКак выполнить инференс с использованием модели, обученной на наборе данных для обнаружения подписей?#

Чтобы выполнить инференс с использованием модели, обученной на наборе данных для обнаружения подписей, следуй этим шагам:

Загрузи свою дообученную модель.
Используй приведенный ниже Python-скрипт или CLI-команду для выполнения инференса: