Набор данных для обнаружения подписей
Набор данных Ultralytics для обнаружения подписей — это набор данных для обнаружения объектов, состоящий из 178 изображений документов с аннотациями одного класса signature; данные заранее разделены на 143 обучающих и 35 валидационных изображений. Набор данных загружается автоматически (11.3 MB) при первой тренировке, предоставляя компактную отправную точку для приложений компьютерного зрения, например проверки документов, обнаружения мошенничества и цифровой обработки документов.
Структура набора данных#
Набор данных содержит 178 изображений документов разных типов с рукописными подписями, разделённых на две подвыборки:
| Подвыборка | Изображения | Описание |
|---|---|---|
| Обучение | 143 | Размеченные изображения для обучения модели |
| Валидация | 35 | Отложенные изображения для оценки |
На каждом изображении есть аннотации ограничивающих рамок одного класса — signature; в конфигурации не предусмотрена отдельная тестовая выборка.
Набор данных для обнаружения подписей (11.3 MB) автоматически загружается из ресурсов Ultralytics GitHub при первой тренировке, поэтому вручную скачивать и подготавливать данные не нужно.
Открой Signature на Ultralytics Platform, чтобы посмотреть изображения с наложенными аннотациями, изучить распределение классов и тепловые карты ограничивающих рамок на вкладке Charts, а также клонировать набор данных для обучения собственной модели в облаке.
Применение#
Обученная на этом наборе данных модель может находить и отслеживать подписи в отсканированных документах и видео, что позволяет использовать её для:
- Проверка документов: автоматизация проверки подписей в юридических и финансовых документах
- Обнаружение мошенничества: выявление потенциально поддельных или несанкционированных подписей
- Цифровая обработка документов: оптимизация рабочих процессов в административной и юридической сферах
- Банковское дело и финансы: повышение безопасности обработки чеков и проверки кредитных документов
- Архивные исследования: помощь в анализе и каталогизации исторических документов
- Образование и исследования: изучение характеристик подписей в разных типах документов на курсах компьютерного зрения
Файл YAML набора данных#
Файл signature.yaml задаёт конфигурацию набора данных — пути к данным, названия классов и другие метаданные. Файл поддерживается в репозитории Ultralytics по адресу 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.zipИспользование#
Чтобы обучить модель YOLO26n на датасете Signature Detection в течение 100 эпох с размером изображения 640, используй приведённые примеры кода.
from ultralytics import YOLO
# Загрузить модель
model = YOLO("yolo26n.pt") # загрузить предварительно обученную модель (рекомендуется для обучения)
# Обучить модель
results = model.train(data="signature.yaml", epochs=100, imgsz=640)После обучения ты можешь запускать инференс на документах или видео с помощью дообученной модели. Пример ниже запускает предсказание на тестовом видео с порогом уверенности 0.75:
from ultralytics import YOLO
# Загрузить модель
model = YOLO("path/to/best.pt") # загрузи дообученную модель для обнаружения подписей
# Инференс с использованием модели
results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)Примеры изображений и аннотаций#
Набор данных охватывает различные форматы документов, помогая обученным моделям обобщать знания на договоры, формы и письма. Ниже показан обучающий батч из набора данных:

- Изображение с мозаичной аугментацией: в этом обучающем батче объединены изображения из нескольких наборов данных. Мозаичная аугментация увеличивает разнообразие батча и помогает модели обобщать на подписи разных размеров и пропорций, а также на различные контексты.
Цитирование и благодарности#
Датасет доступен по лицензии AGPL-3.0.
Если ты используешь датасет для обнаружения подписей в исследованиях или разработке, укажи ссылку на него:
@dataset{Ultralytics_Signature_Detection_Dataset_2024,
author = {Ultralytics},
title = {Signature Detection Dataset},
year = {2024},
publisher = {Ultralytics},
url = {https://docs.ultralytics.com/datasets/detect/signature}
}Часто задаваемые вопросы#
Набор данных Signature Detection содержит 178 размеченных изображений документов для обучения моделей обнаружению рукописных подписей. Он подходит для проверки документов, обнаружения мошенничества и архивных исследований, а также служит практической основой для создания систем интеллектуального анализа документов с помощью машинного обучения.
Когда ты впервые запускаешь обучение с
data="signature.yaml", датасет автоматически скачивается (11,3 МБ) из ресурсов Ultralytics на GitHub — вручную скачивать его не нужно. Чтобы посмотреть другие датасеты, загляни в обзор датасетов для обнаружения объектов.Датасет для обнаружения подписей содержит 143 изображения для обучения и 35 для валидации — всего 178. На каждом изображении размечен один класс:
signature. Отдельной тестовой выборки нет. Подробнее см. в разделе Структура датасета и конфигурацииsignature.yaml.Ты можешь обучить модель YOLO26n в течение 100 эпох с размером изображения 640, используя Python или CLI:
Пример обученияfrom ultralytics import YOLO # Загрузи предварительно обученную модель model = YOLO("yolo26n.pt") # Обучить модель results = model.train(data="signature.yaml", epochs=100, imgsz=640)Подробнее см. на странице Обучение и в разделе советы по обучению моделей.
Загрузи веса дообученной модели и запусти предсказание:
Пример инференсаfrom ultralytics import YOLO # Загрузи дообученную модель model = YOLO("path/to/best.pt") # Выполнить инференс results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)Датасет распространяется по лицензии AGPL-3.0, которая разрешает коммерческое использование при условии, что производные работы — включая программное обеспечение, предоставляемое через сеть, — распространяются по той же лицензии. Варианты лицензирования без требований открытого исходного кода см. на странице Лицензирование Ultralytics.
Комментарии2
Задай вопрос, поделись результатами или помоги кому-нибудь.
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.



