İmza Tespit Veri Kümesi

Bu veri kümesi, belgelerdeki insan yazılı imzaları tespit etmeye odaklanmaktadır. Açıklamalı imzalara sahip çeşitli belge türlerini içerir ve belge doğrulama ve dolandırıcılık tespiti uygulamaları için değerli bilgiler sağlar. Bilgisayarla görme algoritmalarını eğitmek için gerekli olan bu veri kümesi, çeşitli belge formatlarındaki imzaları tanımlamaya yardımcı olarak belge analizindeki araştırmaları ve pratik uygulamaları destekler.

Veri Kümesi Yapısı

İmza algılama veri kümesi iki alt kümeye ayrılmıştır:

• Eğitim seti: Her biri ilgili açıklamalara sahip 143 görüntü içerir.
• Doğrulama seti: Her biri eşleştirilmiş ek açıklamalara sahip 35 görüntü içerir.

Uygulamalar

Bu veri kümesi nesne algılama, nesne izleme ve belge analizi gibi çeşitli bilgisayarla görme görevlerinde uygulanabilir. Özellikle, önemli uygulamaları olan belgelerdeki imzaları tanımlamaya yönelik modelleri eğitmek ve değerlendirmek için kullanılabilir:

• Belge Doğrulama: Yasal ve finansal belgeler için doğrulama sürecini otomatikleştirme
• Sahtekarlık Tespiti: Potansiyel olarak sahte veya yetkisiz imzaların belirlenmesi
• Dijital Belge İşleme: İdari ve hukuki sektörlerde iş akışlarını kolaylaştırma
• Bankacılık ve Finans: Çek işleme ve kredi belgesi doğrulamada güvenliğin artırılması
• Arşiv Araştırması: Tarihi belge analizi ve kataloglamanın desteklenmesi

Ayrıca, öğrencilerin ve araştırmacıların farklı belge türlerinde imza özelliklerini incelemelerini sağlayarak eğitim amaçlı değerli bir kaynak olarak hizmet vermektedir.

Veri Kümesi YAML

Bir YAML (Yet Another Markup Language) dosyası, yollar ve sınıf bilgileri dahil olmak üzere veri kümesi yapılandırmasını tanımlar. İmza algılama veri kümesi için signature.yaml dosyası şu adreste bulunur 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 (11.2 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://github.com/ultralytics/assets/releases/download/v0.0.0/signature.zip

Kullanım

Bir YOLO11n modelini 640 görüntü boyutunda 100 epok için imza algılama veri kümesi üzerinde eğitmek için sağlanan kod örneklerini kullanın. Kullanılabilir parametrelerin kapsamlı bir listesi için modelin Eğitim sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.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

Örnek Görüntüler ve Açıklamalar

İmza algılama veri kümesi, farklı belge türlerini ve açıklamalı imzaları sergileyen çok çeşitli görüntülerden oluşmaktadır. Aşağıda, her birine karşılık gelen ek açıklamaların eşlik ettiği veri kümesinden görüntü örnekleri yer almaktadır.

• Mozaiklenmiş Görüntü: Burada, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubu sunuyoruz. Bir eğitim tekniği olan mozaikleme, birden fazla görüntüyü tek bir görüntüde birleştirerek yığın çeşitliliğini zenginleştirir. Bu yöntem, modelin farklı imza boyutları, en-boy oranları ve bağlamlar arasında genelleme yapma yeteneğini geliştirmeye yardımcı olur.

Bu örnek, İmza Tespit Veri Kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını göstermekte ve eğitim süreci sırasında mozaiklemenin faydalarını vurgulamaktadır.

Atıflar ve Teşekkür

Veri seti AGPL-3.0 Lisansı altında kullanıma sunulmuştur.

SSS

İmza Tespit Veri Seti nedir ve nasıl kullanılabilir?

İmza Tespit Veri Kümesi, çeşitli belge türlerindeki insan imzalarını tespit etmeyi amaçlayan açıklamalı görüntülerden oluşan bir koleksiyondur. Başta belge doğrulama, dolandırıcılık tespiti ve arşiv araştırmaları olmak üzere nesne alg ılama ve izleme gibi bilgisayarla görme görevlerinde uygulanabilir. Bu veri kümesi, farklı bağlamlarda imzaları tanımak için modellerin eğitilmesine yardımcı olarak akıllı belge analizinde hem araştırma hem de pratik uygulamalar için değerli hale getirir.

İmza Tespit Veri Kümesi üzerinde bir YOLO11n modelini nasıl eğitebilirim?

İmza Tespit Veri Kümesi üzerinde bir YOLO11n modelini eğitmek için aşağıdaki adımları izleyin:

1. İndirin signature.yaml 'den veri kümesi yapılandırma dosyası signature.yaml.
2. Eğitimi başlatmak için aşağıdaki Python komut dosyasını veya CLI komutunu kullanın:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="signature.yaml", epochs=100, imgsz=640)

yolo detect train data=signature.yaml model=yolo11n.pt epochs=100 imgsz=640

Daha fazla ayrıntı için Eğitim sayfasına bakın.

İmza Tespit Veri Setinin ana uygulamaları nelerdir?

İmza Tespit Veri Seti şunlar için kullanılabilir:

1. Belge Doğrulama: Belgelerdeki insan imzalarının varlığını ve gerçekliğini otomatik olarak doğrulama.
2. Sahtekarlık Tespiti: Yasal ve finansal belgelerdeki sahte veya hileli imzaların tespit edilmesi.
3. Arşiv Araştırması: Tarihi belgelerin dijital analizi ve kataloglanmasında tarihçilere ve arşivcilere yardımcı olmak.
4. Eğitim: Bilgisayarla görme ve makine öğrenimi alanlarında akademik araştırma ve öğretimi desteklemek.
5. Finansal Hizmetler: İmzanın gerçekliğini doğrulayarak bankacılık işlemlerinde ve kredi işlemlerinde güvenliğin artırılması.

İmza Tespit Veri Kümesi üzerinde eğitilmiş bir model kullanarak nasıl çıkarım yapabilirim?

İmza Tespit Veri Kümesi üzerinde eğitilmiş bir model kullanarak çıkarım yapmak için aşağıdaki adımları izleyin:

1. İnce ayarlanmış modelinizi yükleyin.
2. Çıkarım yapmak için aşağıdaki Python komut dosyasını veya CLI komutunu kullanın:

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)

yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/signature-s.mp4" conf=0.75

İmza Tespit Veri Setinin yapısı nedir ve daha fazla bilgiyi nerede bulabilirim?

İmza Tespit Veri Kümesi iki alt kümeye ayrılmıştır:

• Eğitim Seti: Ek açıklamalı 143 görüntü içerir.
• Doğrulama Seti: Ek açıklamalı 35 görüntü içerir.

Ayrıntılı bilgi için şu adrese başvurabilirsiniz Veri Kümesi Yapısı bölümüne bakın. Ayrıca, veri kümesi yapılandırmasının tamamını signature.yaml adresinde bulunan dosya signature.yaml.

📅1 0 ay önce oluşturuldu ✏️ 9 gün önce güncellendi

Yorumlar