Başla

İmza Algılama Veri Kümesi

Ultralytics İmza Algılama Veri Kümesi, tek bir signature sınıfıyla açıklanmış ve önceden 143 eğitim ile 35 doğrulama görüntüsüne ayrılmış 178 belge görüntüsünden oluşan bir nesne algılama veri kümesidir. Veri kümesi, ilk eğitiminde otomatik olarak indirilir (11,3 MB) ve belge doğrulama, dolandırıcılık tespiti ve dijital belge işleme gibi bilgisayarlı görü uygulamaları için küçük ve kullanışlı bir başlangıç noktası sunar.

Veri Kümesi Yapısı#

Veri kümesi, el yazısıyla atılmış imzalar içeren çeşitli belge türlerine ait 178 görüntüyü iki alt kümeye ayırarak içerir:

BölümGörüntülerAçıklama
Eğit143Model eğitimi için etiketlenmiş görüntüler
Doğrulama35Değerlendirme için ayrılmış görüntüler

Her görüntü, signature adlı tek bir sınıf için sınırlayıcı kutu açıklamaları içerir ve yapılandırmada ayrı bir test bölümü tanımlanmamıştır.

Otomatik indirme

İmza Algılama Veri Kümesi (11,3 MB), ilk eğitiminde Ultralytics GitHub varlıklarından otomatik olarak indirilir; bu nedenle elle indirip hazırlaman gerekmez.

Açıklama katmanlarıyla birlikte görüntülere göz atmak, Charts sekmesinde sınıf dağılımını ve sınırlayıcı kutu ısı haritalarını incelemek ve bulutta kendi modelini eğitmek için klonlamak üzere Ultralytics Platform'daki İmza veri kümesini keşfet.

Uygulamalar#

Bu veri kümesi üzerinde eğitilmiş bir model, taranmış belgelerdeki ve videodaki imzaları belirleyip izleyebilir ve şu alanlarda destek sağlayabilir:

  • Belge Doğrulama: Hukuki ve mali belgelerdeki imza kontrollerini otomatikleştirme
  • Dolandırıcılık Tespiti: Olası sahte veya yetkisiz imzaları belirleme
  • Dijital Belge İşleme: İdari ve hukuki sektörlerdeki iş akışlarını kolaylaştırma
  • Bankacılık ve Finans: Çek işlemlerinde ve kredi belgelerinin doğrulanmasında güvenliği artırma
  • Arşiv Araştırmaları: Tarihî belge analizini ve kataloglamayı destekleme
  • Eğitim ve Araştırma: Bilgisayarlı görü derslerinde farklı belge türlerindeki imza özelliklerini inceleme

Veri Kümesi YAML Dosyası#

signature.yaml dosyası, veri kümesi yollarını, sınıf adlarını ve diğer meta verileri içeren veri kümesi yapılandırmasını tanımlar. Dosya, Ultralytics deposunda https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/signature.yaml konumunda tutulur.

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

Kullanım#

İmza Algılama Veri Kümesinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modelini eğitmek için sağlanan kod örneklerini kullan.

Eğitim Örneği
from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

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

Eğitim tamamlandıktan sonra ince ayar yapılmış modelle belgeler veya videolar üzerinde çıkarım çalıştırabilirsin. Aşağıdaki örnek, 0.75 güven eşiğiyle örnek bir video üzerinde tahmin çalıştırır:

Çıkarım Örneği
from ultralytics import YOLO

# Bir model yükle
model = YOLO("path/to/best.pt")  # ince ayar yapılarak eğitilmiş bir imza algılama modelini yükle

# Modeli kullanarak çıkarım yap
results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)

Örnek Görüntüler ve Ek Açıklamalar#

Veri kümesi, çeşitli belge biçimlerini kapsayarak eğitilmiş modellerin sözleşme, form ve mektuplara genelleme yapmasına yardımcı olur. Aşağıda veri kümesinden bir eğitim grubu gösterilmiştir:

Ek açıklamalı belgelerin imza algılama veri kümesi mozaiklenmiş eğitim batch'i

  • Mozaiklenmiş Görüntü: Bu eğitim batch'i, batch çeşitliliğini artıran ve modelin farklı imza boyutlarına, en-boy oranlarına ve bağlamlara genelleme yapmasına yardımcı olan bir eğitim tekniği olan mozaikleme yoluyla birden fazla veri kümesi görüntüsünü birleştirir.

Atıflar ve Teşekkürler#

Veri kümesi AGPL-3.0 Lisansı kapsamında sunulmuştur.

İmza Tespiti Veri Kümesi'ni araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen uygun şekilde kaynak göster:

Atıf
@dataset{Ultralytics_Signature_Detection_Dataset_2024,
    author = {Ultralytics},
    title = {Signature Detection Dataset},
    year = {2024},
    publisher = {Ultralytics},
    url = {https://docs.ultralytics.com/datasets/detect/signature}
}

Sık Sorulan Sorular#

  • Signature Detection Dataset, el yazısı imzaları algılayan modelleri eğitmek için 178 ek açıklamalı belge görüntüsünden oluşur. Belge doğrulama, dolandırıcılık tespiti ve arşiv araştırmalarını destekler; ayrıca akıllı belge analizi sistemleri geliştirmek için makine öğreniminden yararlanan pratik bir temel sunar.

  • data="signature.yaml" ile ilk kez eğitim yaptığında veri kümesi Ultralytics GitHub varlıklarından otomatik olarak indirilir (11.3 MB); elle indirmen gerekmez. Diğer veri kümelerini keşfetmek için tespit veri kümeleri genel bakışına göz at.

  • İmza Tespiti Veri Kümesi, 143 eğitim ve 35 doğrulama görüntüsü içerir; toplam 178 görüntünün her biri signature adlı tek bir sınıfla etiketlenmiştir. Ayrı bir test bölümü yoktur. Ayrıntılar için Veri Kümesi Yapısı bölümüne ve signature.yaml yapılandırmasına bak.

  • Python veya CLI kullanarak YOLO26n modelini 640 görüntü boyutuyla 100 epoch boyunca eğitebilirsin:

    Eğitim Örneği
    from ultralytics import YOLO
    
    # Önceden eğitilmiş bir modeli yükle
    model = YOLO("yolo26n.pt")
    
    # Modeli eğit
    results = model.train(data="signature.yaml", epochs=100, imgsz=640)

    Daha fazla bilgi için Eğitim sayfasına ve model eğitimi ipuçlarına bak.

  • İnce ayar yapılmış ağırlıklarını yükle ve tahmin çalıştır:

    Çıkarım Örneği
    from ultralytics import YOLO
    
    # İnce ayarı yapılmış modeli yükle
    model = YOLO("path/to/best.pt")
    
    # Çıkarım yap
    results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)
  • Veri kümesi, türev çalışmaların (ağ üzerinden sunulan yazılımlar dâhil) aynı lisansla kullanıma sunulması koşuluyla ticari kullanıma izin veren AGPL-3.0 Lisansı altında yayımlanmıştır. Açık kaynak gerekliliklerini ortadan kaldıran lisans seçenekleri için Ultralytics Lisanslama sayfasına bak.

Yorumlar2

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. Haroon Aziz

    Thank you for providing the free dataset. I am interested in contributing to this platform by creating a dataset for briquette texture classification.

    1. Glenn JocherUltralytics

      Thanks 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.