Link to this sectionİmza Algılama Veri Kümesi#

Bu veri kümesi, belgelerdeki el yazısı imzaların algılanmasına odaklanır. İmzaların ek açıklamalı olduğu çeşitli belge türlerini içerir ve belge doğrulama ve sahtecilik tespiti uygulamaları için değerli içgörüler sağlar. computer vision algoritmalarını eğitmek için gerekli olan bu veri kümesi, çeşitli belge formatlarındaki imzaların tanımlanmasına yardımcı olur ve belge analizindeki araştırmaları ve pratik uygulamaları destekler.

Link to this sectionVeri Kümesi Yapısı#

İmza algılama veri kümesi iki alt kümeye ayrılmıştır:

• Eğitim kümesi: Her biri ilgili ek açıklamalara sahip 143 görsel içerir.
• Doğrulama kümesi: Her biri eşleştirilmiş ek açıklamalara sahip 35 görsel içerir.

Link to this sectionUygulamalar#

Bu veri kümesi, nesne tespiti, nesne takibi ve belge analizi gibi çeşitli bilgisayarlı görü görevlerinde uygulanabilir. Özellikle, belgelerdeki imzaları tanımlamaya yönelik modelleri eğitmek ve değerlendirmek için kullanılabilir; bu da aşağıdakilerde önemli uygulamalara sahiptir:

• Belge Doğrulama: Hukuki ve finansal belgeler için doğrulama sürecini otomatize etme
• Sahtecilik Tespiti: Potansiyel olarak sahte veya yetkisiz imzaları tanımlama
• Dijital Belge İşleme: İdari ve hukuki sektörlerde iş akışlarını kolaylaştırma
• Bankacılık ve Finans: Çek işleme ve kredi belgesi doğrulama işlemlerinde güvenliği artırma
• Arşiv Araştırması: Tarihi belge analizi ve kataloglamayı destekleme

Ek olarak, öğrencilerin ve araştırmacıların farklı belge türlerindeki imza özelliklerini incelemelerini sağlayarak eğitim amaçlı değerli bir kaynak görevi görür.

Link to this sectionVeri Kümesi YAML#

Bir YAML (Yet Another Markup Language) dosyası, yollar ve sınıflar bilgisi dahil olmak üzere veri kümesi yapılandırmasını tanımlar. İmza algılama veri kümesi için signature.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/signature.yaml adresinde bulunur.

# 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 sectionKullanım#

İmza algılama veri kümesi üzerinde 100 epochs boyunca 640 görüntü boyutu ile bir YOLO26n modeli eğitmek için sağlanan kod örneklerini kullan. Mevcut parametrelerin kapsamlı bir listesi için modelin Training sayfasına başvur.

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)

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 sectionÖrnek Görüntüler ve Ek Açıklamalar#

İmza algılama veri kümesi, farklı belge türlerini ve ek açıklamalı imzaları sergileyen çok çeşitli görüntülerden oluşur. Aşağıda, her biri ilgili ek açıklamalarıyla birlikte veri kümesinden görüntü örnekleri bulunmaktadır.

• Mozaik Görüntü: Burada, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubu sunuyoruz. Bir eğitim tekniği olan mozaikleme, birden fazla görüntüyü 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 Algılama Veri Kümesi'ndeki görüntülerin çeşitliliğini ve karmaşıklığını göstererek eğitim sürecine mozaikleme dahil etmenin faydalarını vurgular.

Link to this sectionAlıntılar ve Teşekkür#

Veri kümesi, AGPL-3.0 Lisansı altında yayınlanmıştır.

Link to this sectionSSS#

Link to this sectionİmza Algılama Veri Kümesi nedir ve nasıl kullanılabilir?#

İmza Algılama Veri Kümesi, çeşitli belge türlerindeki insan imzalarını algılamayı amaçlayan ek açıklamalı görüntülerden oluşan bir koleksiyondur. Temelde belge doğrulama, sahtecilik tespiti ve arşiv araştırması için object detection ve izleme gibi bilgisayarlı görü görevlerinde uygulanabilir. Bu veri kümesi, modellerin imzaları farklı bağlamlarda tanımasını eğiterek smart document analysis alanındaki hem araştırma hem de pratik uygulamalar için değerli hale getirir.

Link to this sectionİmza Algılama Veri Kümesi üzerinde bir YOLO26n modelini nasıl eğitirim?#

İmza Algılama Veri Kümesi üzerinde bir YOLO26n modeli eğitmek için şu adımları izle:

1. signature.yaml veri kümesi yapılandırma dosyasını signature.yaml adresinden indir.
2. Eğitimi başlatmak için aşağıdaki Python betiğini veya CLI komutunu kullan:

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)

Daha fazla detay için Training sayfasına başvur.

Link to this sectionİmza Algılama Veri Kümesi'nin temel uygulamaları nelerdir?#

İmza Algılama Veri Kümesi şunlar için kullanılabilir:

1. Belge Doğrulama: Belgelerdeki insan imzalarının varlığını ve orijinalliğini otomatik olarak doğrulama.
2. Sahtecilik Tespiti: Hukuki ve finansal belgelerdeki sahte veya dolandırıcılık amaçlı imzaları tanımlama.
3. Arşiv Araştırması: Tarihçilere ve arşivcilere tarihi belgelerin dijital analizinde ve kataloglanmasında yardımcı olma.
4. Eğitim: Bilgisayarlı görü ve machine learning alanlarında akademik araştırmayı ve öğretimi destekleme.
5. Finansal Hizmetler: İmza orijinalliğini doğrulayarak bankacılık işlemlerinde ve kredi işlemlerinde güvenliği artırma.

Link to this sectionİmza Algılama Veri Kümesi üzerinde eğitilmiş bir model kullanarak nasıl çıkarım yapabilirim?#

İmza Algılama Veri Kümesi üzerinde eğitilmiş bir model kullanarak çıkarım yapmak için şu adımları izle:

1. İnce ayar yapılmış modelini yükle.
2. Çıkarım yapmak için aşağıdaki Python betiğini veya CLI komutunu kullan:

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)

Link to this sectionİmza Algılama Veri Kümesi'nin yapısı nedir ve daha fazla bilgiyi nerede bulabilirim?#

İmza Algılama Veri Kümesi iki alt kümeye ayrılmıştır:

• Eğitim Kümesi: Ek açıklamalı 143 görsel içerir.
• Doğrulama Kümesi: Ek açıklamalı 35 görsel içerir.

For detailed information, you can refer to the Dataset Structure section. Additionally, view the complete dataset configuration in the signature.yaml file located at signature.yaml.