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 üç 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, belge doğrulama, sahtekarlık tespiti ve arşiv araştırmalarında uygulamaları olabilecek belgelerdeki imzaları tanımlamaya yönelik modelleri eğitmek ve değerlendirmek için kullanılabilir. Ayrıca, öğrencilerin ve araştırmacıların farklı belge türlerindeki imzaların özelliklerini ve davranışlarını incelemelerini ve anlamalarını sağlayarak eğitim amaçlı değerli bir kaynak olarak hizmet edebilir.

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 YOLO 🚀, AGPL-3.0 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://ultralytics.com/assets/signature.zip

Kullanım

Bir YOLOv8n 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("yolov8n.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=yolov8n.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.

Yorumlar