─░├žeri─če ge├ž

─░mza Tespit Veri K├╝mesi

Bu veri k├╝mesi, belgelerdeki insan yaz─▒l─▒ imzalar─▒ tespit etmeye odaklanmaktad─▒r. A├ž─▒klamal─▒ imzalara sahip ├že┼čitli belge t├╝rlerini i├žerir ve belge do─črulama ve doland─▒r─▒c─▒l─▒k tespiti uygulamalar─▒ i├žin de─čerli bilgiler sa─člar. Bilgisayarla g├Ârme algoritmalar─▒n─▒ e─čitmek i├žin gerekli olan bu veri k├╝mesi, ├že┼čitli belge formatlar─▒ndaki imzalar─▒ tan─▒mlamaya yard─▒mc─▒ olarak belge analizindeki ara┼čt─▒rmalar─▒ ve pratik uygulamalar─▒ destekler.

Veri K├╝mesi Yap─▒s─▒

─░mza alg─▒lama veri k├╝mesi ├╝├ž alt k├╝meye ayr─▒lm─▒┼čt─▒r:

  • E─čitim seti: Her biri ilgili a├ž─▒klamalara sahip 143 g├Âr├╝nt├╝ i├žerir.
  • Do─črulama seti: Her biri e┼čle┼čtirilmi┼č ek a├ž─▒klamalara sahip 35 g├Âr├╝nt├╝ i├žerir.

Uygulamalar

Bu veri k├╝mesi nesne alg─▒lama, nesne izleme ve belge analizi gibi ├že┼čitli bilgisayarla g├Ârme g├Ârevlerinde uygulanabilir. ├ľzellikle, belge do─črulama, sahtekarl─▒k tespiti ve ar┼čiv ara┼čt─▒rmalar─▒nda uygulamalar─▒ olabilecek belgelerdeki imzalar─▒ tan─▒mlamaya y├Ânelik modelleri e─čitmek ve de─čerlendirmek i├žin kullan─▒labilir. Ayr─▒ca, ├Â─črencilerin ve ara┼čt─▒rmac─▒lar─▒n farkl─▒ belge t├╝rlerindeki imzalar─▒n ├Âzelliklerini ve davran─▒┼člar─▒n─▒ incelemelerini ve anlamalar─▒n─▒ sa─člayarak e─čitim ama├žl─▒ de─čerli bir kaynak olarak hizmet edebilir.

Veri K├╝mesi YAML

Bir YAML (Yet Another Markup Language) dosyas─▒, yollar ve s─▒n─▒f bilgileri dahil olmak ├╝zere veri k├╝mesi yap─▒land─▒rmas─▒n─▒ tan─▒mlar. ─░mza alg─▒lama veri k├╝mesi i├žin signature.yaml dosyas─▒ ┼ču adreste bulunur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/signature.yaml.

ultralytics/cfg/datasets/signature.yaml

# Ultralytics YOLO ­čÜÇ, AGPL-3.0 license
# Signature dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/signature/
# Example usage: yolo train data=signature.yaml
# parent
# ÔöťÔöÇÔöÇ ultralytics
# ÔööÔöÇÔöÇ datasets
#     ÔööÔöÇÔöÇ signature  ÔćÉ 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

Kullan─▒m

Bir YOLOv8n modelini 640 g├Âr├╝nt├╝ boyutunda 100 epok i├žin imza alg─▒lama veri k├╝mesi ├╝zerinde e─čitmek i├žin sa─članan kod ├Ârneklerini kullan─▒n. Kullan─▒labilir parametrelerin kapsaml─▒ bir listesi i├žin modelin E─čitim sayfas─▒na bak─▒n.

Tren ├ľrne─či

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

├ç─▒kar─▒m ├ľrne─či

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

├ľrnek G├Âr├╝nt├╝ler ve A├ž─▒klamalar

─░mza alg─▒lama veri k├╝mesi, farkl─▒ belge t├╝rlerini ve a├ž─▒klamal─▒ imzalar─▒ sergileyen ├žok ├že┼čitli g├Âr├╝nt├╝lerden olu┼čmaktad─▒r. A┼ča─č─▒da, her birine kar┼č─▒l─▒k gelen ek a├ž─▒klamalar─▒n e┼člik etti─či veri k├╝mesinden g├Âr├╝nt├╝ ├Ârnekleri yer almaktad─▒r.

─░mza alg─▒lama veri k├╝mesi ├Ârnek g├Âr├╝nt├╝s├╝

  • Mozaiklenmi┼č G├Âr├╝nt├╝: Burada, mozaiklenmi┼č veri k├╝mesi g├Âr├╝nt├╝lerinden olu┼čan bir e─čitim grubu sunuyoruz. Bir e─čitim tekni─či olan mozaikleme, birden fazla g├Âr├╝nt├╝y├╝ tek bir g├Âr├╝nt├╝de birle┼čtirerek y─▒─č─▒n ├že┼čitlili─čini zenginle┼čtirir. Bu y├Ântem, modelin farkl─▒ imza boyutlar─▒, en-boy oranlar─▒ ve ba─člamlar aras─▒nda genelleme yapma yetene─čini geli┼čtirmeye yard─▒mc─▒ olur.

Bu ├Ârnek, ─░mza Tespit Veri K├╝mesindeki g├Âr├╝nt├╝lerin ├že┼čitlili─čini ve karma┼č─▒kl─▒─č─▒n─▒ g├Âstermekte ve e─čitim s├╝reci s─▒ras─▒nda mozaiklemenin faydalar─▒n─▒ vurgulamaktad─▒r.

At─▒flar ve Te┼čekk├╝r

Veri seti AGPL-3.0 Lisans─▒ alt─▒nda kullan─▒ma sunulmu┼čtur.



Created 2024-05-22, Updated 2024-06-02
Authors: glenn-jocher (1), RizwanMunawar (1)

Yorumlar