签名检测数据集#

Name: 签名检测数据集
Creator: Ultralytics
License: https://www.ultralytics.com/license
Keywords: 签名检测数据集, 签名检测, 文档验证, 欺诈检测, 目标检测, 计算机视觉, YOLO26, Ultralytics, 签名标注, 文档分析

Ultralytics Signature Detection Dataset 是一个包含 178 张文档图像的目标检测数据集，使用单一的 signature 类别进行标注，并预先划分为 143 张训练图像和 35 张验证图像。该数据集在你首次训练时会自动下载（11.3 MB），使其成为文档验证、欺诈检测和数字文档处理等计算机视觉应用的一个轻量级起点。

数据集结构#

该数据集包含 178 张带有手写签名的各种文档类型图像，分为两个子集：

拆分	图像	描述
训练	143	用于模型训练的标注图像
验证	35	用于评估的保留图像

每张图像都带有针对一个类别 signature 的边界框标注，且配置文件未定义单独的测试集。

自动下载

签名检测数据集（11.3 MB）会在你首次训练时自动从 Ultralytics GitHub 资源下载，因此无需手动下载或准备。

浏览 Signature on Ultralytics Platform 以查看带有标注叠加层的图像，在 Charts 选项卡中查看类别分布和边界框热力图，并将其克隆以在云端训练你自己的模型。

应用#

在此数据集上训练的模型可以识别并跟踪扫描文档和视频中的签名，支持：

文档验证：自动化处理法律和金融文档中的签名核对
欺诈检测：识别潜在的伪造或未经授权的签名
数字文档处理：简化行政和法律部门的工作流程
银行与金融：增强支票处理和贷款文档验证过程的安全性
档案研究：支持历史文档的分析与编目
教育与研究：在计算机视觉课程中研究各类文档中的签名特征

数据集 YAML#

signature.yaml 文件定义了数据集配置——包括数据集路径、类别名称和其他元数据。它维护在 Ultralytics 仓库中，地址为 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/signature.yaml。

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

用法#

若要在 Signature Detection Dataset 上以 640 的图像尺寸训练 YOLO26n 模型 100 个轮次，请使用提供的代码示例。有关可用参数的完整列表，请参考模型的训练页面。

训练示例

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)

训练完成后，你可以使用微调后的模型对文档或视频运行推理。以下示例在置信度阈值为 0.75 的情况下对示例视频运行预测：

推理示例

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)

样本图像和标注#

该数据集涵盖了多种文档格式，有助于训练出的模型在合同、表格和信函中进行泛化。以下是来自该数据集的一个训练批次：

Signature detection dataset sample image

马赛克图像：在此，我们展示了一批由马赛克处理后的数据集图像组成的训练批次。马赛克（Mosaicing）是一种训练技术，它将多张图像合并为一张，从而丰富了批次的多样性。该方法有助于增强模型在处理不同签名尺寸、纵横比和上下文时的泛化能力。

引用与致谢#

该数据集在 AGPL-3.0 License 下发布。

如果你在研究或开发工作中使用签名检测数据集，请正确引用它：

引用

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

常见问题解答#