开始使用

签名检测数据集

Ultralytics 签名检测数据集是一个目标检测数据集,包含 178 张文档图像,并标注了一个 signature 类别;数据集预先划分为 143 张训练图像和 35 张验证图像。首次训练时,数据集会自动下载(11.3 MB),可作为文档验证、欺诈检测和数字文档处理等计算机视觉应用的轻量起点。

数据集结构#

该数据集包含 178 张带有手写签名的各类文档图像,分为两个子集:

划分图像说明
训练143用于模型训练的标注图像
验证35用于评估的留出图像

每张图像都包含一个类别 signature 的边界框标注,且配置中没有单独的测试集划分。

自动下载

Signature Detection Dataset(11.3 MB)会在你首次训练时从 Ultralytics GitHub 资源自动下载,因此无需手动下载或准备。

在 Ultralytics Platform 上查看 Signature,浏览带有标注叠加层的图像,在 Charts 标签页查看类别分布和边界框热力图,还可以克隆该数据集,在云端训练自己的模型。

应用场景#

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,支持以下应用:

  • 文档验证:自动检查法律和金融文档中的签名
  • 欺诈检测:识别可能伪造或未经授权的签名
  • 数字文档处理:简化行政和法律领域的工作流程
  • 银行与金融:提升支票处理和贷款文件验证的安全性
  • 档案研究:支持历史文档分析与编目
  • 教育与研究:在计算机视觉课程中研究不同文档类型的签名特征

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。该文件由 Ultralytics 仓库维护,位于 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#

如需在 Signature Detection Dataset 上以 640 的图像尺寸训练一个 YOLO26n 模型,训练 100 个周期,请使用提供的代码示例。

训练示例
from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载预训练模型(推荐用于训练)

# 训练模型
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。下面的示例以 0.75 的置信度阈值对一段示例视频运行预测:

推理示例
from ultralytics import YOLO

# 加载模型
model = YOLO("path/to/best.pt")  # 加载经过签名检测微调的模型

# 使用模型进行推理
results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)

示例图像和标注#

该数据集涵盖多种文档格式,有助于训练出的模型泛化到合同、表单和信件等场景。下面是该数据集中的一个训练批次:

签名检测数据集的马赛克文档标注训练批次

  • 马赛克图像:此训练批次通过马赛克技术组合了多个数据集图像。这种训练技术可以丰富批次的多样性,帮助模型在不同签名尺寸、纵横比和上下文之间实现泛化。

引用与致谢#

该数据集采用 AGPL-3.0 许可证发布。

如果你在研究或开发工作中使用签名检测数据集,请按规范引用:

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#

  • Signature Detection Dataset 收录了 178 张带标注的文档图像,可用于训练模型检测手写签名。它适用于文档验证、欺诈检测和档案研究,也是使用机器学习构建智能文档分析系统的实用基础。

  • 首次使用 data="signature.yaml" 进行训练时,数据集会自动从 Ultralytics GitHub 资源下载(11.3 MB),无需手动下载。如需浏览其他数据集,请查看检测数据集概览。

  • 签名检测数据集包含 143 张训练图像和 35 张验证图像,共 178 张;每张图像都标注了一个类别 signature。该数据集没有单独的测试集。详情请参阅数据集结构部分和signature.yaml配置。

  • 你可以使用 Python 或 CLI,以 640 的图像尺寸训练 YOLO26n 模型 100 个 epoch:

    训练示例
    from ultralytics import YOLO
    
    # 加载预训练模型
    model = YOLO("yolo26n.pt")
    
    # 训练模型
    results = model.train(data="signature.yaml", epochs=100, imgsz=640)

    如需了解更多详情,请参阅训练页面和模型训练技巧。

  • 加载微调后的权重并运行预测:

    推理示例
    from ultralytics import YOLO
    
    # 加载微调后的模型
    model = YOLO("path/to/best.pt")
    
    # 执行推理
    results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)
  • 该数据集采用 AGPL-3.0 License 发布,允许商业使用,但衍生作品(包括通过网络提供的软件)必须以相同许可证开放。如需了解可免除开源要求的许可选项,请参阅 Ultralytics Licensing。

评论2

提出问题、分享结果,或帮助其他人。

  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.