Ultralytics YOLO27：
Get Started
AGPL 3.0

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#

要在签名检测数据集上训练 YOLO26n 模型，使用 640 的图像尺寸训练 100 个 epoch，请使用提供的代码示例。有关可用参数的完整列表，请参阅模型的训练页面。

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：

签名检测数据集示例图像

  • 拼接图像：这里展示了一个由拼接后的数据集图像组成的训练批次。拼接是一种训练技术，可将多张图像合并为一张，从而丰富批次的多样性。这种方法有助于提升模型对不同签名尺寸、宽高比和上下文的泛化能力。

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：

引用格式
@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#

  • 签名检测数据集包含 178 张经过标注的文档图像，可用于训练检测手写签名的模型。该数据集支持文档验证、欺诈检测和档案研究，也是构建智能文档分析系统的实用基础，可结合机器学习实现。

  • 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。

贡献者
GLglenn-jocher10RAraimbekovm3RIRizwanMunawar2PDpderrenger1HIhim2him21MAMatthewNoyce1

评论