İmza Algılama Veri Kümesi

Bu veri kümesi, belgeler içindeki insan tarafından yazılmış imzaları algılamaya odaklanır. Belge doğrulama ve sahtekarlık tespiti uygulamaları için değerli bilgiler sağlayan, açıklanmış imzalar içeren çeşitli belge türlerini içerir. Bilgisayarla görü algoritmalarını eğitmek için gerekli olan bu veri kümesi, çeşitli belge formatlarındaki imzaların tanımlanmasına yardımcı olarak belge analizinde araştırma ve pratik uygulamaları destekler.

Veri Seti Yapısı

İmza algılama veri kümesi iki alt kümeye ayrılmıştır:

• Eğitim seti: Her biri karşılık gelen açıklamalara sahip 143 görüntü içerir.
• Doğrulama kümesi: Her biri eşleştirilmiş açıklamalarla birlikte 35 görüntü içerir.

Uygulamalar

Bu veri seti, nesne tespiti, nesne takibi ve belge analizi gibi çeşitli bilgisayarlı görü görevlerinde uygulanabilir. Özellikle, belgelerdeki imzaları tanımlamak için modelleri eğitmek ve değerlendirmek için kullanılabilir ve bunun şu alanlarda önemli uygulamaları vardır:

• Belge Doğrulama: Yasal ve finansal belgeler için doğrulama sürecini otomatikleştirme
• Sahtekarlık Tespiti: Potansiyel olarak sahte veya yetkisiz imzaların belirlenmesi
• Dijital Belge İşleme: İdari ve yasal sektörlerde iş akışlarını kolaylaştırma
• Bankacılık ve Finans: Çek işleme ve kredi belgesi doğrulamasında güvenliği artırma
• Arşiv Araştırması: Tarihi belge analizini ve kataloglamayı destekleme

Ek olarak, öğrencilerin ve araştırmacıların farklı belge türlerindeki imza özelliklerini incelemelerini sağlayarak eğitim amaçları için değerli bir kaynak görevi görür.

Veri Seti 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 konumda bulunur: https://github.com/ultralytics/ultralytics/blob/main/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

Kullanım

640 görüntü boyutuyla imza algılama veri kümesinde bir YOLO11n modelini 100 epok için eğitmek için sağlanan kod örneklerini kullanın. Mevcut parametrelerin kapsamlı bir listesi için modelin Eğitim sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.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 açıklanmış imzaları sergileyen çok çeşitli görüntülerden oluşur. Aşağıda, veri kümesinden görüntülere ve bunlara karşılık gelen açıklamalara örnekler verilmiştir.

• Mozaiklenmiş Görüntü: Burada, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubu sunuyoruz. Bir eğitim tekniği olan mozaikleme, birden çok görüntüyü tek bir görüntüde birleştirerek grup çeşitliliğini zenginleştirir. Bu yöntem, modelin farklı imza boyutları, en boy oranları ve bağlamlarda genelleme yeteneğini geliştirmeye yardımcı olur.

Bu örnek, imza Algılama Veri Kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını göstererek, eğitim sürecinde mozaiklemenin dahil edilmesinin faydalarını vurgulamaktadır.

Alıntılar ve Teşekkürler

Veri kümesi, AGPL-3.0 Lisansı altında yayınlanmıştır.

SSS

İmza Algılama Veri Kümesi nedir ve nasıl kullanılabilir?

İmza Algılama Veri Kümesi, çeşitli belge türleri içindeki insan imzalarını tespit etmeyi amaçlayan, açıklama eklenmiş görüntülerden oluşan bir koleksiyondur. Başta belge doğrulaması, sahtekarlık tespiti ve arşiv araştırması olmak üzere nesne algılama ve izleme gibi bilgisayar görüşü görevlerinde uygulanabilir. Bu veri kümesi, modelleri farklı bağlamlarda imzaları tanımaları için eğitmeye yardımcı olur ve hem araştırma hem de akıllı belge analizi alanındaki pratik uygulamalar için değerli kılar.

İmza Algılama Veri Kümesi üzerinde nasıl bir YOLO11n modeli eğitebilirim?

İmza Algılama Veri Kümesi üzerinde bir YOLO11n modeli eğitmek için şu adımları izleyin:

1. Şunu indirin: signature.yaml veri kümesi yapılandırma dosyasını şuradan: signature.yaml.
2. Eğitime başlamak için aşağıdaki Python komut dosyasını veya CLI komutunu kullanın:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="signature.yaml", epochs=100, imgsz=640)

yolo detect train data=signature.yaml model=yolo11n.pt epochs=100 imgsz=640

Daha fazla ayrıntı için Eğitim sayfasına bakın.

İmza Algılama Veri Kümesinin ana uygulamaları nelerdir?

İmza Algılama Veri Seti şunlar için kullanılabilir:

1. Belge Doğrulama: Belgelerde insan imzalarının varlığını ve orijinalliğini otomatik olarak doğrulama.
2. Sahtekarlık Tespiti: Yasal ve finansal belgelerde sahte veya hileli imzaları belirleme.
3. Arşiv Araştırması: Tarihçilere ve arşivcilere tarihi belgelerin dijital analizi ve kataloglanmasında yardımcı olma.
4. Eğitim: Bilgisayar görüşü ve makine öğrenimi alanlarındaki akademik araştırmaları ve öğretimi destekleme.
5. Finansal Hizmetler: İmza doğruluğunu teyit ederek bankacılık işlemleri ve kredi süreçlerinde güvenliği artırma.

İmza Algılama Veri Kümesi üzerinde eğitilmiş bir modeli kullanarak çıkarım nasıl gerçekleştirebilirim?

İmza Algılama Veri Seti üzerinde eğitilmiş bir modeli kullanarak çıkarım gerçekleştirmek için şu adımları izleyin:

1. İnce ayarlı modelinizi yükleyin.
2. Çıkarım gerçekleştirmek için aşağıdaki Python betiğini veya CLI komutunu kullanın:

from ultralytics import YOLO

# Load the fine-tuned model
model = YOLO("path/to/best.pt")

# Perform inference
results = model.predict("https://ultralytics.com/assets/signature-s.mp4", conf=0.75)

yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/signature-s.mp4" conf=0.75

İmza Algılama Veri Kümesi'nin yapısı nedir ve daha fazla bilgiyi nerede bulabilirim?

İmza Algılama Veri Kümesi iki alt kümeye ayrılmıştır:

• Eğitim Kümesi: Açıklamalarla birlikte 143 görüntü içerir.
• Doğrulama Kümesi: Açıklamalar içeren 35 görsel içerir.

Ayrıntılı bilgi için şu bölüme başvurabilirsiniz: Veri Seti Yapısı bölümüne bakabilirsiniz. Ek olarak, veri kümesinin tam yapılandırmasını signature.yaml adresinde bulunan signature.yaml.

📅 1 yıl önce oluşturuldu ✏️ 4 ay önce güncellendi

Yorumlar