Ultralytics YOLO Signature Detection Dataset：单类手写签名检测数据集的配置、自动下载与训练实战

Ultralytics YOLO Signature Detection Dataset单类手写签名检测数据集的配置、自动下载与训练实战【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics本文围绕 Ultralytics 仓库中的 Signature Detection Dataset 展开讲清这个由 178 张文档图像、单signature类别组成的目标检测数据集的结构与配置signature.yaml并结合仓库源码说明首次训练时 11.3 MB 数据集压缩包如何被自动解析、下载与解压最后给出用 YOLO26n 完成训练与推理的完整 Python/CLI 示例帮助读者快速搭建文档核验、欺诈检测等场景的签名定位模型。1. 数据集概览Signature Detection Dataset 是一个面向文档图像的目标检测数据集共178 张文档图像每张图都带有signature手写签名类别的边界框标注并预先划分为训练/验证两个子集子集图像数说明Train143带标注图像用于模型训练Validation35留出图像用于评估配置文件中没有定义单独的 test 划分。数据集体积仅11.3 MB在首次训练时从 Ultralytics 的 GitHub assets 自动下载无需任何手动下载或数据准备是文档核验、欺诈检测、数字文档处理等计算机视觉应用的一个紧凑起点。2. 适用场景用该数据集训练出的模型可以在扫描文档和视频中定位并跟踪签名典型应用包括文档核验Document Verification在法律和金融文档中自动化签名位置检查欺诈检测Fraud Detection标记可能被伪造或未经授权签署的签名区域数字文档处理简化行政、法务部门的文档处理流程银行与金融增强支票处理、贷款文档核验的安全性档案研究支撑历史文档分析与编目教育与科研在计算机视觉课程中研究不同文档类型中签名的视觉特征。需要说明的是本数据集解决的是在哪里找到签名的定位问题是否伪造的判别通常还要依赖后续的特征匹配或分类模型。3. 数据集 YAML 配置详解数据集配置维护在仓库的 signature.yaml完整内容如下# 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 datasignature.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各配置项的含义与检测数据集通用格式一致可对照 coco128.yaml 等其他检测数据集配置键取值说明pathsignature数据集根目录名相对全局datasets_dir见下文源码解析trainimages/train训练图像目录相对path共 143 张valimages/val验证图像目录相对path共 35 张names0: signature类别映射类别索引 0 对应signaturedownload.../signature.zip可选的自动下载地址ZIP首次训练缺失数据时触发4. 自动下载机制的源码解析首次训练自动下载这一行为由check_det_dataset实现入口位于 ultralytics/data/utils.py。其关键流程为定位 YAMLcheck_file(dataset)会把datasignature.yaml之类的裸名字解析为实际文件仓库内 cfg 路径或全局数据目录若传入的是.zip则先解压并查找其中的 YAMLL566-L579结构校验强制要求train与val键存在names与nc至少给出其一否则抛出SyntaxErrorL590-L617对 signature.yaml 这类只有names的写法会自动推导出nc 1路径解析相对路径会拼接到全局数据集目录DATASETS_DIR下由 ultralytics/utils/init.py 中DATASETS_DIR Path(SETTINGS[datasets_dir])决定可在设置中修改。因此 signature 数据集解压后位于datasets_dir/signature/按需下载当val图像路径不存在且 YAML 声明了download字段时若该值是以http开头且以.zip结尾的 URL就调用safe_download(urls, dirDATASETS_DIR, deleteTrue)下载到全局数据目录并解压下载完成后重新定位目录L639-L663。若download值是bash ...或 Python 脚本则分别走子进程执行或exec执行——signature 走的是前者最简单的情形纯 URL 下载。由此可以确认文档中no manual download or preparation is required的说法对应源码中 URL 分支的safe_download调用数据下载目录可以通过设置文件中的datasets_dir调整源码在报错提示中也会打印该目录见 L650。5. 使用方式训练 YOLO26n在 Signature Detection Dataset 上训练 YOLO26n 模型100 个 epoch、图像尺寸 640这两者恰好也是 default.yaml 中epochs: 100与imgsz: 640的默认值from ultralytics import YOLO # Load a model model YOLO(yolo26n.pt) # load a pretrained model (recommended for training) # Train the model results model.train(datasignature.yaml, epochs100, imgsz640)# Start training from a pretrained *.pt model yolo detect train datasignature.yaml modelyolo26n.pt epochs100 imgsz640训练入口是 ultralytics/engine/model.py 中的Model.train传入datasignature.yaml后框架内部会经过上文第 4 节的check_det_dataset完成 YAML 校验与自动下载。更多训练参数batch、device、patience等参见 Training 与 model training tips。5.1 单类别数据集的训练注意点由于只有 1 个类别nc由names自动推导为 1源码见 L614-L617无需在 YAML 中手写nc。小数据集178 张图训练时通常还建议使用预训练权重yolo26n.pt做迁移学习而非从零开始保留默认的 Mosaic 等数据增强以缓解样本量小的过拟合风险见下文样例图关注验证集35 张的曲线变化必要时调低epochs并启用 early stopping。6. 使用方式微调后推理训练完成后可用微调后的权重对文档图像或视频运行推理。以下示例以 0.75 的置信度阈值对一段样本视频做预测示例中source可替换为本地视频/图像路径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(path/to/video.mp4, conf0.75) # 文档示例中的 signature 样本视频或本地路径# Start prediction with a finetuned *.pt model yolo detect predict modelpath/to/best.pt imgsz640 sourcepath/to/video.mp4 conf0.75参数说明conf为置信度阈值default.yaml中注明 predict 默认 0.25、val 默认 0.001示例显式提高到 0.75 以减少误检imgsz推理时可为 int也可按 predict/export 场景使用[h, w]列表见 default.yaml 的注释。推理入口为 ultralytics/engine/model.py 的Model.predict。7. 样例图像与 Mosaic 增强数据集覆盖多种文档格式有助于训练出的模型在合同、表单、信函等不同版式间泛化。原文档展示的是一个经过 Mosaic 拼接的训练 batch把多张数据图拼合成一张增加 batch 内多样性从而提升模型对不同签名尺寸、宽高比与上下文的泛化能力。Mosaic 属于 Ultralytics 训练管线的标准增强手段相关增强参数mosaic、copy_paste等汇总在 augmentation-args可在训练时按需覆盖。8. 引用与许可证该数据集以 AGPL-3.0 License 发布。若将其用于研究或开发工作请按规范引用dataset{Ultralytics_Signature_Detection_Dataset_2024, author {Ultralytics}, title {Signature Detection Dataset}, year {2024}, publisher {Ultralytics}, url {https://docs.ultralytics.com/datasets/detect/signature} }关于商用AGPL-3.0 允许商用但衍生作品——包括通过网络提供的软件——必须以相同许可证开源如需去除该义务需采用 Ultralytics 提供的商业许可选项。9. 常见问题FAQ这个数据集用来做什么它是 178 张带标注文档图像的集合用于训练手写签名检测模型支撑文档核验、欺诈检测与档案研究是构建智能文档分析系统的实用基础。如何下载使用datasignature.yaml首次训练时会自动从 GitHub assets 下载 11.3 MB 压缩包机制见第 4 节无需手动下载。更多检测数据集可浏览检测数据集总览。图像与类别数量143 张训练 35 张验证共 178 张单类别signature无独立测试集细节见 signature.yaml。如何训练与推理见第 5、6 节的 Python/CLI 完整示例更多细节参考 Training 与 model training tips。可否用于商业项目数据集为 AGPL-3.0 许可允许商用但网络分发的衍生作品须同许可开源替代方案见 Ultralytics 的许可证页面仓库根目录 LICENSE 为 AGPL-3.0 文本。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考