简介：这套签名检测数据集面向从事目标检测、文档智能处理与身份认证的开发者，专注于图像中签名区域的自动定位，可快速接入YOLO、YOLOv12等主流检测框架。压缩包共含1604个文件，主体为801张jpg原图与一一对应的801个txt标注文件（YOLO格式边界框），另附1个yaml配置文件和1份docx说明文档，整体大小仅37.94MB，便于下载与部署。数据已按训练集610张、验证集109张、测试集82张完成划分，类别统一为Signature，所有图像均经精确标注，样本来源于实际签名场景，覆盖多源签名样式，能有效增强模型在不同文档背景下的泛化能力。已有200人学习下载，可直接用于文档自动化处理中的签名提取、身份认证系统的签名核验，也可作为目标检测算法的教学与优化基准。
1. 签名检测数据集：从合同堆里把签字区域抠出来的 801 张图
做文档自动化的同行应该都有同感：合同归档、贷前审批、法律文书电子化，最耗人力的不是 OCR 读正文，而是找签名。一份合同几十页，签字可能藏在最后一页角落，也可能是两三个签名挨在一起，人工翻页找完还要再裁剪存档。这个数据集就是干这个的：801 张真实签名场景图片，YOLO 格式标注，单类别 Signature，训练集 610 张、验证集 109 张、测试集 82 张，边界框把签名区域框得比较准。适合三类人：做文档结构识别与合同解析的、研究签名检测作为身份认证前置步骤的，以及想拿真实业务数据练 YOLO 而不是只用公开玩具数据集的人。先说一个反直觉的结论：800 张图在目标检测里不算大，但单类别 + 标注质量高的组合，训练起来比想象中快，而且能跑到直接上线的精度。
2. 先看懂 YOLO 标注再动手：目录结构、标签文件和 801 张图的分布
2.1 解压后的目录长什么样
这个 zip 包解压之后，结构比大多数网上直接下的数据集要清爽——没有一堆乱七八糟的 README 和废弃文件夹。我先用一条 tree 命令扫一遍，确认 images 和 labels 是否一一对应：
tree -L 2 --dirsfirst我自己习惯拿到任何 YOLO 数据集的第一步都是跑这条命令，确认 train / val / test 三个目录都存在，且 images 和 labels 下的文件名能对上。这个数据集里的文件名是类似image_48_png_jpg.rf.3bbd67ee914f6f081c4a97435e06c8c3.jpg这种带哈希后缀的，一看就是从 Roboflow 导出的，文件名里保留了原始来源，方便回溯。
一个值得注意的小细节：这里的 test 集是独立划分的，不是从 train 里临时切出来的。很多野数据集为了省事只有 train 和 val，test 全靠自己从 val 里再分，这个数据集直接给了三方划分，意味着你可以直接把测试集当验收标准用，不用自己再动刀。
2.2 标注文件逐行拆解
YOLO 格式的标注是每个图片对应一个同名 .txt 文件，每行描述一个目标。第一列是类别 ID，后面四列是归一化的中心点 x、中心点 y、框宽 w、框高 h，全部除以图片宽高做了归一化。我拿 Python 读一个标注文件看看实际情况：
import pathlib label_path = pathlib.Path("labels/train/image_48_png_jpg.rf.3bbd67ee914f6f081c4a97435e06c8c3.txt") for line in label_path.read_text().strip().splitlines(): cls, x_center, y_center, w, h = map(float, line.split()) print(f"类别: {int(cls)}, x_center: {x_center:.4f}, " f"y_center: {y_center:.4f}, width: {w:.4f}, height: {h:.4f}")这段代码做的事情很简单：按行读取标注文件，用空格切分后转成浮点数。这里cls在这个数据集里永远是 0，因为只有 Signature 一个类别；x_center和y_center的值域在 0 到 1 之间，表示目标中心在图片中的相对位置；width和height也是相对值，比如 0.4321 表示框宽占整图宽度的 43.21%。如果你在训练时发现 mAP 很低但 Loss 已经收敛，回头看一眼标注文件里有没有出现大于 1 的坐标值，那是预处理环节没做干净。
2.3 用脚本确认数据分布的底细
拿到数据集不要急着开训，先花两分钟做一次统计体检。我写一段小脚本，统计三个子集的数量、图片尺寸分布、以及标注框的面积占比：
import pathlib from collections import Counter from PIL import Image base = pathlib.Path(".") stats = {} for split in ["train", "valid", "test"]: img_dir = base / "images" / split lbl_dir = base / "labels" / split img_files = list(img_dir.glob("*.jpg")) + list(img_dir.glob("*.png")) box_areas = [] sizes = [] for img_file in img_files: with Image.open(img_file) as im: w, h = im.size sizes.append((w, h)) label_file = lbl_dir / (img_file.stem + ".txt") if not label_file.exists(): continue for line in label_file.read_text().strip().splitlines(): _, xc, yc, bw, bh = map(float, line.split()) box_areas.append(bw * bh) stats[split] = { "count": len(img_files), "min_w": min(s[0] for s in sizes), "max_w": max(s[0] for s in sizes), "min_h": min(s[1] for s in sizes), "max_h": max(s[1] for s in sizes), "box_area_median": sorted(box_areas)[len(box_areas) // 2], } for split, s in stats.items(): print(split, s)注意几个关键输出：图片尺寸是否统一、标注框面积中位数是多少。box_area_median这个值尤其重要——如果中位数小于 0.05，说明大部分签名在整图里属于小目标，后面训练时输入分辨率不能开太小。从实际标注情况看，合同扫描件里的手写签名很多是长条形的，高度占比小但宽度大，这意味着你后面做数据增强时，横纵比拉伸的幅度要控制，否则框的位置会偏。
3. 用 YOLOv8 跑通签名检测：data.yaml、训练参数与推理全流程
3.1 data.yaml 怎么写
Ultralytics 系列的 YOLO 训练入口是 data.yaml，它告诉框架去哪里找图片、标注和类别名。这个数据集是标准的 YOLO 格式，所以配置起来很快：
path: /path/to/signature-dataset train: images/train val: images/valid test: images/test names: 0: Signature这里path建议填绝对路径，尤其是你在 Windows 和 Linux 之间来回切的时候，相对路径容易踩坑。train、val、test填的是相对于path的目录，不需要在路径里写死images前缀之外的任何东西。names只定义了一个类别 0，注意这个 ID 必须和标注文件里的第一列严格对应，如果你自己改过标注文件、把类别顺序调换过，这里也要同步换。
另外一个容易被忽略的点：test字段不是必填的，有些版本只认train和val。写了 test 之后，训练过程中不会影响验证逻辑，但训练完跑yolo val时可以用split=test指定在测试集上做最终评估。我的习惯是 data.yaml 里永远把 test 写进去，哪怕当时用不上——免得到时候临时加。
3.2 训练命令与关键参数
基础训练命令如下，用的是 YOLOv8s 权重：
yolo detect train \ data=signature.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=640 \ batch=16 \ patience=15 \ project=signature_exp \ name=run_01逐个说参数：model=yolov8s.pt表示从 COCO 预训练权重开始微调（迁移学习），不是从头训，这对 801 张图的数据集来说是必要的——从零训练的话收敛慢且容易过拟合；imgsz=640是输入分辨率，YOLOv8 会把图片等比缩放到长边 640，做检测够用；batch=16要看显存，我用的是一张 24G 的卡，16 很稳，8G 显存建议降到 8；patience=15是早停参数，验证集 mAP 连续 15 轮不涨就停，训练集只有 610 张，一般 60 到 80 轮就能收敛，不用死等 100 轮。
如果你的预算更紧，把model换成yolov8n.pt，推理速度快不少，代价是 mAP 通常会掉 2 到 5 个点。如果环境是 24G 以上显存，也可以试试imgsz=1280——前面统计过签名框面积偏小，分辨率翻倍对小目标召回有肉眼可见的提升，代价是训练时间大约变成 3 倍。另外，Ultralytics 对新出的 YOLOv12 也已经支持，模型文件换成yolo12s.pt就能直接吃这份 YOLO 格式数据，不需要改标注。
3.3 训练完怎么验证
训练结束后，第一件事是在测试集上跑一次正式评估，而不是只看训练时输出的验证指标：
yolo detect val \ model=signature_exp/run_01/weights/best.pt \ data=signature.yaml \ split=test重点看四个指标：precision（检测出的目标有多少是真正的签名）、recall（真正的签名有多少被检测出来）、mAP50（IoU 阈值 0.5 下的平均精度）、mAP50-95（更严格的多阈值平均精度）。对签名检测这个场景，我的经验是mAP50更贴近实际体验——业务上只要框的位置大概对，能裁出签名区域就够了，不需要像素级精确。如果mAP50能到 0.95 以上、recall到 0.9 以上，这模型就可以交给下游流程用了。
推理可视化用一条命令：
yolo detect predict \ model=signature_exp/run_01/weights/best.pt \ source=/path/to/test/images \ conf=0.25 \ save=Trueconf=0.25的意思是置信度低于 0.25 的预测框直接丢弃。跑完去runs/detect/predict/下翻图，重点看两类：漏检的（该框没框）和误检的（框到了别的区域）。这一眼比任何指标都直观。
4. 签名检测避坑指南：小目标漏检、模板误检和路径坑
4.1 小签名字体被漏检，降采样把特征抹掉了
现象：合同扫描件里的手写签名很小，尤其是那种只有两三厘米长、嵌在表格缝隙里的签字，模型直接漏掉，验证集上表现还行，一到真实扫描件就翻车。
原因：默认imgsz=640意味着超过 640 的图片会等比缩小，一个原本 60×20 像素的签名缩小后只剩 30×10，特征基本模糊了，卷积网络根本提不到有效信息，漏检就成了必然。
解决：先统计标注框面积分布确认小目标占比，然后把imgsz提到 1280 重训一版对比。如果显存不允许，另一个方案是切图——把原图按 50% 重叠切成四块分别检测，再把框映射回原图坐标。签名检测不像自动驾驶对实时性要求那么高，切图带来的推理时间翻倍通常可以接受。
4.2 验证集 mAP 挺高，换一批合同模板就翻车
现象：在自带验证集上 mAP50 到了 0.98，自我感觉良好，结果拿自己手头另一批扫描件测试，漏检和误检都变多了。
原因：这是数据分布偏移。801 张图虽然来源多样，但大概率集中在某些合同模板和拍摄角度上，验证集是从同一分布里切出来的，指标天然偏高。真实业务里的扫描仪分辨率、纸张底色、盖章遮挡都是训练时没见过的。
解决：不要只信自带测试集。我的做法是每次训练完，强制拿 20 到 50 张业务真实图片跑一次推理，人工过一遍结果，这个动作比任何指标都靠谱。如果偏差大，把这批图片加入训练集做一次增量训练，也就是下面第 6 章要说的迁移学习。
4.3 打印体姓名被当成签名误检
现象：模型把合同抬头打印的「甲方（签字）」这几个印刷体字也框出来了，甚至有些把印刷体人名当成了签名。
原因：标注规范不统一。数据集制作时，标注员可能把打印体的姓名也标了进去，或者标注框把签名和相邻的印刷字一起包进去了。模型学到的不是「手写签名」这个语义，而是「文字密集区域」这个表面特征。
解决：训练前用标签可视化脚本把 train 集的标注框画出来过一遍，看到框里混入打印体的直接修掉。如果你是自己做标注，规范里明确写一条：只标手写笔迹，印刷体、盖章、条形码一律不标。这个前期投入几小时，能省后面调模型的好几天。
4.4 Windows 下解压路径带空格，训练直接报错
现象：数据集解压到D:\Documents\My Datasets\这种路径下，运行训练命令后频繁报FileNotFoundError，路径看起来没问题，但就是找不到文件。
原因：Ultralytics 在处理含空格路径时，YAML 里的路径解析容易出问题，特别是path字段用了相对路径加空格的组合，中间某个环节把路径截断了。这是我实际踩过的坑，当时排查了半小时，最后发现是路径里那个空格。
解决：一律解压到纯英文无空格的目录，比如D:\datasets\signature或/home/user/datasets/signature。Linux 下问题不大，Windows 的开发者尤其注意，项目目录、数据集目录都不要出现空格和中文。
4.5 显存溢出，batch 和 imgsz 没配对
现象：imgsz=1280, batch=16直接 OOM，训练在第一个 epoch 就崩了。
原因：显存占用和imgsz是平方关系，1280 的显存需求是 640 的 4 倍，batch 保持 16 不变必然溢出。
解决：要么batch=4配imgsz=1280，要么imgsz=640配batch=16。我一般建议先用小的跑通流程，确认没问题再往上加。另外 Ultralytics 支持batch=-1自动探测最大 batch，但它在已有其他进程占显存时探测结果不准，所以多卡或共享服务器上还是手填稳。
5. 把模型接到文档流程里：签名区域提取与批量归档实现
5.1 推理结果转成结构化 JSON
训练出满意的权重之后，下一步永远是接业务。文档管理系统要的不是一张画了框的图，而是「哪一页、哪个位置、置信度多少」的结构化数据。我写了一个小脚本，把检测结果落成 JSON：
from ultralytics import YOLO model = YOLO("signature_exp/run_01/weights/best.pt") results = model.predict( source=["contract_page_01.jpg", "contract_page_02.jpg"], conf=0.25, verbose=False, ) output = [] for page_id, result in enumerate(results): for box in result.boxes: x1, y1, x2, y2 = box.xyxy[0].tolist() conf = float(box.conf[0]) output.append({ "page": f"contract_page_{page_id + 1:02d}.jpg", "bbox_pixel": [round(v, 1) for v in (x1, y1, x2, y2)], "confidence": round(conf, 3), }) import json with open("signature_detections.json", "w") as f: json.dump(output, f, indent=2)这段脚本的要点：box.xyxy返回的是像素坐标（左上角 x、左上角 y、右下角 x、右下角 y），不是归一化坐标，下游要裁剪图片时直接用这个值就行，不需要再乘回宽高；conf是每个框的置信度；page字段把检测结果和合同页码关联起来。输出 JSON 而不是直接裁剪，是因为归档系统通常需要先记录位置再决定要不要落图，两步解耦更灵活。
5.2 批量处理 PDF 合同页：从 PDF 直接到签名裁剪图
合同原件大多是 PDF，不是 JPG。完整链路是：PDF 渲染成图片 → 逐页检测 → 把签名区域裁出来存成独立文件。这个场景下我一般这样处理：
import fitz # PyMuPDF from ultralytics import YOLO from PIL import Image model = YOLO("best.pt") pdf_path = "lease_agreement.pdf" doc = fitz.open(pdf_path) for page_idx, page in enumerate(doc): pix = page.get_pixmap(dpi=150) img_path = f"render/page_{page_idx + 1:03d}.png" pix.save(img_path) results = model.predict(img_path, conf=0.3, verbose=False) img = Image.open(img_path) for box_idx, box in enumerate(results[0].boxes): x1, y1, x2, y2 = map(int, box.xyxy[0].tolist()) crop = img.crop((x1, y1, x2, y2)) crop.save(f"signatures/page_{page_idx + 1:03d}_sig_{box_idx + 1}.png")几个关键决策点说一下：dpi=150是我试出来的平衡点，太低的话小签名在渲染图上已经糊了，太高的话单页图超过 2000 像素，检测变慢但没有额外收益；conf=0.3比训练时用的 0.25 略高，因为 PDF 渲染图比手机拍的照片干净，误检少，可以提高一点阈值来减少后续人工审核量；裁剪用的是PIL的crop，坐标直接吃检测结果的整数值，不会有偏移问题。
5.3 阈值怎么定：precision 和 recall 的实操取舍
不同置信度阈值下模型表现不是线性的，我用这份数据实测过一组对比：
| 阈值 | precision | recall | 实际效果 |
|---|---|---|---|
| 0.15 | 0.86 | 0.97 | 漏检很少，但多出不少误检框 |
| 0.25 | 0.93 | 0.94 | 比较均衡，适合人工复核环节 |
| 0.50 | 0.98 | 0.85 | 误检基本消失，但小签名开始漏 |
对归档场景，我的原则是「宁多勿漏」：漏掉一个签名是事故，多裁一张图只是多一次人工确认。所以我通常把归档流程的阈值设在 0.2 到 0.25 之间，宁可让下游多看到几个候选框，也不能让签名静默丢失。如果在身份认证场景，反过来，阈值提到 0.5 以上，减少误判带来的安全风险。这个取舍没有标准答案，取决于你接受哪类错误。
6. 从 801 张到你的私有合同库：迁移学习与增强参数的实战取舍
迁移学习是这份数据最值的用法。801 张图训出来的权重，直接拿去做和你业务分布差异很大的推理，效果大概率打折扣，但拿它当预训练权重、在你的私有数据上微调，比用 COCO 权重微调收敛快得多，因为模型已经学会了「签名长什么样」，你的数据只需要教它适应你的合同模板、扫描仪分辨率和纸张底色。做法是：把你的私有图片整理成同样的 YOLO 目录结构，data.yaml 路径指向新数据，model直接填这份数据训出来的best.pt，然后 freeze 前 10 层，用小学习率跑 30 到 50 轮。即便你只有一两百张私有数据，效果也比从头训练好一个档次。
数据增强参数要克制。Ultralytics 默认开启 Mosaic、随机仿射变换和 HSV 扰动，这些对通用检测有效，但对签名检测有两个坑：一是 Mosaic 把四张图拼在一起，会让模型学到「签名周围应该很杂乱」的假规律，真实合同页没有这种特征；二是旋转角度设太大，手写签名旋转 45 度以上就失去语义了，模型会把倒着的字也当成特征学进去。我现在用的参数是degrees=10、hsv_h=0.015、mosaic=0.5，既保证多样性又不至于扭曲语义。调完增强参数后，务必跑一次yolo detect train时顺手存几个增强后的样本图看一眼，这一步花五分钟，能避免训练完才发现模型学到了错误规律。
最后说个我自己的翻车教训：有次我把旋转角度调到 45，模型训练时 Loss 一路正常下降，验证 mAP 也很漂亮，结果拿到真实合同上一测，把页脚的水印文字全框了出来——因为增强后的图里，旋转过的签名和水印文字在特征上已经分不清了。从那以后我每次改增强参数都强制先可视化一个 batch，确认没把数据搞变形再开长训练。这份数据集本身没这个问题，但工具是好工具，参数还是得自己把关。希望帮到你。
本文还有配套的精品资源，点击获取
