---
title: seal-detection-yolo
canonical_url: "https://www.modelscope.cn/models/kfcVme50/seal-detection-yolo"
md_url: "https://www.modelscope.cn/models/kfcVme50/seal-detection-yolo.md"
repository: kfcVme50/seal-detection-yolo
chinese_name: seal-detection-yolo
last_updated: 2026-11-04
pipeline_tag: domain-specific-object-detection
tasks:
  - domain-specific-object-detection
language:
  - zh
downloads: 0
stars: 1
tags:
  - seal-detection
  - yolo
  - document-analysis
---

# seal-detection-yolo

> seal-detection-yolo - kfcVme50 在 ModelScope 开源的模型。本模型用于在合同、扫描件等完整文档页面中定位印章。输入为整页图像，输出印章的矩形位置、类别及置信度，可作为后续印章裁剪、墨迹分割和文字识别的前置步骤。仓库提供 YOLO11n、YOLO12n、YOLO26n 三种轻量检测模型，均先经过公开印章数据训练，再针对中文整页文档微调；当前默认使用按中文验证集指标选出的 YOLO12n。本模型只负责定位，不识别印章文字，也不输出墨迹掩膜。

- **Repository**: kfcVme50/seal-detection-yolo
- **Tasks**: domain-specific-object-detection
- **Tags**: seal-detection, yolo, document-analysis
- **Downloads**: 0
- **Stars**: 1
- **Last updated**: 2026-11-04

Source: https://www.modelscope.cn/models/kfcVme50/seal-detection-yolo

---

# 中文文档印章检测

在合同或扫描页中定位印章，输出 `stamp` 类别的边界框和置信度。仓库根目录提供 YOLO11n、YOLO12n 和 YOLO26n 三份权重。脚本默认使用中文验证集 mAP50–95 最高的 YOLO12n。

## CPU 推理

在下载后的仓库目录中运行：

```bash
pip install -r requirements.txt
python predict.py --image /path/to/document.png --model yolo12n --device cpu --output result.json
```

检测坐标以原图像素计。得到边界框后可裁出印章，供后续分割或识别使用。

## 数据与结果

三个模型从 COCO 预训练权重起步，先用公开 stamps 数据训练，再在中文整页图像上微调。下表报告固定的 220 张中文测试图。

| 数据集 / 子集 | 训练 | 验证 | 测试 | 合计 |
| --- | ---: | ---: | ---: | ---: |
| [mapo80/stamps](https://huggingface.co/datasets/mapo80/stamps)，图像 | 6,283 | 785 | 786 | 7,854 |
| 上述数据的检测框 | 10,046 | 1,298 | 1,315 | 12,659 |
| [SEAL_DATASET](https://www.kaggle.com/datasets/yushuosun/seal-dataset)，中文整页图像 | 1,027 | 220 | 220 | 1,467 |
| 中文整页检测框 | 1,408 | 301 | 298 | 2,007 |



| 模型 | 实验 | 验证 mAP50–95 % | 测试 P % | 测试 R % | 测试 mAP50 % | 测试 mAP50–95 % |
| --- | --- | ---: | ---: | ---: | ---: | ---: |
| yolo11n | E004 | 95.511 | 90.40 | 98.99 | 98.46 | 96.74 |
| yolo12n | E005 | 95.655 | 95.09 | 91.01 | 98.24 | 96.71 |
| yolo26n | E006 | 94.866 | 91.18 | 97.10 | 97.96 | 96.11 |

模型负责定位。文字识别与像素分割需要各自的模型。 逐轮记录和测试汇总见 `metrics/`，训练设置见 `training/`，图表可用 `plot_results.py` 重绘。

## 来源与许可

Ultralytics 上游代码采用 AGPL-3.0。stamps 数据卡标注 CC BY 4.0，中文整页数据源的原始许可记录为 Unknown。上游材料见 `licenses/`。