Link to this sectionمجموعة بيانات MNIST#

تعد مجموعة بيانات MNIST (المعهد الوطني المعياري والتقني المعدل) معياراً لـ تصنيف الصور تتكون من 70,000 صورة رمادية بحجم 28x28 لأرقام مكتوبة بخط اليد موزعة على 10 فئات، وهي الأرقام من 0 إلى 9. تأتي المجموعة مع تقسيم محدد مسبقاً يضم 60,000 صورة للتدريب و10,000 صورة للاختبار، وقد خدمت لفترة طويلة كمعيار أساسي لتقييم خوارزميات التعلم الآلي والرؤية الحاسوبية. للمكافئ الأكثر صعوبة الذي يحتوي على صور ملابس، انظر مجموعة بيانات Fashion-MNIST ذات الصلة؛ أما بالنسبة للصور الملونة، انظر CIFAR-10.

Link to this sectionالميزات الرئيسية#

• تحتوي MNIST على 60,000 صورة تدريب و10,000 صورة اختبار لأرقام مكتوبة بخط اليد، ليصبح المجموع 70,000 صورة.
• كل صورة عبارة عن صورة رمادية بحجم 28x28 لرقم واحد، تمت معالجتها وتسويتها داخل مربع إحاطة ثابت بحجم 28x28.
• تمتد الفئات العشر من الأرقام 0-9، مع عدد متوازن تقريباً من الصور لكل فئة.
• تأتي المجموعة مع تقسيم محدد مسبقاً للتدريب/الاختبار، لذا لا يلزم إجراء أي تقسيم يدوي أو تلقائي.
• تعد MNIST معياراً قياسياً لبحوث تصنيف الصور والتعلم العميق.

Link to this sectionهيكل مجموعة البيانات#

تأتي MNIST مع تقسيم رسمي محدد مسبقاً، لذا لا حاجة لأي تقسيم يدوي أو تلقائي:

• الفئات: 10 (أرقام مكتوبة بخط اليد 0-9)
• إجمالي الصور: 70,000 (28x28 رمادية)
• مجموعة التدريب: 60,000 صورة
• مجموعة الاختبار: 10,000 صورة

يتم تصنيف كل صورة بالرقم المقابل لها (0-9)، مما يجعل MNIST مجموعة بيانات خاضعة للإشراف مثالية لمهام التصنيف.

Link to this sectionالتطبيقات#

تُستخدم MNIST على نطاق واسع لتدريب وتقييم نماذج تصنيف الصور، بدءاً من الشبكات العصبية التلافيفية (CNNs) الكلاسيكية وآلات ناقلات الدعم (SVMs) وصولاً إلى البنى العميقة الحديثة. صورها الصغيرة ذات التدرج الرمادي وفئاتها العشر للأرقام تجعلها معياراً سريعاً وقابلاً للتكرار لمقارنة الخوارزميات وتجارب الرؤية الحاسوبية.

تشمل بعض التطبيقات الشائعة ما يلي:

• تقييم خوارزميات التصنيف الجديدة
• الأغراض التعليمية لتدريس مفاهيم تعلم الآلة
• وضع نماذج أولية لأنظمة التعرف على الصور
• اختبار تقنيات تحسين النماذج

Link to this sectionالاستخدام#

قم بتدريب نموذج تصنيف YOLO على MNIST لمدة 100 عصر بحجم صورة 28. يتم تنزيل مجموعة البيانات وتخزينها مؤقتاً تلقائياً عند الاستخدام الأول؛ إذا كنت تفضل التحكم الكامل في المعالجة المسبقة، فإن أرشيفات gzip الأصلية متاحة أيضاً من قاعدة بيانات MNIST. للحصول على القائمة الكاملة للوسائط المتاحة، راجع صفحة التدريب ودليل مهمة تصنيف الصور.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="mnist", epochs=100, imgsz=28)

yolo classify train data=mnist160 model=yolo26n-cls.pt epochs=5 imgsz=28

Link to this sectionصور وشروحات توضيحية عينة#

صور عينة من مجموعة بيانات MNIST:

تُظهر العينات نطاق أساليب الكتابة اليدوية التي تلتقطها مجموعة البيانات عبر فئات الأرقام العشر.

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات MNIST في بحثك أو عملك التطويري، فيرجى الاستشهاد بالورقة البحثية التالية:

@article{lecun2010mnist,
         title={MNIST handwritten digit database},
         author={LeCun, Yann and Cortes, Corinna and Burges, CJ},
         journal={ATT Labs [Online]},
         volume={2},
         year={2010}
}

نود أن نعرب عن تقديرنا لـ Yann LeCun وCorinna Cortes وChristopher J.C. Burges لإنشاء وصيانة مجموعة بيانات MNIST كمورد قيم لمجتمع أبحاث التعلم الآلي والرؤية الحاسوبية. لمزيد من المعلومات حول مجموعة بيانات MNIST ومبتكريها، تفضل بزيارة موقع مجموعة بيانات MNIST.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات MNIST، ولماذا هي مهمة في تعلم الآلة؟#

تعد مجموعة بيانات MNIST معياراً لـ 70,000 صورة رمادية بحجم 28x28 لأرقام مكتوبة بخط اليد، مقسمة إلى 60,000 صورة للتدريب و10,000 صورة للاختبار عبر الفئات العشر من 0 إلى 9. إنها المرجع القياسي لتقييم خوارزميات تصنيف الصور - حيث يتيح تنسيقها الصغير والموحد للباحثين والمهندسين مقارنة الأساليب وتتبع التقدم بأقل قدر من الإعداد، ولهذا السبب تظل معياراً أولياً شائعاً في التعلم الآلي.

Link to this sectionكم عدد الفئات والصور التي تحتوي عليها مجموعة بيانات MNIST؟#

تحتوي MNIST على 10 فئات - الأرقام المكتوبة بخط اليد من 0 إلى 9 - وإجمالي 70,000 صورة رمادية، كل منها بحجم 28x28 بكسل. تأتي المجموعة مع تقسيم محدد مسبقاً يضم 60,000 صورة للتدريب و10,000 صورة للاختبار، مع عدد متساوٍ تقريباً من الأمثلة لكل رقم.

Link to this sectionكيف يمكنني استخدام Ultralytics YOLO لتدريب نموذج على مجموعة بيانات MNIST؟#

لتدريب نموذج Ultralytics YOLO على MNIST، استخدم مقتطفات التعليمات البرمجية أدناه. يتم تنزيل مجموعة البيانات تلقائياً عند الاستخدام الأول. للحصول على قائمة مفصلة بوسائط التدريب المتاحة، راجع صفحة التدريب.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="mnist", epochs=100, imgsz=28)

Link to this sectionكيف يتم تقسيم مجموعة بيانات MNIST إلى مجموعات تدريب واختبار؟#

تأتي MNIST مع تقسيم محدد مسبقاً يضم 60,000 صورة للتدريب و10,000 صورة للاختبار. على عكس مجموعات بيانات التصنيف القائمة على المجلدات التي تقوم Ultralytics بتقسيمها تلقائياً، يتم استخدام التقسيم الرسمي لـ MNIST كما هو، وتعمل مجموعة الاختبار كتقسيم للتحقق أثناء التدريب بشكل افتراضي.

Link to this sectionما الفرق بين مجموعتي بيانات MNIST وEMNIST؟#

تحتوي مجموعة بيانات MNIST على أرقام مكتوبة بخط اليد فقط، بينما تتضمن مجموعة بيانات (EMNIST) الموسعة أرقاماً وحروفاً كبيرة وصغيرة. تم تطوير EMNIST كخلف لـ MNIST وتستخدم نفس تنسيق 28x28 بكسل، مما يجعلها متوافقة مع الأدوات والنماذج المصممة لمجموعة بيانات MNIST الأصلية. هذا النطاق الأوسع من الأحرف يجعل EMNIST مفيدة لمجموعة متنوعة من تطبيقات التعلم الآلي.

Link to this sectionهل يمكنني استخدام منصة Ultralytics لتدريب النماذج على مجموعات بيانات مثل MNIST؟#

نعم. تتيح لك منصة Ultralytics تحميل مجموعات البيانات، وتدريب نماذج تصنيف الصور، ونشرها دون الحاجة إلى برمجة مكثفة. إنها طريقة مريحة لتشغيل تجارب MNIST في السحابة - راجع نظرة عامة على مجموعات بيانات التصنيف للحصول على خيارات ذات صلة.

Link to this sectionكيف تقارن MNIST بمجموعات بيانات تصنيف الصور الأخرى؟#

تعد MNIST أبسط من العديد من مجموعات البيانات الحديثة مثل CIFAR-10 أو ImageNet، مما يجعلها مثالية للمبتدئين والتجارب السريعة. في حين أن مجموعات البيانات الأكثر تعقيداً تقدم تحديات أكبر مع الصور الملونة وفئات الكائنات المتنوعة، تظل MNIST قيمة لبساطتها وصغر حجم ملفها وأهميتها التاريخية في تطوير خوارزميات التعلم الآلي. للحصول على بديل أكثر صعوبة بنفس الهيكل، انظر Fashion-MNIST، الذي يتميز بعناصر الملابس بدلاً من الأرقام.