Fashion-MNIST-Datensatz#
Der Datensatz Fashion-MNIST ist ein Benchmark für die Bildklassifizierung mit 70.000 Graustufenbildern der Größe 28x28, die Kleidungsstücke von Zalando zeigen und gleichmäßig auf 10 Klassen verteilt sind: T-Shirt/Oberteil, Hose, Pullover, Kleid, Mantel, Sandale, Hemd, Turnschuh, Tasche und Stiefelette. Der Datensatz enthält eine vordefinierte Aufteilung mit 60.000 Trainings- und 10.000 Testbildern (7.000 je Klasse) und dient als direkter Ersatz für den ursprünglichen MNIST-Datensatz zum Benchmarking von Algorithmen des maschinellen Lernens. Das entsprechende Dataset mit Farbbildern findest du unter CIFAR-10.
Sieh dir Fashion-MNIST auf der Ultralytics Platform an, um Beispiele in der Vorschau zu betrachten, Datensatzstatistiken einzusehen und den Datensatz für das Training zu klonen.
Wichtige Funktionen#
- Fashion-MNIST umfasst 70.000 Graustufenbilder mit jeweils 28x28 Pixeln, gleichmäßig auf 10 Klassen verteilt.
- Jede Klasse enthält genau 7.000 Bilder – 6.000 für das Training und 1.000 für den Test –, sodass der Datensatz perfekt ausgeglichen ist.
- Der Datensatz ist ein direkter Ersatz für MNIST: Bildgröße, Format und Aufteilung sind identisch, aber statt handgeschriebener Ziffern enthält er anspruchsvollere Kleidungskategorien.
- Der Datensatz wird mit einer vordefinierten Aufteilung in Trainings- und Testdaten bereitgestellt; eine manuelle oder automatische Aufteilung ist daher nicht erforderlich.
- Fashion-MNIST ist ein etablierter Benchmark für die Forschung zu Bildklassifizierung und Deep Learning.
Datensatzstruktur#
Fashion-MNIST enthält eine offizielle, vordefinierte Aufteilung, sodass keine automatische oder manuelle Partitionierung erforderlich ist:
- Klassen: 10 (T-Shirt/Oberteil, Hose, Pullover, Kleid, Mantel, Sandale, Hemd, Turnschuh, Tasche, Stiefelette)
- Bilder insgesamt: 70.000 (28x28, Graustufen)
- Trainingssatz: 60.000 Bilder (6.000 je Klasse)
- Testdaten: 10.000 Bilder (1.000 pro Klasse)
Fashion-MNIST hat keinen separaten Validierungsordner. Daher verwendet Ultralytics standardmäßig den Testsatz mit 10.000 Bildern als Validierungsaufteilung beim Training.
Anwendungsfälle#
Fashion-MNIST wird häufig zum Trainieren und Evaluieren von Bildklassifizierungs-Modellen verwendet – von klassischen faltenden neuronalen Netzen (CNNs) und Support-Vektor-Maschinen (SVMs) bis hin zu modernen tiefen Architekturen. Die kleinen Graustufenbilder und 10 Kleidungskategorien machen den Datensatz zu einem schnellen, reproduzierbaren Benchmark für den Algorithmusvergleich und Experimente im Bereich Computer Vision. Gleichzeitig ist er anspruchsvoller als MNIST mit seinen handgeschriebenen Ziffern.
Verwendung#
Trainiere ein YOLO-Modell auf Fashion-MNIST für 100 Epochen mit einer Bildgröße von 28. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Training und in der Anleitung zur Aufgabe Bildklassifizierung.
from ultralytics import YOLO
# Ein Modell laden
model = YOLO("yolo26n-cls.pt") # ein vortrainiertes Modell laden (für das Training empfohlen)
# Das Modell trainieren
results = model.train(data="fashion-mnist", epochs=100, imgsz=28)Beispielbilder und Annotationen#
Beispielbilder aus dem Fashion-MNIST-Datensatz:
Die Beispiele zeigen die Vielfalt der Kleidungskategorien im Fashion-MNIST-Datensatz und verdeutlichen, wie wichtig ein vielfältiger Datensatz für das Training robuster Bildklassifizierungsmodelle ist.
Zitate und Danksagungen#
Wenn du den Fashion-MNIST-Datensatz für deine Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Veröffentlichung:
@article{xiao2017fashion,
title={Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithms},
author={Han Xiao and Kashif Rasul and Roland Vollgraf},
year={2017},
eprint={1708.07747},
archivePrefix={arXiv},
primaryClass={cs.LG}
}Wir möchten Zalando Research dafür danken, dass das Team den Fashion-MNIST-Datensatz erstellt und gepflegt hat und ihn so der Forschungscommunity für maschinelles Lernen und Computer Vision als wertvolle Ressource zur Verfügung stellt. Weitere Informationen zum Fashion-MNIST-Datensatz und seinen Erstellern findest du im Fashion-MNIST-GitHub-Repository.
Häufig gestellte Fragen#
Der Datensatz Fashion-MNIST ist ein Benchmark mit 70.000 Graustufenbildern der Größe 28x28, die Kleidungsstücke von Zalando in 10 Klassen zeigen. Er wurde als direkter Ersatz für den ursprünglichen MNIST-Datensatz erstellt. Bildgröße, Format und Aufteilung in 60.000 Trainings- und 10.000 Testbilder entsprechen exakt MNIST. Statt handgeschriebener Ziffern enthält Fashion-MNIST jedoch anspruchsvollere Modekategorien wie T-Shirt/Oberteil, Hose und Stiefelette. Dadurch ist der Benchmark anspruchsvoller für Bildklassifizierungs-Modelle.
Verwende die folgenden Codeausschnitte, um ein Ultralytics-YOLO-Modell auf Fashion-MNIST zu trainieren. Beim ersten Aufruf wird der Datensatz automatisch heruntergeladen. Eine vollständige Liste der Argumente findest du auf der Seite Training des Modells.
Trainingsbeispielfrom ultralytics import YOLO # Ein Modell laden model = YOLO("yolo26n-cls.pt") # ein vortrainiertes Modell laden (für das Training empfohlen) # Das Modell trainieren results = model.train(data="fashion-mnist", epochs=100, imgsz=28)Fashion-MNIST umfasst 10 Klassen – T-Shirt/Oberteil, Hose, Pullover, Kleid, Mantel, Sandale, Hemd, Turnschuh, Tasche und Stiefelette – mit jeweils genau 7.000 Bildern, insgesamt also 70.000 Bildern. Jedes Bild zeigt ein einzelnes Kleidungsstück von Zalando als Graustufenbild mit 28x28 Pixeln. Die Klassen sind perfekt ausgeglichen.
Fashion-MNIST enthält eine vordefinierte Aufteilung mit 60.000 Trainingsbildern und 10.000 Testbildern, wobei jede Klasse genau 6.000 Trainings- und 1.000 Testbilder umfasst. Anders als bei bildbasierten Klassifizierungsdatensätzen, die Ultralytics automatisch aufteilt, wird die offizielle Aufteilung von Fashion-MNIST unverändert verwendet. Standardmäßig dient der Testsatz beim Training als Validierungsaufteilung.
Ja. Mit der Ultralytics Platform kannst du Datensätze verwalten, Bildklassifizierungs-Modelle trainieren und sie ohne großen Programmieraufwand bereitstellen. Sie eignet sich gut für Fashion-MNIST-Experimente in der Cloud. Weitere Möglichkeiten findest du in unserer Übersicht über Klassifizierungsdatensätze.