Fashion-MNIST-Datensatz
Der Fashion-MNIST-Datensatz ist eine Datenbank mit Artikelbildern von Zalando, die aus einem Trainingsset von 60.000 Beispielen und einem Testset von 10.000 Beispielen besteht. Jedes Beispiel ist ein 28x28 Graustufenbild, das mit einem Label aus 10 Klassen verknüpft ist. Fashion-MNIST ist als direkter Ersatz für den ursprünglichen MNIST-Datensatz zum Benchmarking von machine learning-Algorithmen gedacht.
Hauptmerkmale
- Fashion-MNIST enthält 60.000 Trainingsbilder und 10.000 Testbilder von Zalando-Artikelbildern.
- Der Datensatz umfasst Graustufenbilder mit einer Größe von 28x28 Pixeln.
- Jedes Pixel hat einen einzelnen Pixelwert, der die Helligkeit oder Dunkelheit dieses Pixels angibt, wobei höhere Zahlen für dunklere Werte stehen. Dieser Pixelwert ist eine Ganzzahl zwischen 0 und 255.
- Fashion-MNIST wird häufig zum Trainieren und Testen im Bereich des maschinellen Lernens verwendet, insbesondere für Bildklassifizierungsaufgaben.
Datensatzstruktur
Der Fashion-MNIST-Datensatz ist in zwei Teilmengen unterteilt:
- Trainingsset: Diese Teilmenge enthält 60.000 Bilder, die zum Trainieren von Modellen für maschinelles Lernen verwendet werden.
- Testdatensatz: Diese Teilmenge besteht aus 10.000 Bildern, die zum Testen und Bewerten der trainierten Modelle verwendet werden.
Labels
Jedes Trainings- und Testbeispiel wird einem der folgenden Labels zugeordnet:
0. T-shirt/top
1. Trouser
2. Pullover
3. Dress
4. Coat
5. Sandal
6. Shirt
7. Sneaker
8. Bag
9. Ankle bootAnwendungen
Der Fashion-MNIST-Datensatz wird häufig zum Trainieren und Evaluieren von Deep-Learning-Modellen bei Bildklassifizierungsaufgaben verwendet, wie z. B. Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs) und verschiedenen anderen Algorithmen für maschinelles Lernen. Das einfache und gut strukturierte Format des Datensatzes macht ihn zu einer unverzichtbaren Ressource für Forscher und Praktiker im Bereich des maschinellen Lernens und der Computer Vision.
Verwendung
Um ein CNN-Modell auf dem Fashion-MNIST-Datensatz für 100 epochs mit einer Bildgröße von 28x28 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite zum Modell Training.
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="fashion-mnist", epochs=100, imgsz=28)Beispielbilder und Annotationen
Der Fashion-MNIST-Datensatz enthält Graustufenbilder von Zalando-Artikelbildern und bietet einen gut strukturierten Datensatz für Bildklassifizierungsaufgaben. Hier sind einige Beispiele für Bilder aus dem Datensatz:
Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im Fashion-MNIST-Datensatz und unterstreicht die Bedeutung eines vielfältigen Datensatzes für das Training robuster Bildklassifizierungsmodelle.
Danksagungen
Wenn du den Fashion-MNIST-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, bitte nenne den Datensatz und verlinke auf das GitHub-Repository. Dieser Datensatz wurde von Zalando Research zur Verfügung gestellt.
FAQ
Was ist der Fashion-MNIST-Datensatz und wie unterscheidet er sich von MNIST?
Der Fashion-MNIST-Datensatz ist eine Sammlung von 70.000 Graustufenbildern von Zalando-Artikelbildern, die als moderner Ersatz für den ursprünglichen MNIST-Datensatz gedacht ist. Er dient als Benchmark für Modelle des maschinellen Lernens im Kontext von Bildklassifizierungsaufgaben. Im Gegensatz zu MNIST, das handgeschriebene Ziffern enthält, besteht Fashion-MNIST aus 28x28-Pixel-Bildern, die in 10 modebezogene Klassen unterteilt sind, wie T-Shirt/Top, Hose und Stiefelette.
Wie kann ich ein YOLO-Modell auf dem Fashion-MNIST-Datensatz trainieren?
Um ein Ultralytics YOLO-Modell auf dem Fashion-MNIST-Datensatz zu trainieren, kannst du sowohl Python- als auch CLI-Befehle verwenden. Hier ist ein kurzes Beispiel für den Einstieg:
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo26n-cls.pt")
# Train the model on Fashion-MNIST
results = model.train(data="fashion-mnist", epochs=100, imgsz=28)Weitere detaillierte Trainingsparameter findest du auf der Training-Seite.
Warum sollte ich den Fashion-MNIST-Datensatz zum Benchmarking meiner Modelle für maschinelles Lernen verwenden?
Der Fashion-MNIST-Datensatz ist in der deep learning-Community weithin als robuste Alternative zu MNIST anerkannt. Er bietet einen komplexeren und vielfältigeren Satz an Bildern und ist damit eine hervorragende Wahl für das Benchmarking von Bildklassifizierungsmodellen. Die Struktur des Datensatzes mit 60.000 Trainingsbildern und 10.000 Testbildern, die jeweils mit einer von 10 Klassen gelabelt sind, macht ihn ideal für die Bewertung der Leistung verschiedener Algorithmen des maschinellen Lernens in einem anspruchsvolleren Kontext.
Kann ich Ultralytics YOLO für Bildklassifizierungsaufgaben wie Fashion-MNIST verwenden?
Ja, Ultralytics YOLO-Modelle können für Bildklassifizierungsaufgaben verwendet werden, einschließlich derjenigen, die den Fashion-MNIST-Datensatz betreffen. YOLO26 unterstützt zum Beispiel verschiedene Vision-Aufgaben wie Detektion, Segmentierung und Klassifizierung. Um mit Bildklassifizierungsaufgaben zu beginnen, schau dir die Classification-Seite an.
Was sind die Hauptmerkmale und die Struktur des Fashion-MNIST-Datensatzes?
Der Fashion-MNIST-Datensatz ist in zwei Hauptteilmengen unterteilt: 60.000 Trainingsbilder und 10.000 Testbilder. Jedes Bild ist ein 28x28-Pixel-Graustufenbild, das eine von 10 modebezogenen Klassen darstellt. Die Einfachheit und das gut strukturierte Format machen ihn ideal für das Training und die Evaluierung von Modellen bei Aufgaben des maschinellen Lernens und der computer vision. Weitere Details zur Struktur des Datensatzes findest du im Abschnitt Datensatzstruktur.
Wie kann ich die Verwendung des Fashion-MNIST-Datensatzes in meiner Forschung angeben?
Wenn du den Fashion-MNIST-Datensatz in deinen Forschungs- oder Entwicklungsprojekten verwendest, ist es wichtig, dies durch einen Link auf das GitHub-Repository anzugeben. Dies hilft dabei, die Daten Zalando Research zuzuschreiben, die den Datensatz für die öffentliche Nutzung zur Verfügung gestellt haben.