Fashion-MNIST-Datensatz#
Das Fashion-MNIST-Dataset ist ein image classification-Benchmark aus 70.000 Graustufenbildern von Zalandos Kleidungsstücken in der Größe 28x28, gleichmäßig aufgeteilt auf 10 Klassen: T-Shirt/Top, Hose, Pullover, Kleid, Mantel, Sandale, Hemd/Bluse, Sneaker, Tasche und Stiefelette. Es enthält standardmäßig einen vordefinierten Split von 60.000 Trainings- und 10.000 Testbildern (7.000 pro Klasse) und dient als direkter Ersatz für das ursprüngliche MNIST-Dataset zum Benchmarking von machine learning-Algorithmen. Das farbige Pendant findest du im verwandten CIFAR-10-Dataset.
Erkunde Fashion-MNIST on Ultralytics Platform, um Beispiele in der Vorschau anzuzeigen, Datensatzstatistiken zu prüfen und ihn für das Training zu klonen.
Hauptfunktionen#
- Fashion-MNIST enthält 70.000 Graustufenbilder mit 28x28 Pixeln, gleichmäßig unterteilt in 10 Klassen.
- Jede Klasse enthält genau 7.000 Bilder – 6.000 für das Training und 1.000 für das Testen –, sodass das Dataset perfekt ausbalanciert ist.
- Es ist ein direkter Ersatz für MNIST: identische Bildgröße, gleiches Format und gleiche Split-Struktur, jedoch mit schwierigeren Kleidungskategorien anstelle von handgeschriebenen Ziffern.
- Das Dataset wird mit einer vordefinierten Train/Test-Aufteilung geliefert, sodass keine manuelle oder automatische Aufteilung erforderlich ist.
- Fashion-MNIST ist ein Standard-Benchmark für die Forschung zu image classification und deep learning.
Datensatzstruktur#
Fashion-MNIST wird mit einem offiziellen, vordefinierten Split geliefert, daher ist keine automatische oder manuelle Partitionierung erforderlich:
- Klassen: 10 (T-Shirt/Top, Hose, Pullover, Kleid, Mantel, Sandale, Hemd, Sneaker, Tasche, Stiefelette)
- Gesamtanzahl Bilder: 70.000 (28x28 Graustufen)
- Trainingsset: 60.000 Bilder (6.000 pro Klasse)
- Testset: 10.000 Bilder (1.000 pro Klasse)
Fashion-MNIST hat keinen separaten Validierungsordner, daher verwendet Ultralytics standardmäßig das 10.000 Bilder umfassende Testset als Validierungs-Split während des Trainings.
Anwendungen#
Fashion-MNIST wird häufig zum Trainieren und Evaluieren von image classification-Modellen verwendet – von klassischen Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs) bis hin zu modernen Deep-Learning-Architekturen. Seine kleinen Graustufenbilder und 10 Bekleidungskategorien machen es zu einem schnellen, reproduzierbaren Benchmark für den Algorithmenvergleich und Experimente im Bereich computer vision, während es gleichzeitig anspruchsvoller ist als die handgeschriebenen Ziffern von MNIST.
Verwendung#
Trainiere ein YOLO-Modell auf Fashion-MNIST für 100 epochs bei einer Bildgröße von 28. Die vollständige Liste der verfügbaren Argumente findest du auf der Seite Training sowie im Leitfaden für die Aufgabe image classification.
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#
Beispielbilder aus dem Fashion-MNIST-Dataset:
Die Beispiele zeigen die Vielfalt der Kleidungskategorien im Fashion-MNIST-Dataset und unterstreichen den Wert eines abwechslungsreichen Datasets für das Training robuster Bildklassifizierungsmodelle.
Zitate und Danksagungen#
Wenn du das Fashion-MNIST-Dataset für deine Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Papier:
@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 uns bei Zalando Research dafür bedanken, dass sie das Fashion-MNIST-Dataset erstellt und gepflegt haben – als wertvolle Ressource für die Forschungscommunity in den Bereichen machine learning und computer vision. Weitere Informationen über das Fashion-MNIST-Dataset und seine Ersteller findest du im Fashion-MNIST GitHub repository.
FAQ#
Das Fashion-MNIST-Dataset ist ein Benchmark mit 70.000 Graustufenbildern (28x28) von Zalandos Kleidungsstücken in 10 Klassen und wurde als direkter Ersatz für das ursprüngliche MNIST-Dataset entwickelt. Es teilt sich mit MNIST die exakte Bildgröße, das Format und den Train/Test-Split von 60.000/10.000, ersetzt jedoch handgeschriebene Ziffern durch anspruchsvollere Modekategorien – wie T-Shirt/Top, Hose und Stiefelette –, was es zu einem fordernderen Benchmark für image classification-Modelle macht.
Um ein Ultralytics YOLO-Modell auf Fashion-MNIST zu trainieren, verwende die Code-Snippets unten. Das Dataset wird bei der ersten Verwendung automatisch heruntergeladen. Eine vollständige Liste der Argumente findest du auf der Seite zum Modell-Training.
Trainingsbeispielfrom 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)Fashion-MNIST hat 10 Klassen – T-Shirt/Top, Hose, Pullover, Kleid, Mantel, Sandale, Hemd, Sneaker, Tasche und Stiefelette – mit jeweils genau 7.000 Bildern, was insgesamt 70.000 Bilder ergibt. Jedes Bild ist ein 28x28 Graustufenbild eines einzelnen Zalando-Kleidungsartikels, und die Klassen sind perfekt ausbalanciert.
Fashion-MNIST wird mit einer vordefinierten Aufteilung von 60.000 Trainingsbildern und 10.000 Testbildern ausgeliefert, mit genau 6.000 Trainings- und 1.000 Testbildern pro Klasse. Im Gegensatz zu ordnerbasierten Klassifizierungs-Datasets, die Ultralytics automatisch aufteilt, wird die offizielle Partition von Fashion-MNIST unverändert verwendet, und das Testset dient standardmäßig als Validierungs-Split während des Trainings.
Ja. Mit der Ultralytics Platform kannst du Datasets verwalten, image classification-Modelle trainieren und sie ohne umfangreichen Programmieraufwand bereitstellen. Dies ist eine bequeme Möglichkeit, Fashion-MNIST-Experimente in der Cloud auszuführen, und weitere Optionen kannst du in unserer classification datasets overview erkunden.