Conjunto de datos Fashion-MNIST#
El conjunto de datos Fashion-MNIST es una referencia de image classification de 70.000 imágenes en escala de grises de 28x28 píxeles de artículos de ropa de Zalando, divididas equitativamente en 10 clases: camiseta/top, pantalón, jersey, vestido, abrigo, sandalia, camisa, zapatilla, bolso y botín. Viene con una división predefinida de 60.000 imágenes de entrenamiento y 10.000 de prueba (7.000 por clase) y sirve como reemplazo directo del conjunto de datos original MNIST para evaluar algoritmos de machine learning. Para ver el equivalente en imágenes a color, consulta el conjunto de datos relacionado CIFAR-10.
Explora Fashion-MNIST on Ultralytics Platform para previsualizar muestras, inspeccionar las estadísticas del conjunto de datos y clonarlo para el entrenamiento.
Características clave#
- Fashion-MNIST contiene 70.000 imágenes en escala de grises de 28x28 píxeles, divididas equitativamente en 10 clases.
- Cada clase contiene exactamente 7.000 imágenes (6.000 para entrenamiento y 1.000 para pruebas), por lo que el conjunto de datos está perfectamente equilibrado.
- Es un reemplazo directo para MNIST: mismo tamaño de imagen, formato y estructura de división, pero con categorías de ropa más difíciles en lugar de dígitos escritos a mano.
- El conjunto de datos se entrega con una división de entrenamiento/prueba predefinida, por lo que no es necesaria ninguna división manual o automática.
- Fashion-MNIST es una referencia estándar para la investigación en image classification y deep learning.
Estructura del dataset#
Fashion-MNIST viene con una división oficial predefinida, por lo que no es necesaria ninguna partición automática o manual:
- Clases: 10 (camiseta/top, pantalón, jersey, vestido, abrigo, sandalia, camisa, zapatilla, bolso, botín)
- Total de imágenes: 70.000 (28x28 escala de grises)
- Conjunto de entrenamiento: 60.000 imágenes (6.000 por clase)
- Conjunto de prueba: 10.000 imágenes (1.000 por clase)
Fashion-MNIST no tiene una carpeta de validación independiente, por lo que Ultralytics utiliza el conjunto de pruebas de 10.000 imágenes como división de validación durante el entrenamiento de forma predeterminada.
Aplicaciones#
Fashion-MNIST se utiliza ampliamente para entrenar y evaluar modelos de image classification, desde redes Convolutional Neural Networks (CNNs) y Support Vector Machines (SVMs) clásicas hasta arquitecturas profundas modernas. Sus pequeñas imágenes en escala de grises y sus 10 categorías de ropa la convierten en una referencia rápida y reproducible para la comparación de algoritmos y la experimentación en computer vision, a la vez que resulta más desafiante que los dígitos escritos a mano de MNIST.
Uso#
Entrena un modelo YOLO con Fashion-MNIST durante 100 epochs con un tamaño de imagen de 28. Para ver la lista completa de argumentos disponibles, consulta la página de Training y la guía de la tarea de 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)Muestras de imágenes y anotaciones#
Imágenes de muestra del conjunto de datos Fashion-MNIST:
Las muestras muestran la variedad de categorías de ropa en el conjunto de datos Fashion-MNIST, lo que subraya el valor de un conjunto de datos variado para entrenar modelos robustos de clasificación de imágenes.
Citas y agradecimientos#
Si utilizas el conjunto de datos Fashion-MNIST en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:
@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}
}Queremos agradecer a Zalando Research por crear y mantener el conjunto de datos Fashion-MNIST como un recurso valioso para la comunidad de investigación en machine learning y computer vision. Para obtener más información sobre el conjunto de datos Fashion-MNIST y sus creadores, visita el repositorio de GitHub de Fashion-MNIST.
FAQ#
El conjunto de datos Fashion-MNIST es una referencia de 70.000 imágenes en escala de grises de 28x28 píxeles de artículos de ropa de Zalando distribuidas en 10 clases, creado como un reemplazo directo del conjunto de datos original MNIST. Comparte el tamaño de imagen exacto, el formato y la división de entrenamiento/prueba de 60.000/10.000 de MNIST, pero sustituye los dígitos escritos a mano por categorías de moda más difíciles —como camiseta/top, pantalón y botín—, lo que la convierte en una referencia más exigente para los modelos de image classification.
Para entrenar un modelo Ultralytics YOLO en Fashion-MNIST, utiliza los fragmentos de código siguientes. El conjunto de datos se descarga automáticamente en el primer uso. Para obtener una lista completa de argumentos, consulta la página de Training del modelo.
Ejemplo de entrenamientofrom 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 tiene 10 clases (camiseta/top, pantalón, jersey, vestido, abrigo, sandalia, camisa, zapatilla, bolso y botín) con exactamente 7.000 imágenes cada una, sumando un total de 70.000 imágenes. Cada imagen es una fotografía en escala de grises de 28x28 de un solo artículo de ropa de Zalando, y las clases están perfectamente equilibradas.
Fashion-MNIST viene con una división predefinida de 60.000 imágenes de entrenamiento y 10.000 imágenes de prueba, con exactamente 6.000 imágenes de entrenamiento y 1.000 de prueba por clase. A diferencia de los conjuntos de datos de clasificación basados en carpetas que Ultralytics divide automáticamente, la partición oficial de Fashion-MNIST se utiliza tal cual, y el conjunto de pruebas sirve como división de validación durante el entrenamiento de forma predeterminada.
Sí. Ultralytics Platform te permite gestionar conjuntos de datos, entrenar modelos de image classification y desplegarlos sin necesidad de programar en exceso. Es una forma cómoda de ejecutar experimentos con Fashion-MNIST en la nube, y puedes explorar más opciones en nuestra visión general de conjuntos de datos de clasificación.