Jeu de données Fashion-MNIST#
Le jeu de données Fashion-MNIST est une référence d'classification d'images composée de 70 000 images en niveaux de gris de 28x28 pixels représentant des articles vestimentaires de Zalando, réparties équitablement entre 10 classes — T-shirt/haut, pantalon, pull, robe, manteau, sandale, chemise, basket, sac et bottine. Il est fourni avec une partition prédéfinie de 60 000 images d'entraînement et 10 000 images de test (7 000 par classe) et constitue un remplacement direct du jeu de données MNIST original pour évaluer les algorithmes d'apprentissage automatique. Pour l'équivalent en images couleur, consulte le jeu de données associé CIFAR-10.
Explore Fashion-MNIST sur Ultralytics Platform pour prévisualiser des échantillons, examiner les statistiques du jeu de données et le cloner pour l'entraînement.
Fonctionnalités clés#
- Fashion-MNIST contient 70 000 images en niveaux de gris de 28x28 pixels, réparties équitablement entre 10 classes.
- Chaque classe contient exactement 7 000 images — 6 000 pour l'entraînement et 1 000 pour les tests — le jeu de données est donc parfaitement équilibré.
- Il constitue un remplacement direct de MNIST : même taille d'image, même format et même structure de partition, mais avec des catégories de vêtements plus difficiles à distinguer au lieu de chiffres manuscrits.
- Le jeu de données est fourni avec une partition entraînement/test prédéfinie ; aucune division manuelle ou automatique n’est donc nécessaire.
- Fashion-MNIST est une référence standard pour la recherche en classification d'images et en apprentissage profond.
Structure du jeu de données#
Fashion-MNIST est fourni avec une partition officielle prédéfinie ; aucune division automatique ou manuelle n'est donc nécessaire :
- Classes : 10 (T-shirt/haut, pantalon, pull, robe, manteau, sandale, chemise, basket, sac, bottine)
- Images au total : 70 000 (28x28 en niveaux de gris)
- Jeu d'entraînement : 60 000 images (6 000 par classe)
- Jeu de test : 10 000 images (1 000 par classe)
Fashion-MNIST ne possède pas de dossier de validation distinct ; Ultralytics utilise donc par défaut le jeu de test de 10 000 images comme partition de validation pendant l'entraînement.
Applications#
Fashion-MNIST est largement utilisé pour entraîner et évaluer des modèles de classification d'images, des réseaux neuronaux convolutifs classiques (CNN) et des machines à vecteurs de support (SVM) aux architectures profondes modernes. Ses petites images en niveaux de gris et ses 10 catégories de vêtements en font une référence rapide et reproductible pour comparer les algorithmes et expérimenter en vision par ordinateur, tout en étant plus exigeante que les chiffres manuscrits de MNIST.
Utilisation#
Entraîne un modèle YOLO sur Fashion-MNIST pendant 100 époques, avec une taille d'image de 28. Pour consulter la liste complète des arguments disponibles, consulte la page Entraînement et le guide de la tâche de classification d'images.
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)Exemples d’images et d’annotations#
Exemples d'images du jeu de données Fashion-MNIST :
Les exemples illustrent la diversité des catégories de vêtements du jeu de données Fashion-MNIST et soulignent l'intérêt d'un jeu de données varié pour entraîner des modèles robustes de classification d'images.
Citations et remerciements#
Si tu utilises le jeu de données Fashion-MNIST dans tes travaux de recherche ou de développement, cite l'article suivant :
@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}
}Nous souhaitons remercier Zalando Research pour avoir créé et maintenu le jeu de données Fashion-MNIST, une ressource précieuse pour la communauté de recherche en apprentissage automatique et en vision par ordinateur. Pour plus d'informations sur le jeu de données Fashion-MNIST et ses créateurs, consulte le dépôt GitHub de Fashion-MNIST.
FAQ#
Le jeu de données Fashion-MNIST est une référence composée de 70 000 images en niveaux de gris de 28x28 pixels représentant des articles vestimentaires de Zalando, réparties entre 10 classes, et créée comme remplacement direct du jeu de données MNIST original. Il reprend exactement la taille des images, le format et la partition entraînement/test 60 000/10 000 de MNIST, mais remplace les chiffres manuscrits par des catégories de vêtements plus difficiles — comme T-shirt/haut, pantalon et bottine — ce qui en fait une référence plus exigeante pour les modèles de classification d'images.
Fashion-MNIST comporte 10 classes — T-shirt/haut, pantalon, pull, robe, manteau, sandale, chemise, basket, sac et bottine — avec exactement 7 000 images chacune, soit 70 000 images au total. Chaque image est une représentation en niveaux de gris de 28x28 pixels d'un seul article vestimentaire de Zalando, et les classes sont parfaitement équilibrées.
Fashion-MNIST est fourni avec une partition prédéfinie de 60 000 images d'entraînement et 10 000 images de test, avec exactement 6 000 images d'entraînement et 1 000 images de test par classe. Contrairement aux jeux de données de classification fondés sur une organisation en dossiers, qu'Ultralytics divise automatiquement, la partition officielle de Fashion-MNIST est utilisée telle quelle, et le jeu de test sert par défaut de partition de validation pendant l'entraînement.
Oui. Ultralytics Platform te permet de gérer des jeux de données, d'entraîner des modèles de classification d'images et de les déployer sans beaucoup de code. C'est un moyen pratique d'exécuter des expériences Fashion-MNIST dans le cloud, et tu peux découvrir d'autres options dans notre aperçu des jeux de données de classification.
Pour entraîner un modèle Ultralytics YOLO sur Fashion-MNIST, utilise les extraits de code ci-dessous. Le jeu de données est téléchargé automatiquement lors de la première utilisation. Pour consulter la liste complète des arguments, vois la page Entraînement du modèle.