Jeu de données MNIST#
Le jeu de données MNIST (Modified National Institute of Standards and Technology) est un banc d'essai de classification d'images composé de 70 000 images en nuances de gris de 28x28 pixels représentant des chiffres manuscrits répartis sur 10 classes — les chiffres de 0 à 9. Il est fourni avec une division prédéfinie de 60 000 images d'entraînement et 10 000 images de test, et sert depuis longtemps de référence standard pour évaluer les algorithmes d'apprentissage automatique et de vision par ordinateur. Pour l'équivalent plus difficile d'images de vêtements, consulte le jeu de données associé Fashion-MNIST ; pour les images en couleur, consulte CIFAR-10.
Explore MNIST on Ultralytics Platform pour prévisualiser des exemples, inspecter les statistiques du dataset et le cloner pour l'entraînement.
Fonctionnalités clés#
- MNIST contient 60 000 images d'entraînement et 10 000 images de test de chiffres manuscrits, soit 70 000 au total.
- Chaque image est une photo en nuances de gris de 28x28 pixels d'un seul chiffre, normalisée et anticrénelée dans une boîte englobante fixe de 28x28.
- Les 10 classes couvrent les chiffres de 0 à 9, avec un nombre d'images à peu près équilibré par classe.
- Il est fourni avec une séparation entraînement/test prédéfinie, aucune séparation manuelle ou automatique n'est donc requise.
- MNIST est un banc d'essai standard pour la recherche en classification d'images et en apprentissage profond.
Structure du jeu de données#
MNIST est fourni avec une séparation officielle et prédéfinie, aucun partitionnement manuel ou automatique n'est donc nécessaire :
- Classes : 10 (chiffres manuscrits 0–9)
- Total d'images : 70 000 (28x28 en niveaux de gris)
- Jeu d'entraînement : 60 000 images
- Jeu de test : 10 000 images
MNIST n'a pas de dossier de validation séparé, Ultralytics utilise donc par défaut le jeu de test de 10 000 images comme séparation de validation pendant l'entraînement.
Chaque image est étiquetée avec son chiffre correspondant (0–9), faisant de MNIST un jeu de données supervisé idéal pour les tâches de classification.
Applications#
MNIST est largement utilisé pour entraîner et évaluer des modèles de classification d'images, allant des Réseaux de Neurones Convolutifs (CNN) et des Machines à Vecteurs de Support (SVM) classiques aux architectures profondes modernes. Ses petites images en nuances de gris et ses 10 classes de chiffres en font un banc d'essai rapide et reproductible pour la comparaison d'algorithmes et l'expérimentation en vision par ordinateur.
Quelques applications courantes incluent :
- Évaluation comparative de nouveaux algorithmes de classification
- Objectifs pédagogiques pour enseigner les concepts d'apprentissage automatique
- Prototypage de systèmes de reconnaissance d'images
- Test de techniques d'optimisation de modèles
Utilisation#
Entraîne un modèle de classification YOLO sur MNIST pendant 100 époques avec une taille d'image de 28. Le jeu de données se télécharge et se met en cache automatiquement lors de la première utilisation ; si tu préfères un contrôle total sur le prétraitement, les archives gzip d'origine sont également disponibles depuis la base de données MNIST. Pour obtenir 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="mnist", epochs=100, imgsz=28)Ultralytics propose également data="mnist160", une tranche de 160 images contenant les huit premières images de chaque chiffre (0–9) provenant à la fois des ensembles d'entraînement et de test. Elle reproduit la structure des répertoires de MNIST, ce qui te permet de remplacer les jeux de données sans modifier aucun autre argument — idéal pour les pipelines CI ou les vérifications sommaires avant de t'engager sur le jeu de données complet de 70 000 images.
yolo classify train data=mnist160 model=yolo26n-cls.pt epochs=5 imgsz=28Exemples d'images et annotations#
Exemples d'images du jeu de données MNIST :
Les échantillons montrent l'éventail des styles d'écriture manuscrite que le jeu de données capture à travers les 10 classes de chiffres.
Citations et remerciements#
Si tu utilises le jeu de données MNIST dans tes travaux de recherche ou de développement, merci de citer l'article suivant :
@article{lecun2010mnist,
title={MNIST handwritten digit database},
author={LeCun, Yann and Cortes, Corinna and Burges, CJ},
journal={ATT Labs [Online]},
volume={2},
year={2010}
}Nous tenons à remercier Yann LeCun, Corinna Cortes et Christopher J.C. Burges pour avoir créé et maintenu le jeu de données MNIST en tant que ressource précieuse pour la communauté de recherche en apprentissage automatique et en vision par ordinateur. Pour plus d'informations sur le jeu de données MNIST et ses créateurs, visite le site web du jeu de données MNIST.
FAQ#
Le jeu de données MNIST est un banc d'essai de 70 000 images en nuances de gris de 28x28 pixels représentant des chiffres manuscrits, divisé en 60 000 images d'entraînement et 10 000 images de test réparties sur les 10 classes de 0 à 9. Il constitue la référence standard pour évaluer les algorithmes de classification d'images ; son format petit et uniforme permet aux chercheurs et aux ingénieurs de comparer les méthodes et de suivre les progrès avec une configuration minimale, ce qui explique pourquoi il reste un premier banc d'essai courant en apprentissage automatique.
MNIST possède 10 classes — les chiffres manuscrits de 0 à 9 — et 70 000 images en niveaux de gris au total, chacune de 28x28 pixels. Il est fourni avec une séparation prédéfinie de 60 000 images d'entraînement et 10 000 images de test, avec un nombre d'exemples à peu près égal par chiffre.
MNIST est fourni avec une séparation prédéfinie de 60 000 images d'entraînement et 10 000 images de test. Contrairement aux jeux de données de classification basés sur des dossiers qu'Ultralytics divise automatiquement, la partition officielle de MNIST est utilisée telle quelle, et le jeu de test sert par défaut de séparation de validation pendant l'entraînement.
Le jeu de données MNIST contient uniquement des chiffres manuscrits, tandis que le jeu de données Extended MNIST (EMNIST) inclut à la fois des chiffres ainsi que des lettres majuscules et minuscules. EMNIST a été développé comme successeur de MNIST et utilise le même format de 28x28 pixels, ce qui le rend compatible avec les outils et les modèles conçus pour le jeu de données MNIST original. Cette gamme plus large de caractères rend EMNIST utile pour une plus grande variété d'applications de machine learning.
Oui. Ultralytics Platform te permet de charger des jeux de données, d'entraîner des modèles de classification d'images et de les déployer sans programmation extensive. C'est un moyen pratique d'exécuter des expériences MNIST dans le cloud — consulte l'aperçu des jeux de données de classification pour découvrir les options associées.
MNIST est plus simple que de nombreux jeux de données modernes comme CIFAR-10 ou ImageNet, ce qui le rend idéal pour les débutants et les expérimentations rapides. Bien que des jeux de données plus complexes présentent de plus grands défis avec des images en couleur et des catégories d'objets variées, MNIST conserve toute sa valeur grâce à sa simplicité, sa petite taille de fichier et son importance historique dans le développement des algorithmes d'apprentissage automatique. Pour un remplacement direct plus difficile doté de la même structure, consulte Fashion-MNIST, qui propose des articles de vêtements à la place des chiffres.
Pour entraîner un modèle Ultralytics YOLO sur MNIST, utilise les extraits de code ci-dessous. Le jeu de données se télécharge automatiquement lors de la première utilisation. Pour une liste détaillée des arguments d'entraînement disponibles, réfère-toi à la page Entraînement.