Dataset Fashion-MNIST#
Il dataset Fashion-MNIST è un benchmark di classificazione delle immagini composto da 70.000 immagini in scala di grigi da 28x28 degli articoli di abbigliamento di Zalando, suddivise equamente in 10 classi: maglietta/top, pantaloni, pullover, vestito, cappotto, sandalo, camicia, sneaker, borsa e stivaletto. Include una partizione predefinita di 60.000 immagini di addestramento e 10.000 immagini di test (7.000 per classe) e funge da sostituto diretto del dataset MNIST originale per il benchmarking degli algoritmi di machine learning. Per l'equivalente con immagini a colori, consulta il dataset correlato CIFAR-10.
Esplora Fashion-MNIST su Ultralytics Platform per visualizzare un'anteprima degli esempi, esaminare le statistiche del dataset e clonarlo per l'addestramento.
Funzionalità principali#
- Fashion-MNIST contiene 70.000 immagini in scala di grigi da 28x28 pixel, suddivise equamente in 10 classi.
- Ogni classe contiene esattamente 7.000 immagini — 6.000 per l'addestramento e 1.000 per il test — quindi il dataset è perfettamente bilanciato.
- È un sostituto diretto di MNIST: dimensioni, formato e struttura della partizione sono identici, ma al posto delle cifre scritte a mano include categorie di abbigliamento più impegnative.
- Il dataset include una suddivisione predefinita tra addestramento e test, quindi non è necessaria alcuna suddivisione manuale o automatica.
- Fashion-MNIST è un benchmark standard per la ricerca sulla classificazione delle immagini e sul deep learning.
Struttura del dataset#
Fashion-MNIST include una partizione ufficiale predefinita, quindi non è necessaria alcuna suddivisione automatica o manuale:
- Classi: 10 (maglietta/top, pantaloni, pullover, vestito, cappotto, sandalo, camicia, sneaker, borsa, stivaletto)
- Immagini totali: 70.000 (28x28 in scala di grigi)
- Set di addestramento: 60.000 immagini (6.000 per classe)
- Set di test: 10.000 immagini (1.000 per classe)
Fashion-MNIST non ha una cartella di convalida separata, quindi per impostazione predefinita durante l'addestramento Ultralytics usa il set di test da 10.000 immagini come set di convalida.
Applicazioni#
Fashion-MNIST è ampiamente utilizzato per addestrare e valutare modelli di classificazione delle immagini, dalle classiche reti neurali convoluzionali (CNNs) e macchine a vettori di supporto (SVMs) alle moderne architetture profonde. Le sue piccole immagini in scala di grigi e le 10 categorie di abbigliamento lo rendono un benchmark rapido e riproducibile per confrontare gli algoritmi e sperimentare con la visione artificiale, pur essendo più impegnativo delle cifre scritte a mano di MNIST.
Utilizzo#
Addestra un modello YOLO su Fashion-MNIST per 100 epoche con una dimensione delle immagini pari a 28. Per l'elenco completo degli argomenti disponibili, consulta la pagina Addestramento e la guida all'attività di classificazione delle immagini.
from ultralytics import YOLO
# Carica un modello
model = YOLO("yolo26n-cls.pt") # carica un modello preaddestrato (consigliato per l'addestramento)
# Addestra il modello
results = model.train(data="fashion-mnist", epochs=100, imgsz=28)Immagini di esempio e annotazioni#
Esempi di immagini dal dataset Fashion-MNIST:
Gli esempi mostrano la varietà delle categorie di abbigliamento nel dataset Fashion-MNIST e sottolineano l'importanza di un dataset variegato per addestrare modelli robusti di classificazione delle immagini.
Citazioni e ringraziamenti#
Se utilizzi il dataset Fashion-MNIST nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:
@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}
}Desideriamo ringraziare Zalando Research per aver creato e mantenuto il dataset Fashion-MNIST, una risorsa preziosa per la comunità di ricerca sul machine learning e sulla visione artificiale. Per ulteriori informazioni sul dataset Fashion-MNIST e sui suoi creatori, visita il repository GitHub di Fashion-MNIST.
Domande frequenti#
Il dataset Fashion-MNIST è un benchmark composto da 70.000 immagini in scala di grigi da 28x28 degli articoli di abbigliamento di Zalando, suddivise in 10 classi; è stato creato come sostituto diretto del dataset MNIST originale. Ha le stesse dimensioni e lo stesso formato delle immagini di MNIST e la stessa partizione di 60.000/10.000 immagini di addestramento/test, ma sostituisce le cifre scritte a mano con categorie di moda più impegnative — come maglietta/top, pantaloni e stivaletto — rendendolo un benchmark più difficile per i modelli di classificazione delle immagini.
Per addestrare un modello Ultralytics YOLO su Fashion-MNIST, usa gli snippet di codice qui sotto. Il dataset viene scaricato automaticamente al primo utilizzo. Per l'elenco completo degli argomenti, consulta la pagina Addestramento del modello.
Esempio di addestramentofrom ultralytics import YOLO # Carica un modello model = YOLO("yolo26n-cls.pt") # carica un modello preaddestrato (consigliato per l'addestramento) # Addestra il modello results = model.train(data="fashion-mnist", epochs=100, imgsz=28)Fashion-MNIST contiene 10 classi — maglietta/top, pantaloni, pullover, vestito, cappotto, sandalo, camicia, sneaker, borsa e stivaletto — con esattamente 7.000 immagini ciascuna, per un totale di 70.000 immagini. Ogni immagine è una foto in scala di grigi da 28x28 di un singolo articolo di abbigliamento di Zalando e le classi sono perfettamente bilanciate.
Fashion-MNIST include una suddivisione predefinita di 60.000 immagini di addestramento e 10.000 immagini di test, con esattamente 6.000 immagini di addestramento e 1.000 immagini di test per classe. A differenza dei dataset di classificazione basati su cartelle, che Ultralytics suddivide automaticamente, la partizione ufficiale di Fashion-MNIST viene utilizzata così com'è e, per impostazione predefinita, durante l'addestramento il set di test funge da set di convalida.
Sì. Ultralytics Platform ti consente di gestire i dataset, addestrare modelli di classificazione delle immagini e distribuirli senza scrivere molto codice. È un modo pratico per eseguire esperimenti con Fashion-MNIST nel cloud; puoi scoprire altre opzioni nella nostra panoramica dei dataset di classificazione.