Dataset Fashion-MNIST#
Il dataset Fashion-MNIST è un benchmark di classificazione delle immagini composto da 70.000 immagini in scala di grigi di 28x28 pixel raffiguranti capi di abbigliamento di Zalando, suddivise equamente in 10 classi — T-shirt/top, pantaloni, pullover, abito, cappotto, sandalo, camicia, sneaker, borsa e stivaletto. Include una suddivisione predefinita di 60.000 immagini di training 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 in anteprima i campioni, esaminare le statistiche del dataset e clonarlo per il training.
Funzionalità principali#
- Fashion-MNIST contiene 70.000 immagini in scala di grigi di 28x28 pixel, suddivise equamente in 10 classi.
- Ogni classe contiene esattamente 7.000 immagini — 6.000 per il training e 1.000 per il test — quindi il dataset è perfettamente bilanciato.
- È un sostituto diretto di MNIST: dimensioni, formato e struttura della suddivisione delle immagini sono identici, ma include categorie di abbigliamento più difficili invece di cifre scritte a mano.
- 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 sull'apprendimento profondo.
Struttura del dataset#
Fashion-MNIST include una suddivisione ufficiale predefinita, quindi non è necessario effettuare alcuna partizione automatica o manuale:
- Classi: 10 (T-shirt/top, pantaloni, pullover, abito, cappotto, sandalo, camicia, sneaker, borsa, stivaletto)
- Immagini totali: 70.000 (28x28 in scala di grigi)
- Set di training: 60.000 immagini (6.000 per classe)
- Set di test: 10.000 immagini (1.000 per classe)
Fashion-MNIST non dispone di una cartella di validazione separata, quindi Ultralytics utilizza per impostazione predefinita il set di test di 10.000 immagini come suddivisione di validazione durante il training.
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 Training e la guida all'attività di classificazione delle immagini.
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)Immagini ed esempi di annotazioni#
Immagini di esempio del dataset Fashion-MNIST:
I campioni mostrano la varietà delle categorie di abbigliamento presenti nel dataset Fashion-MNIST, sottolineando il valore di un dataset diversificato per addestrare modelli robusti di classificazione delle immagini.
Citazioni e ringraziamenti#
Se utilizzi il dataset Fashion-MNIST nelle tue attività 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 come risorsa preziosa per la comunità di ricerca nel machine learning e nella visione artificiale. Per ulteriori informazioni sul dataset Fashion-MNIST e sui suoi creatori, visita il repository GitHub di Fashion-MNIST.
FAQ#
Il dataset Fashion-MNIST è un benchmark composto da 70.000 immagini in scala di grigi di 28x28 pixel raffiguranti capi di abbigliamento di Zalando, suddivise in 10 classi, creato come sostituto diretto del dataset MNIST originale. Condivide con MNIST le stesse identiche dimensioni e lo stesso formato delle immagini, oltre alla suddivisione 60.000/10.000 tra training e test, ma sostituisce le cifre scritte a mano con categorie di moda più difficili — come T-shirt/top, pantaloni e stivaletto — rendendolo un benchmark più impegnativo per i modelli di classificazione delle immagini.
Per addestrare un modello Ultralytics YOLO su Fashion-MNIST, utilizza i frammenti di codice riportati di seguito. Il dataset viene scaricato automaticamente al primo utilizzo. Per l'elenco completo degli argomenti, consulta la pagina Training del modello.
Esempio di addestramentofrom 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 contiene 10 classi — T-shirt/top, pantaloni, pullover, abito, cappotto, sandalo, camicia, sneaker, borsa e stivaletto — con esattamente 7.000 immagini ciascuna, per un totale di 70.000 immagini. Ogni immagine è una rappresentazione in scala di grigi di 28x28 pixel di un singolo capo di abbigliamento di Zalando e le classi sono perfettamente bilanciate.
Fashion-MNIST include una suddivisione predefinita di 60.000 immagini di training e 10.000 immagini di test, con esattamente 6.000 immagini di training 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 il set di test funge da suddivisione di validazione durante il training per impostazione predefinita.
Sì. Ultralytics Platform ti permette di gestire i dataset, addestrare modelli di classificazione delle immagini e distribuirli senza dover scrivere molto codice. È un modo pratico per eseguire esperimenti con Fashion-MNIST nel cloud e puoi scoprire ulteriori opzioni nella nostra panoramica dei dataset di classificazione.