Dataset MNIST#
Il set di dati MNIST (Modified National Institute of Standards and Technology) è un benchmark di classificazione di immagini di 70.000 immagini in scala di grigi 28x28 di cifre scritte a mano che coprono 10 classi: le cifre da 0 a 9. Viene fornito con una suddivisione predefinita di 60.000 immagini di addestramento e 10.000 di test e ha servito a lungo come benchmark standard per la valutazione di algoritmi di apprendimento automatico e visione artificiale. Per l'equivalente più difficile di immagini di abbigliamento, consulta il set di dati correlato Fashion-MNIST; per le immagini a colori, vedi CIFAR-10.
Esplora MNIST su Ultralytics Platform per visualizzare in anteprima i campioni, ispezionare le statistiche del dataset e clonarlo per l'addestramento.
Caratteristiche principali#
- MNIST contiene 60.000 immagini di addestramento e 10.000 immagini di test di cifre scritte a mano, per un totale di 70.000.
- Ogni immagine è un'immagine in scala di grigi 28x28 di una singola cifra, normalizzata e dotata di antialiasing in un riquadro di delimitazione fisso di 28x28.
- Le 10 classi coprono le cifre 0–9, con un numero di immagini approssimativamente bilanciato per classe.
- Viene fornito con una suddivisione train/test predefinita, quindi non è richiesta alcuna suddivisione manuale o automatica.
- MNIST è un benchmark standard per la ricerca sulla classificazione di immagini e sul deep learning.
Struttura del dataset#
MNIST viene fornito con una suddivisione ufficiale predefinita, quindi non è necessaria alcuna partizione automatica o manuale:
- Classi: 10 (cifre scritte a mano 0–9)
- Immagini totali: 70.000 (28x28 in scala di grigi)
- Set di addestramento: 60.000 immagini
- Set di test: 10.000 immagini
MNIST non ha una cartella di validazione separata, quindi Ultralytics utilizza per impostazione predefinita il set di test da 10.000 immagini come split di validazione durante l'addestramento.
Ogni immagine è etichettata con la cifra corrispondente (0–9), rendendo MNIST un dataset supervisionato ideale per attività di classificazione.
Applicazioni#
MNIST è ampiamente utilizzato per addestrare e valutare modelli di classificazione di immagini, dalle classiche Reti Neurali Convoluzionali (CNN) e Support Vector Machines (SVM) alle moderne architetture profonde. Le sue piccole immagini in scala di grigi e le 10 classi di cifre lo rendono un benchmark veloce e riproducibile per il confronto di algoritmi e la sperimentazione di visione artificiale.
Alcune applicazioni comuni includono:
- Benchmarking di nuovi algoritmi di classificazione
- Scopi educativi per l'insegnamento di concetti di machine learning
- Prototipazione di sistemi di riconoscimento immagini
- Test di tecniche di ottimizzazione dei modelli
Utilizzo#
Addestra un modello di classificazione YOLO su MNIST per 100 epoche a una dimensione di immagine di 28. Il set di dati si scarica e si memorizza nella cache automaticamente al primo utilizzo; se preferisci il controllo completo sulla pre-elaborazione, gli archivi gzip originali sono disponibili anche dal database MNIST. Per l'elenco completo degli argomenti disponibili, consulta la pagina Training e la guida all'attività di classificazione di 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="mnist", epochs=100, imgsz=28)Ultralytics espone anche data="mnist160", una porzione di 160 immagini contenente le prime otto immagini di ogni cifra (0–9) sia dalla suddivisione di addestramento che di test. Rispecchia la struttura delle directory di MNIST, consentendoti di scambiare i set di dati senza modificare nessun altro argomento: l'ideale per pipeline CI o controlli di sanità prima di impegnarsi nell'intero set di dati di 70.000 immagini.
yolo classify train data=mnist160 model=yolo26n-cls.pt epochs=5 imgsz=28Esempi di immagini e annotazioni#
Immagini campione dal dataset MNIST:
I campioni mostrano la gamma di stili di scrittura a mano che il dataset cattura nelle 10 classi di cifre.
Citazioni e riconoscimenti#
Se utilizzi il dataset MNIST nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:
@article{lecun2010mnist,
title={MNIST handwritten digit database},
author={LeCun, Yann and Cortes, Corinna and Burges, CJ},
journal={ATT Labs [Online]},
volume={2},
year={2010}
}Desideriamo ringraziare Yann LeCun, Corinna Cortes e Christopher J.C. Burges per aver creato e mantenuto il set di dati MNIST come risorsa preziosa per la comunità di ricerca sull'apprendimento automatico e sulla visione artificiale. Per ulteriori informazioni sul set di dati MNIST e sui suoi creatori, visita il sito Web del set di dati MNIST.
FAQ#
Il set di dati MNIST è un benchmark di 70.000 immagini in scala di grigi 28x28 di cifre scritte a mano, suddiviso in 60.000 immagini di addestramento e 10.000 di test nelle 10 classi 0–9. È il riferimento standard per la valutazione di algoritmi di classificazione di immagini: il suo formato piccolo e uniforme consente a ricercatori e ingegneri di confrontare i metodi e monitorare i progressi con una configurazione minima, motivo per cui rimane un primo benchmark comune nell'apprendimento automatico.
MNIST ha 10 classi (le cifre scritte a mano da 0 a 9) e un totale di 70.000 immagini in scala di grigi, ciascuna di 28x28 pixel. Viene fornito con una suddivisione predefinita di 60.000 immagini di addestramento e 10.000 immagini di test, con un numero approssimativamente uguale di esempi per cifra.
Per addestrare un modello Ultralytics YOLO su MNIST, usa i frammenti di codice sottostanti. Il set di dati viene scaricato automaticamente al primo utilizzo. Per un elenco dettagliato degli argomenti di addestramento disponibili, fai riferimento alla pagina Training.
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="mnist", epochs=100, imgsz=28)MNIST viene fornito con una suddivisione predefinita di 60.000 immagini di addestramento e 10.000 immagini di test. A differenza dei dataset di classificazione basati su cartelle che Ultralytics divide automaticamente, la partizione ufficiale di MNIST viene utilizzata così com'è e il set di test funge da split di validazione durante l'addestramento per impostazione predefinita.
Il dataset MNIST contiene solo cifre scritte a mano, mentre il dataset Extended MNIST (EMNIST) include sia cifre che lettere maiuscole e minuscole. EMNIST è stato sviluppato come successore di MNIST e utilizza lo stesso formato di 28x28 pixel, rendendolo compatibile con strumenti e modelli progettati per il dataset MNIST originale. Questa gamma più ampia di caratteri rende EMNIST utile per una maggiore varietà di applicazioni di machine learning.
Sì. Ultralytics Platform ti consente di caricare set di dati, addestrare modelli di classificazione di immagini e distribuirli senza una programmazione estensiva. È un modo conveniente per eseguire esperimenti MNIST nel cloud: consulta la panoramica dei set di dati di classificazione per opzioni correlate.
MNIST è più semplice di molti set di dati moderni come CIFAR-10 o ImageNet, il che lo rende ideale per principianti e sperimentazioni rapide. Sebbene set di dati più complessi offrano maggiori sfide con immagini a colori e diverse categorie di oggetti, MNIST rimane prezioso per la sua semplicità, le dimensioni ridotte del file e il significato storico nello sviluppo di algoritmi di apprendimento automatico. Per un sostituto diretto più difficile con la stessa struttura, vedi Fashion-MNIST, che presenta articoli di abbigliamento anziché cifre.