MNIST 데이터셋#

MNIST (Modified National Institute of Standards and Technology) 데이터셋은 10개 클래스(0부터 9까지의 숫자)에 걸쳐 있는 7万 장의 28x28 손글씨 숫자 흑백 이미지로 구성된 이미지 분류 벤치마크입니다. 6만 장의 학습용 이미지와 1만 장의 테스트 이미지로 미리 분할되어 제공되며, 오랜 시간 동안 머신러닝 및 컴퓨터 비전 알고리즘을 평가하는 표준 벤치마크 역할을 해왔습니다. 더 어려운 의류 이미지 대안을 찾고 있다면 관련 Fashion-MNIST 데이터셋을 참조하시고, 컬러 이미지의 경우 CIFAR-10을 참조하세요.

주요 특징#

• MNIST는 총 70,000개의 손글씨 숫자 이미지로, 60,000개의 학습 이미지와 10,000개의 테스트 이미지로 구성되어 있습니다.
• 모든 이미지는 단일 숫자를 담은 28x28 흑백 사진이며, 고정된 28x28 바운딩 박스에 맞춰 정규화 및 앤티앨리어싱 처리가 되어 있습니다.
• 10개의 클래스는 0~9까지의 숫자를 나타내며, 각 클래스당 이미지 수는 대략 균등하게 분포되어 있습니다.
• 데이터셋은 사전 정의된 학습/테스트 분할로 제공되므로 수동 또는 자동 분할이 필요하지 않습니다.
• MNIST는 이미지 분류 및 딥러닝 연구를 위한 표준 벤치마크입니다.

데이터셋 구조#

MNIST는 공식적으로 사전 정의된 분할과 함께 제공되므로 별도의 자동 또는 수동 파티셔닝이 필요하지 않습니다:

• 클래스: 10개 (손글씨 숫자 0–9)
• 총 이미지 수: 70,000개 (28x28 그레이스케일)
• 학습 세트: 60,000개 이미지
• 테스트 세트: 10,000개 이미지

각 이미지는 해당 숫자(0–9)로 라벨링되어 있어, MNIST는 분류 작업에 이상적인 지도 학습 데이터셋입니다.

응용 분야#

MNIST는 고클래식 Convolutional Neural Networks (CNN) 및 Support Vector Machines (SVM)부터 최신 딥 아키텍처에 이르기까지 image classification 모델을 훈련하고 평가하는 데 널리 사용됩니다. 작고 흑백인 이미지와 10개의 숫자 클래스를 가지고 있어 알고리즘 비교 및 computer vision 실험을 위한 빠르고 재현 가능한 벤치마크가 됩니다.

몇 가지 일반적인 애플리케이션은 다음과 같습니다:

• 새로운 분류 알고리즘 벤치마킹
• 머신러닝 개념 교육을 위한 교육적 목적
• 이미지 인식 시스템 프로토타이핑
• 모델 최적화 기술 테스트

사용법#

이미지 크기 28로 설정하여 MNIST에서 100 에폭 동안 YOLO 분류 모델을 학습시킵니다. 데이터셋은 처음 사용할 때 자동으로 다운로드되고 캐시됩니다. 전처리를 완전히 제어하고 싶다면 원본 gzip 아카이브를 MNIST 데이터베이스에서 다운로드할 수도 있습니다. 사용 가능한 모든 인수 목록은 학습 페이지와 이미지 분류 태스크 가이드를 참조하세요.

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)

yolo classify train data=mnist160 model=yolo26n-cls.pt epochs=5 imgsz=28

샘플 이미지 및 주석#

MNIST 데이터셋의 샘플 이미지:

이 샘플들은 10개의 숫자 클래스에 걸쳐 데이터셋에 포함된 다양한 필체 스타일을 보여줍니다.

인용 및 감사의 글#

연구 또는 개발 작업에 MNIST 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

@article{lecun2010mnist,
         title={MNIST handwritten digit database},
         author={LeCun, Yann and Cortes, Corinna and Burges, CJ},
         journal={ATT Labs [Online]},
         volume={2},
         year={2010}
}

머신러닝 및 컴퓨터 비전 연구 커뮤니티를 위한 귀중한 리소스로서 MNIST 데이터셋을 만들고 유지 관리해 준 Yann LeCun, Corinna Cortes, Christopher J.C. Burges에게 감사를 표합니다. MNIST 데이터셋과 제작자에 대한 자세한 내용은 MNIST 데이터셋 웹사이트를 방문하세요.

FAQ#

MNIST 데이터셋이란 무엇이며, 머신러닝에서 왜 중요한가요?#

MNIST 데이터셋은 0–9의 10개 클래스에 걸쳐 6만 장의 학습용 이미지와 1만 장의 테스트 이미지로 나뉘어진 7만 장의 28x28 손글씨 숫자 흑백 이미지 벤치마크입니다. 이는 이미지 분류 알고리즘을 평가하기 위한 표준 레퍼런스이며, 작고 균일한 형식을 통해 연구자와 엔지니어가 최소한의 설정으로 방식을 비교하고 진행 상황을 추적할 수 있도록 하므로 머신러닝에서 여전히 흔히 쓰이는 첫 번째 벤치마크입니다.

MNIST 데이터셋의 클래스 수와 이미지 수는 어떻게 됩니까?#

MNIST는 10개의 클래스(0부터 9까지의 숫자)와 총 70,000개의 28x28 픽셀 그레이스케일 이미지로 구성되어 있습니다. 이 데이터셋은 60,000개의 학습 이미지와 10,000개의 테스트 이미지로 사전 분할되어 제공되며, 각 숫자별로 거의 동일한 수의 예제가 포함되어 있습니다.

Ultralytics YOLO를 사용하여 MNIST 데이터셋으로 모델을 학습하려면 어떻게 해야 하나요?#

MNIST에서 Ultralytics YOLO 모델을 학습시키려면 아래의 코드 스니펫을 사용하세요. 데이터셋은 처음 사용할 때 자동으로 다운로드됩니다. 사용 가능한 학습 인수 목록에 대한 자세한 내용은 학습 페이지를 참조하세요.

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)

MNIST 데이터셋은 어떻게 학습 세트와 테스트 세트로 분할됩니까?#

MNIST는 60,000개의 학습 이미지와 10,000개의 테스트 이미지로 사전 정의된 분할과 함께 제공됩니다. Ultralytics가 자동으로 분할하는 폴더 기반 분류 데이터셋과 달리, MNIST의 공식 파티션이 그대로 사용되며 테스트 세트는 학습 중 기본적으로 검증 세트로 사용됩니다.

MNIST 데이터셋과 EMNIST 데이터셋의 차이점은 무엇인가요?#

MNIST 데이터셋은 손글씨 숫자만 포함하는 반면, Extended MNIST(EMNIST) 데이터셋은 숫자와 대문자 및 소문자를 모두 포함합니다. EMNIST는 MNIST의 후속 버전으로 개발되었으며 동일한 28x28 픽셀 형식을 사용하여 기존 MNIST 데이터셋용 도구 및 모델과 호환됩니다. 이러한 더 넓은 범위의 문자로 인해 EMNIST는 더 다양한 머신러닝 애플리케이션에 유용합니다.

MNIST와 같은 데이터셋으로 모델을 학습하기 위해 Ultralytics Platform을 사용할 수 있습니까?#

네. Ultralytics Platform을 사용하면 광범위한 코딩 없이도 데이터셋을 업로드하고, 이미지 분류 모델을 학습시키며 배포할 수 있습니다. 클라우드에서 MNIST 실험을 실행하는 편리한 방법이며, 관련 옵션에 대해서는 분류 데이터셋 개요를 참조하세요.

MNIST는 다른 이미지 분류 데이터셋과 어떻게 다른가요?#

MNIST는 CIFAR-10이나 ImageNet과 같은 많은 현대적인 데이터셋보다 단순하므로 초보자와 빠른 실험에 이상적입니다. 더 복잡한 데이터셋은 컬러 이미지와 다양한 객체 카테고리로 인해 더 큰 과제를 제시하지만, MNIST는 그 단순함과 작은 파일 크기, 그리고 머신러닝 알고리즘 발전에서의 역사적 중요성 덕분에 여전히 가치가 있습니다. 숫자가 아닌 의류 아이템을 특징으로 하며 동일한 구조를 가진 더 어려운 대체재를 원하신다면 Fashion-MNIST를 참조하세요.