MNIST 데이터셋#
MNIST(수정된 미국 국립표준기술연구소) 데이터셋은 손으로 쓴 숫자 10개 클래스(0부터 9까지)를 담은 28x28 그레이스케일 이미지 70,000개로 구성된 이미지 분류 벤치마크입니다. 학습 이미지 60,000개와 테스트 이미지 10,000개로 사전 정의된 분할을 제공하며, 오랫동안 머신러닝 및 컴퓨터 비전 알고리즘 평가를 위한 표준 벤치마크로 사용되어 왔습니다. 더 어려운 의류 이미지 데이터셋은 관련 Fashion-MNIST 데이터셋을, 컬러 이미지는 CIFAR-10을 참조하세요.
Ultralytics Platform의 MNIST를 살펴보고 샘플 미리 보기, 데이터셋 통계 확인, 학습용 복제를 진행하세요.
주요 기능#
- MNIST에는 손으로 쓴 숫자 이미지가 학습용 60,000개, 테스트용 10,000개로 총 70,000개 있습니다.
- 모든 이미지는 하나의 숫자를 담은 28x28 그레이스케일 이미지이며, 크기가 정규화되고 앤티앨리어싱 처리되어 20x20 상자에 맞게 조정된 후 28x28 프레임의 중앙에 배치됩니다.
- 10개 클래스는 숫자 0–9로 구성되며, 클래스마다 이미지 수가 대체로 균형을 이룹니다.
- 사전 정의된 학습/테스트 분할을 제공하므로 수동 또는 자동 분할이 필요하지 않습니다.
- MNIST는 이미지 분류 및 딥러닝 연구의 표준 벤치마크입니다.
데이터셋 구조#
MNIST는 공식적으로 사전 정의된 분할을 제공하므로 자동 또는 수동 분할이 필요하지 않습니다:
- 클래스: 10개(손으로 쓴 숫자 0–9)
- 전체 이미지: 70,000개(28x28 흑백)
- 학습 세트: 이미지 60,000개
- 테스트 세트: 이미지 10,000개
MNIST에는 별도의 검증 폴더가 없으므로, Ultralytics는 기본적으로 학습 중 10,000개 이미지로 구성된 테스트 세트를 검증 분할로 사용합니다.
각 이미지에는 해당 숫자(0–9)가 레이블로 지정되어 있어, MNIST는 분류 작업에 적합한 지도 학습 데이터셋입니다.
응용 분야#
MNIST는 고전적인 합성곱 신경망(CNN) 및 서포트 벡터 머신(SVM)부터 최신 딥 아키텍처까지, 다양한 이미지 분류 모델의 학습과 평가에 널리 사용됩니다. 작은 그레이스케일 이미지와 10개 숫자 클래스 덕분에 알고리즘 비교 및 컴퓨터 비전 실험을 위한 빠르고 재현 가능한 벤치마크로 활용할 수 있습니다.
일반적인 활용 사례는 다음과 같습니다:
- 새로운 분류 알고리즘 벤치마킹
- 머신러닝 개념 교육을 위한 학습 자료
- 이미지 인식 시스템 프로토타이핑
- 모델 최적화 기법 테스트
사용법#
이미지 크기 28로 MNIST에서 YOLO 분류 모델을 100 에폭 동안 학습합니다. 처음 사용할 때 데이터셋이 자동으로 다운로드되고 캐시됩니다. 전처리를 완전히 직접 제어하려면 원본 gzip 아카이브를 MNIST 데이터베이스에서 다운로드할 수도 있습니다. 사용 가능한 전체 인수 목록은 학습 페이지와 이미지 분류 작업 가이드를 참조하세요.
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n-cls.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장).
# 모델 학습
results = model.train(data="mnist", epochs=100, imgsz=28)Ultralytics는 학습 및 테스트 분할에서 숫자 0–9 각각의 처음 8개 이미지를 포함하는 160개 이미지 하위 집합인 data="mnist160"도 제공합니다. MNIST 디렉터리 구조를 그대로 따르므로 다른 인수를 변경하지 않고도 데이터셋을 바꿔 사용할 수 있습니다. 전체 이미지 70,000개 데이터셋을 사용하기 전에 CI 파이프라인이나 기본 동작 확인에 적합합니다.
yolo classify train data=mnist160 model=yolo26n-cls.pt epochs=5 imgsz=28샘플 이미지 및 어노테이션#
MNIST 데이터셋의 샘플 이미지:
샘플은 10개 숫자 클래스 전반에 걸쳐 데이터셋에 담긴 다양한 필체를 보여줍니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 MNIST 데이터셋을 사용한다면 다음 논문을 인용해 주세요:
@article{lecun2010mnist,
title={MNIST handwritten digit database},
author={LeCun, Yann and Cortes, Corinna and Burges, CJ},
journal={ATT Labs [Online]},
volume={2},
year={2010}
}가치 있는 자료로서 MNIST 데이터셋을 만들고 유지 관리한 Yann LeCun, Corinna Cortes, Christopher J.C. Burges에게 머신러닝 및 컴퓨터 비전 연구 커뮤니티를 대표해 감사의 뜻을 전합니다. MNIST 데이터셋과 제작자에 관한 자세한 내용은 MNIST 데이터셋 웹사이트를 방문하세요.
자주 묻는 질문#
MNIST에는 손으로 쓴 숫자 0부터 9까지 총 10개 클래스가 있으며, 28x28픽셀 그레이스케일 이미지가 총 70,000개 있습니다. 학습 이미지 60,000개와 테스트 이미지 10,000개로 사전 정의된 분할을 제공하며, 숫자별 예시 수는 대체로 균등합니다.
MNIST에서 Ultralytics YOLO 모델을 학습하려면 아래 코드 스니펫을 사용하세요. 처음 사용할 때 데이터셋이 자동으로 다운로드됩니다. 사용 가능한 학습 인수의 자세한 목록은 학습 페이지를 참조하세요.
학습 예제from ultralytics import YOLO # 모델 로드 model = YOLO("yolo26n-cls.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장). # 모델 학습 results = model.train(data="mnist", epochs=100, imgsz=28)MNIST는 학습 이미지 60,000개와 테스트 이미지 10,000개로 사전 정의된 분할을 제공합니다. Ultralytics가 자동으로 분할하는 폴더 기반 분류 데이터셋과 달리, MNIST의 공식 분할은 그대로 사용되며 기본적으로 학습 중 테스트 세트가 검증 분할로 사용됩니다.
MNIST 데이터셋에는 손으로 쓴 숫자만 포함되지만, 확장 MNIST(EMNIST) 데이터셋에는 숫자와 대문자 및 소문자가 모두 포함됩니다. EMNIST는 MNIST의 후속 데이터셋으로 개발되었으며 동일한 28x28픽셀 형식을 사용하므로, 원본 MNIST 데이터셋용으로 설계된 도구 및 모델과 호환됩니다. 더 다양한 문자를 포함하므로 EMNIST는 폭넓은 머신러닝 애플리케이션에 유용합니다.
예. Ultralytics Platform을 사용하면 광범위한 코딩 없이 데이터셋을 업로드하고, 이미지 분류 모델을 학습하고, 배포할 수 있습니다. 클라우드에서 MNIST 실험을 실행하는 편리한 방법입니다. 관련 옵션은 분류 데이터셋 개요를 참조하세요.
MNIST는 CIFAR-10이나 ImageNet 같은 많은 최신 데이터셋보다 단순해 초보자와 빠른 실험에 적합합니다. 더 복잡한 데이터셋은 컬러 이미지와 다양한 객체 범주로 더 큰 과제를 제공하지만, MNIST는 단순성, 작은 파일 크기, 머신러닝 알고리즘 발전사에서의 역사적 중요성 덕분에 여전히 가치가 있습니다. 구조는 동일하면서 더 어려운 대체 데이터셋을 찾는다면 숫자 대신 의류 항목을 포함하는 Fashion-MNIST를 참조하세요.