Conjunto de dados Fashion-MNIST#
O conjunto de dados Fashion-MNIST é um benchmark de classificação de imagens composto por 70.000 imagens em tons de cinzento de 28x28 de artigos de vestuário da Zalando, distribuídas uniformemente por 10 classes — t-shirt/top, calças, camisola, vestido, casaco, sandália, camisa, sapatilha, mala e bota de cano curto. É fornecido com uma divisão predefinida de 60.000 imagens de treino e 10.000 imagens de teste (7.000 por classe) e funciona como substituto direto do conjunto de dados MNIST original para avaliar algoritmos de aprendizagem automática. Para obter o equivalente com imagens a cores, consulta o conjunto de dados relacionado CIFAR-10.
Explora o Fashion-MNIST na Ultralytics Platform para pré-visualizar amostras, consultar as estatísticas do conjunto de dados e cloná-lo para treino.
Principais funcionalidades#
- O Fashion-MNIST contém 70.000 imagens em tons de cinzento de 28x28 píxeis, divididas uniformemente por 10 classes.
- Cada classe contém exatamente 7.000 imagens — 6.000 para treino e 1.000 para teste —, pelo que o conjunto de dados é perfeitamente equilibrado.
- É um substituto direto do MNIST: tem o mesmo tamanho de imagem, formato e estrutura de divisão, mas categorias de vestuário mais difíceis em vez de dígitos manuscritos.
- O conjunto de dados é fornecido com uma divisão predefinida entre treino e teste, pelo que não é necessária qualquer divisão manual ou automática.
- O Fashion-MNIST é um benchmark padrão para investigação em classificação de imagens e aprendizagem profunda.
Estrutura do Conjunto de Dados#
O Fashion-MNIST é fornecido com uma divisão oficial predefinida, pelo que não é necessária qualquer partição automática ou manual:
- Classes: 10 (t-shirt/top, calças, camisola, vestido, casaco, sandália, camisa, sapatilha, mala, bota de cano curto)
- Total de imagens: 70.000 (28x28 em tons de cinzento)
- Conjunto de treino: 60.000 imagens (6.000 por classe)
- Conjunto de teste: 10.000 imagens (1.000 por classe)
O Fashion-MNIST não tem uma pasta de validação separada, pelo que a Ultralytics utiliza o conjunto de teste de 10.000 imagens como divisão de validação durante o treino, por predefinição.
Aplicações#
O Fashion-MNIST é amplamente utilizado para treinar e avaliar modelos de classificação de imagens, desde Redes Neuronais Convolucionais (CNNs) clássicas e Máquinas de Vetores de Suporte (SVMs) até arquiteturas profundas modernas. As suas pequenas imagens em tons de cinzento e 10 categorias de vestuário fazem dele um benchmark rápido e reproduzível para comparar algoritmos e realizar experiências de visão computacional, sendo simultaneamente mais desafiante do que os dígitos manuscritos do MNIST.
Utilização#
Treina um modelo YOLO no Fashion-MNIST durante 100 épocas, com um tamanho de imagem de 28. Para consultar a lista completa de argumentos disponíveis, vê a página de Treino e o guia da tarefa de classificação de imagens.
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)Imagens de exemplo e anotações#
Imagens de exemplo do conjunto de dados Fashion-MNIST:
As amostras mostram a variedade de categorias de vestuário no conjunto de dados Fashion-MNIST, salientando o valor de um conjunto de dados diversificado para treinar modelos robustos de classificação de imagens.
Citações e agradecimentos#
Se utilizares o conjunto de dados Fashion-MNIST no teu trabalho de investigação ou desenvolvimento, cita o artigo seguinte:
@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}
}Gostaríamos de reconhecer a Zalando Research pela criação e manutenção do conjunto de dados Fashion-MNIST como um recurso valioso para a comunidade de investigação em aprendizagem automática e visão computacional. Para obteres mais informações sobre o conjunto de dados Fashion-MNIST e os seus criadores, visita o repositório do Fashion-MNIST no GitHub.
Perguntas frequentes#
O conjunto de dados Fashion-MNIST é um benchmark composto por 70.000 imagens em tons de cinzento de 28x28 de artigos de vestuário da Zalando, distribuídas por 10 classes, criado como substituto direto do conjunto de dados MNIST original. Partilha o mesmo tamanho de imagem, formato e divisão exata de treino/teste 60.000/10.000 do MNIST, mas substitui os dígitos manuscritos por categorias de moda mais difíceis — como t-shirt/top, calças e bota de cano curto —, tornando-se um benchmark mais exigente para modelos de classificação de imagens.
Para treinares um modelo Ultralytics YOLO no Fashion-MNIST, utiliza os excertos de código abaixo. O conjunto de dados é transferido automaticamente na primeira utilização. Para consultar a lista completa de argumentos, vê a página de Treino do modelo.
Exemplo de treinofrom 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)O Fashion-MNIST tem 10 classes — t-shirt/top, calças, camisola, vestido, casaco, sandália, camisa, sapatilha, mala e bota de cano curto — com exatamente 7.000 imagens cada, num total de 70.000 imagens. Cada imagem é uma fotografia em tons de cinzento de 28x28 de um único artigo de vestuário da Zalando, e as classes estão perfeitamente equilibradas.
O Fashion-MNIST é fornecido com uma divisão predefinida de 60.000 imagens de treino e 10.000 imagens de teste, com exatamente 6.000 imagens de treino e 1.000 imagens de teste por classe. Ao contrário dos conjuntos de dados de classificação baseados em pastas, que a Ultralytics divide automaticamente, a partição oficial do Fashion-MNIST é utilizada tal como está, e o conjunto de teste serve como divisão de validação durante o treino, por predefinição.
Sim. A Ultralytics Platform permite gerir conjuntos de dados, treinar modelos de classificação de imagens e implementá-los sem programação extensa. É uma forma conveniente de executar experiências com o Fashion-MNIST na cloud, e podes explorar mais opções na nossa visão geral dos conjuntos de dados de classificação.