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. Inclui uma divisão predefinida de 60 000 imagens de treino e 10 000 de teste (7 000 por classe) e serve como substituto direto do conjunto de dados MNIST original para avaliar algoritmos de aprendizagem automática. Para uma alternativa com imagens a cores, consulta o conjunto de dados relacionado CIFAR-10.
Explora o Fashion-MNIST na Ultralytics Platform para pré-visualizares exemplos, consultares 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 está perfeitamente equilibrado.
- É um substituto direto do MNIST: tem o mesmo tamanho e formato de imagem e a mesma estrutura de divisão, mas inclui categorias de vestuário mais difíceis em vez de dígitos manuscritos.
- O conjunto de dados inclui uma divisão predefinida entre treinamento e teste, portanto não é necessário fazer uma 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 inclui 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, por isso, por predefinição, o Ultralytics usa o conjunto de teste com 10 000 imagens como divisão de validação durante o treino.
Aplicações#
O Fashion-MNIST é amplamente usado para treinar e avaliar modelos de classificação de imagens, desde as clássicas redes neurais convolucionais (CNNs) e máquinas de vetores de suporte (SVMs) até arquiteturas profundas modernas. As imagens pequenas em tons de cinzento e as 10 categorias de vestuário fazem dele um benchmark rápido e reproduzível para comparar algoritmos e realizar experiências de visão computacional, sendo, ao mesmo tempo, mais desafiante do que os dígitos manuscritos do MNIST.
Uso#
Treina um modelo YOLO com o Fashion-MNIST durante 100 épocas, com um tamanho de imagem de 28. Para consultar a lista completa dos argumentos disponíveis, vê a página de treino e o guia da tarefa de classificação de imagens.
from ultralytics import YOLO
# Carregar um modelo
model = YOLO("yolo26n-cls.pt") # carregue um modelo pré-treinado (recomendado para treinamento)
# Treinar o modelo
results = model.train(data="fashion-mnist", epochs=100, imgsz=28)Imagens de exemplo e anotações#
Imagens de exemplo do conjunto de dados Fashion-MNIST:
Os exemplos mostram a variedade de categorias de vestuário no conjunto de dados Fashion-MNIST, realçando o valor de um conjunto de dados variado para treinar modelos robustos de classificação de imagens.
Citações e agradecimentos#
Se usares o conjunto de dados Fashion-MNIST no teu trabalho de investigação ou desenvolvimento, cita o seguinte artigo:
@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, 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 Fashion-MNIST no GitHub.
Perguntas frequentes#
O conjunto de dados Fashion-MNIST é um benchmark com 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. Tem exatamente o mesmo tamanho e formato de imagem e a mesma divisão de treino/teste de 60 000/10 000 que o 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 treinar um modelo Ultralytics YOLO com o Fashion-MNIST, usa os seguintes excertos de código. O conjunto de dados é transferido automaticamente na primeira utilização. Para consultar a lista completa dos argumentos, vê a página de treino do modelo.
Exemplo de treinofrom ultralytics import YOLO # Carregar um modelo model = YOLO("yolo26n-cls.pt") # carregue um modelo pré-treinado (recomendado para treinamento) # Treinar o modelo 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 representação em tons de cinzento de 28x28 de um único artigo de vestuário da Zalando, e as classes estão perfeitamente equilibradas.
O Fashion-MNIST inclui 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 de teste por classe. Ao contrário dos conjuntos de dados de classificação baseados em pastas, que o Ultralytics divide automaticamente, a partição oficial do Fashion-MNIST é usada tal como está, e o conjunto de teste serve, por predefinição, como conjunto de validação durante o treino.
Sim. A Ultralytics Platform permite-te gerir conjuntos de dados, treinar modelos de classificação de imagens e implementá-los sem programação extensiva. É uma forma prática de executar experiências com o Fashion-MNIST na cloud, e podes explorar mais opções na nossa visão geral dos conjuntos de dados de classificação.