Link to this sectionConjunto de Dados MNIST#

O dataset MNIST (Modified National Institute of Standards and Technology) é uma referência de classificação de imagens de 70.000 imagens em tons de cinza de 28x28 pixels de dígitos escritos à mão, abrangendo 10 classes — os dígitos de 0 a 9. Ele é fornecido com uma divisão predefinida de 60.000 imagens de treino e 10.000 de teste e tem servido há muito tempo como a referência padrão para avaliar algoritmos de aprendizado de máquina e visão computacional. Para o equivalente mais difícil de imagens de vestuário, veja o dataset relacionado Fashion-MNIST; para imagens coloridas, veja CIFAR-10.

Link to this sectionPrincipais recursos#

• O MNIST contém 60.000 imagens de treino e 10.000 imagens de teste de dígitos escritos à mão, totalizando 70.000.
• Cada imagem é uma foto em tons de cinza de 28x28 de um único dígito, normalizada e suavizada em uma caixa delimitadora fixa de 28x28.
• As 10 classes abrangem os dígitos 0–9, com um número aproximadamente equilibrado de imagens por classe.
• Ele é fornecido com uma divisão de treino/teste predefinida, portanto, nenhuma divisão manual ou automática é necessária.
• O MNIST é uma referência padrão para pesquisas de classificação de imagens e aprendizado profundo.

Link to this sectionEstrutura do Dataset#

O MNIST é fornecido com uma divisão oficial e predefinida, portanto, nenhuma partição automática ou manual é necessária:

• Classes: 10 (dígitos escritos à mão 0–9)
• Total de imagens: 70.000 (28x28 em escala de cinza)
• Conjunto de treino: 60.000 imagens
• Conjunto de teste: 10.000 imagens

Cada imagem é rotulada com seu dígito correspondente (0–9), tornando o MNIST um dataset supervisionado ideal para tarefas de classificação.

Link to this sectionAplicações#

O MNIST é amplamente utilizado 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. Suas pequenas imagens em tons de cinza e 10 classes de dígitos o tornam uma referência rápida e reproduzível para comparação de algoritmos e experimentação em visão computacional.

Algumas aplicações comuns incluem:

• Benchmarking de novos algoritmos de classificação
• Propósitos educacionais para ensinar conceitos de aprendizado de máquina
• Prototipagem de sistemas de reconhecimento de imagem
• Testar técnicas de otimização de modelos

Link to this sectionUso#

Treine um modelo de classificação YOLO no MNIST por 100 épocas com um tamanho de imagem de 28. O dataset é baixado e armazenado em cache automaticamente no primeiro uso; se preferir controle total sobre o pré-processamento, os arquivos gzip originais também estão disponíveis no MNIST database. Para obter a lista completa de argumentos disponíveis, consulte a página de Treinamento e o guia de tarefas 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="mnist", epochs=100, imgsz=28)

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

Link to this sectionExemplos de Imagens e Anotações#

Exemplos de imagens do dataset MNIST:

As amostras mostram a variedade de estilos de escrita manual que o dataset captura nas 10 classes de dígitos.

Link to this sectionCitações e Agradecimentos#

Se usares o conjunto de dados MNIST no teu trabalho de pesquisa ou desenvolvimento, por favor, cita o seguinte artigo:

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

Gostaríamos de agradecer a Yann LeCun, Corinna Cortes e Christopher J.C. Burges por criarem e manterem o dataset MNIST como um recurso valioso para a comunidade de pesquisa de aprendizado de máquina e visão computacional. Para obter mais informações sobre o dataset MNIST e seus criadores, visite o site do dataset MNIST.

Link to this sectionFAQ#

Link to this sectionO que é o conjunto de dados MNIST e por que é importante no aprendizado de máquina?#

O dataset MNIST é uma referência de 70.000 imagens em tons de cinza de 28x28 pixels de dígitos escritos à mão, divididas em 60.000 imagens de treino e 10.000 de teste nas 10 classes de 0 a 9. É a referência padrão para avaliar algoritmos de classificação de imagens — seu formato pequeno e uniforme permite que pesquisadores e engenheiros comparem métodos e acompanhem o progresso com o mínimo de configuração, razão pela qual continua sendo uma referência inicial comum em aprendizado de máquina.

Link to this sectionQuantas classes e imagens o dataset MNIST possui?#

O MNIST possui 10 classes — os dígitos escritos à mão de 0 a 9 — e 70.000 imagens em tons de cinza no total, cada uma com 28x28 pixels. Ele é fornecido com uma divisão predefinida de 60.000 imagens de treino e 10.000 de teste, com um número aproximadamente igual de exemplos por dígito.

Link to this sectionComo posso usar a Ultralytics YOLO para treinar um modelo no conjunto de dados MNIST?#

Para treinar um modelo Ultralytics YOLO no MNIST, use os trechos de código abaixo. O dataset é baixado automaticamente no primeiro uso. Para obter uma lista detalhada dos argumentos de treinamento disponíveis, consulte a página Treinamento.

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)

Link to this sectionComo o dataset MNIST é dividido em conjuntos de treino e teste?#

O MNIST é fornecido com uma divisão predefinida de 60.000 imagens de treino e 10.000 de teste. Ao contrário dos datasets de classificação baseados em pastas que o Ultralytics divide automaticamente, a partição oficial do MNIST é usada como está, e o conjunto de teste serve como a divisão de validação durante o treinamento por padrão.

Link to this sectionQual é a diferença entre os conjuntos de dados MNIST e EMNIST?#

O dataset MNIST contém apenas dígitos escritos à mão, enquanto o dataset Extended MNIST (EMNIST) inclui dígitos e letras maiúsculas e minúsculas. O EMNIST foi desenvolvido como um sucessor do MNIST e usa o mesmo formato de 28x28 pixels, tornando-o compatível com ferramentas e modelos projetados para o dataset MNIST original. Essa gama mais ampla de caracteres torna o EMNIST útil para uma maior variedade de aplicações de aprendizado de máquina.

Link to this sectionPosso usar a Plataforma Ultralytics para treinar modelos em datasets como o MNIST?#

Sim. A Plataforma Ultralytics permite carregar datasets, treinar modelos de classificação de imagens e implantá-los sem precisar de muita codificação. É uma maneira conveniente de executar experimentos com MNIST na nuvem — veja a visão geral dos datasets de classificação para opções relacionadas.

Link to this sectionComo o MNIST se compara a outros conjuntos de dados de classificação de imagem?#

O MNIST é mais simples do que muitos datasets modernos como CIFAR-10 ou ImageNet, tornando-o ideal para iniciantes e experimentações rápidas. Embora datasets mais complexos ofereçam maiores desafios com imagens coloridas e diversas categorias de objetos, o MNIST continua sendo valioso por sua simplicidade, tamanho de arquivo pequeno e significado histórico no desenvolvimento de algoritmos de aprendizado de máquina. Para um substituto mais difícil com a mesma estrutura, veja Fashion-MNIST, que apresenta itens de vestuário em vez de dígitos.