Link to this sectionНабор данных Fashion-MNIST#

Набор данных Fashion-MNIST — это эталон классификации изображений, состоящий из 70 000 черно-белых изображений размером 28x28 с предметами одежды Zalando, равномерно распределенных по 10 классам: футболка/топ, брюки, пуловер, платье, пальто, сандалии, рубашка, кроссовки, сумка и ботильоны. Он поставляется с предопределенным разделением на 60 000 обучающих и 10 000 тестовых изображений (по 7 000 на класс) и служит готовой заменой оригинального набора данных MNIST для тестирования алгоритмов машинного обучения. Информацию о цветном эквиваленте см. в связанном наборе данных CIFAR-10.

Link to this sectionКлючевые особенности#

• Fashion-MNIST содержит 70 000 черно-белых изображений размером 28x28 пикселей, равномерно разделенных на 10 классов.
• Каждый класс содержит ровно 7 000 изображений — 6 000 для обучения и 1 000 для тестирования, поэтому набор данных идеально сбалансирован.
• Это готовая замена MNIST: идентичный размер изображения, формат и структура разбиения, но с более сложными категориями одежды вместо рукописных цифр.
• Набор данных поставляется с предустановленным разделением на обучающую и тестовую выборки, поэтому ручное или автоматическое разделение не требуется.
• Fashion-MNIST является стандартным эталоном для исследований в области классификации изображений и глубинного обучения.

Link to this sectionСтруктура набора данных#

Fashion-MNIST поставляется с официальным, предопределенным разделением, поэтому автоматическое или ручное разбиение не требуется:

• Классы: 10 (футболка/топ, брюки, пуловер, платье, пальто, сандалии, рубашка, кроссовки, сумка, ботильоны)
• Всего изображений: 70 000 (28x28, в оттенках серого)
• Обучающий набор: 60 000 изображений (6 000 на класс)
• Тестовый набор: 10 000 изображений (1 000 на класс)

Link to this sectionПрименение#

Fashion-MNIST широко используется для обучения и оценки моделей классификации изображений, начиная от классических сверточных нейронных сетей (CNN) и методов опорных векторов (SVM) до современных глубоких архитектур. Его небольшие изображения в оттенках серого и 10 категорий одежды делают его быстрым, воспроизводимым эталоном для сравнения алгоритмов и экспериментов в области компьютерного зрения, при этом он сложнее, чем рукописные цифры из MNIST.

Link to this sectionИспользование#

Обучи модель YOLO на Fashion-MNIST в течение 100 эпох при размере изображения 28. Полный список доступных аргументов см. на странице Обучение и в руководстве по задаче классификации изображений.

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)

Link to this sectionПримеры изображений и аннотации#

Примеры изображений из набора данных Fashion-MNIST:

Образцы демонстрируют разнообразие категорий одежды в наборе данных Fashion-MNIST, подчеркивая ценность разнообразного набора данных для обучения надежных моделей классификации изображений.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных Fashion-MNIST в своих исследованиях или разработках, пожалуйста, сошлися на следующую работу:

@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}
}

Мы хотели бы поблагодарить Zalando Research за создание и поддержку набора данных Fashion-MNIST как ценного ресурса для сообщества исследователей машинного обучения и компьютерного зрения. Для получения дополнительной информации о наборе данных Fashion-MNIST и его создателях посети репозиторий Fashion-MNIST на GitHub.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных Fashion-MNIST и чем он отличается от MNIST?#

Набор данных Fashion-MNIST — это эталон из 70 000 черно-белых изображений размером 28x28 с предметами одежды Zalando, распределенных по 10 классам, созданный как готовая замена оригинальному набору MNIST. Он имеет тот же размер изображений, формат и разделение на 60 000/10 000 (обучение/тест), что и MNIST, но заменяет рукописные цифры на более сложные категории моды, такие как футболка/топ, брюки и ботильоны, что делает его более требовательным эталоном для моделей классификации изображений.

Link to this sectionКак я могу обучить модель Ultralytics YOLO на наборе данных Fashion-MNIST?#

Чтобы обучить модель Ultralytics YOLO на Fashion-MNIST, используй приведенные ниже фрагменты кода. Набор данных загружается автоматически при первом использовании. Полный список аргументов см. на странице Обучение модели.

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)

Link to this sectionСколько классов в наборе данных Fashion-MNIST?#

В Fashion-MNIST 10 классов — футболка/топ, брюки, пуловер, платье, пальто, сандалии, рубашка, кроссовки, сумка и ботильоны — по 7 000 изображений в каждом, всего 70 000 изображений. Каждое изображение представляет собой черно-белую картинку 28x28 одного предмета одежды Zalando, и классы идеально сбалансированы.

Link to this sectionКак набор данных Fashion-MNIST разделен на обучающую и тестовую выборки?#

Fashion-MNIST поставляется с предопределенным разделением на 60 000 обучающих и 10 000 тестовых изображений, с ровно 6 000 обучающими и 1 000 тестовыми изображениями на класс. В отличие от наборов данных для классификации, основанных на папках, которые Ultralytics разделяет автоматически, официальное разбиение Fashion-MNIST используется как есть, а тестовый набор по умолчанию служит валидационным во время обучения.

Link to this sectionМогу ли я использовать платформу Ultralytics для обучения моделей на наборе данных Fashion-MNIST?#

Да. Платформа Ultralytics позволяет управлять наборами данных, обучать модели классификации изображений и развертывать их без глубокого программирования. Это удобный способ запускать эксперименты с Fashion-MNIST в облаке, а дополнительные варианты можно изучить в нашем обзоре наборов данных для классификации.