Набор данных Fashion-MNIST

Набор данных Fashion-MNIST — это база данных изображений товаров Zalando, состоящая из тренировочного набора из 60 000 примеров и тестового набора из 10 000 примеров. Каждый пример представляет собой изображение в оттенках серого размером 28x28, связанное с меткой одного из 10 классов. Fashion-MNIST предназначен для прямой замены оригинального набора данных MNIST при тестировании алгоритмов машинного обучения.

Основные характеристики

• Fashion-MNIST содержит 60 000 тренировочных и 10 000 тестовых изображений товаров Zalando.
• Набор данных состоит из изображений в оттенках серого размером 28x28 пикселей.
• Каждый пиксель имеет одно значение, указывающее на его светлость или темноту, где большие числа означают более темный цвет. Это значение пикселя представляет собой целое число от 0 до 255.
• Fashion-MNIST широко используется для обучения и тестирования в области машинного обучения, особенно для задач классификации изображений.

Структура набора данных

Набор данных Fashion-MNIST разделен на две подвыборки:

1. Обучающая выборка: Эта подвыборка содержит 60 000 изображений, используемых для обучения моделей машинного обучения.
2. Тестовая выборка: Эта подвыборка состоит из 10 000 изображений, используемых для тестирования и оценки обученных моделей.

Метки

Каждый тренировочный и тестовый пример относится к одной из следующих меток:

0. T-shirt/top
1. Trouser
2. Pullover
3. Dress
4. Coat
5. Sandal
6. Shirt
7. Sneaker
8. Bag
9. Ankle boot

Применение

Набор данных Fashion-MNIST широко используется для обучения и оценки моделей глубокого обучения в задачах классификации изображений, таких как сверточные нейронные сети (CNN), метод опорных векторов (SVM) и различные другие алгоритмы машинного обучения. Простой и хорошо структурированный формат делает этот набор данных важным ресурсом для исследователей и специалистов в области машинного обучения и компьютерного зрения.

Использование

Чтобы обучить CNN-модель на наборе данных Fashion-MNIST в течение 100 эпох с размером изображения 28x28, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице обучения.

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)

Примеры изображений и аннотации

Набор данных Fashion-MNIST содержит изображения товаров Zalando в оттенках серого, что представляет собой хорошо структурированный набор данных для задач классификации изображений. Вот несколько примеров изображений из этого набора:

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных Fashion-MNIST, подчеркивая важность разнообразного набора данных для обучения надежных моделей классификации изображений.

Благодарности

Если ты используешь набор данных Fashion-MNIST в своих исследованиях или разработках, пожалуйста, укажи это, добавив ссылку на репозиторий GitHub. Данный набор данных был предоставлен Zalando Research.

Часто задаваемые вопросы (FAQ)

Что такое набор данных Fashion-MNIST и чем он отличается от MNIST?

Набор данных Fashion-MNIST — это коллекция из 70 000 изображений товаров Zalando в оттенках серого, предназначенная в качестве современной замены оригинальному набору данных MNIST. Он служит эталоном для моделей машинного обучения в контексте задач классификации изображений. В отличие от MNIST, который содержит рукописные цифры, Fashion-MNIST состоит из изображений 28x28 пикселей, разделенных на 10 классов модных товаров, таких как футболка/топ, брюки и ботильоны.

Как я могу обучить модель YOLO на наборе данных Fashion-MNIST?

Чтобы обучить модель Ultralytics YOLO на наборе данных Fashion-MNIST, ты можешь использовать как Python, так и команды CLI. Вот краткий пример, чтобы помочь тебе начать:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-cls.pt")

# Train the model on Fashion-MNIST
results = model.train(data="fashion-mnist", epochs=100, imgsz=28)

Более подробную информацию о параметрах обучения смотри на странице обучения.

Почему мне стоит использовать набор данных Fashion-MNIST для оценки моих моделей машинного обучения?

Набор данных Fashion-MNIST широко признан в сообществе глубокого обучения как надежная альтернатива MNIST. Он предлагает более сложный и разнообразный набор изображений, что делает его отличным выбором для оценки моделей классификации изображений. Структура набора данных, состоящая из 60 000 тренировочных и 10 000 тестовых изображений, каждое из которых помечено одним из 10 классов, делает его идеальным для оценки производительности различных алгоритмов машинного обучения в более сложных условиях.

Могу ли я использовать Ultralytics YOLO для задач классификации изображений, таких как Fashion-MNIST?

Да, модели Ultralytics YOLO можно использовать для задач классификации изображений, включая те, что связаны с набором данных Fashion-MNIST. Например, YOLO26 поддерживает различные задачи компьютерного зрения, такие как обнаружение, сегментация объектов, семантическая сегментация и классификация. Чтобы начать работу с задачами классификации изображений, перейди на страницу классификации.

Каковы основные характеристики и структура набора данных Fashion-MNIST?

Набор данных Fashion-MNIST разделен на две основные подвыборки: 60 000 тренировочных изображений и 10 000 тестовых изображений. Каждое изображение представляет собой картинку 28x28 пикселей в оттенках серого, относящуюся к одному из 10 модных классов. Простота и хорошо структурированный формат делают его идеальным для обучения и оценки моделей в задачах машинного обучения и компьютерного зрения. Подробнее о структуре набора данных читай в разделе о структуре набора данных.

Как я могу указать использование набора данных Fashion-MNIST в своем исследовании?

Если ты используешь набор данных Fashion-MNIST в своих исследовательских или девелоперских проектах, важно указать это, добавив ссылку на репозиторий GitHub. Это помогает правильно атрибутировать данные компании Zalando Research, которая предоставила этот набор данных для публичного использования.