YOLO Vision 2026:
CC BY-SA 3.0

Набор данных MNIST#

Датасет MNIST (Modified National Institute of Standards and Technology) представляет собой эталон для классификации изображений, состоящий из 70 000 черно-белых изображений рукописных цифр размером 28x28 пикселей, разделенных на 10 классов (цифры от 0 до 9). Он поставляется с предопределенным разделением на 60 000 обучающих и 10 000 тестовых изображений и долгое время служит стандартным эталоном для оценки алгоритмов машинного обучения и компьютерного зрения. О более сложном эквиваленте с изображениями одежды читай в связанном датасете Fashion-MNIST; для цветных изображений см. CIFAR-10.

Изучи MNIST on Ultralytics Platform, чтобы просмотреть примеры, изучить статистику датасета и клонировать его для обучения.

Ключевые особенности#

  • MNIST содержит 60 000 тренировочных и 10 000 тестовых изображений рукописных цифр, всего 70 000.
  • Каждое изображение представляет собой черно-белую картинку одной цифры размером 28x28, нормализованную и сглаженную в фиксированный прямоугольник ограничивающей рамки 28x28.
  • 10 классов охватывают цифры 0–9 с примерно одинаковым количеством изображений в каждом классе.
  • Он поставляется с предопределенным разделением на тренировочную и тестовую выборки, поэтому ручное или автоматическое разделение не требуется.
  • MNIST является стандартным эталоном для исследований в области классификации изображений и глубокого обучения.

Структура набора данных#

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

  • Классы: 10 (рукописные цифры 0–9)
  • Всего изображений: 70 000 (28x28, в оттенках серого)
  • Тренировочный набор: 60 000 изображений
  • Тестовый набор: 10 000 изображений
Валидационная выборка

В MNIST нет отдельной папки для валидации, поэтому Ultralytics по умолчанию использует тестовый набор из 10 000 изображений в качестве валидационной выборки во время обучения.

Каждое изображение помечено соответствующей цифрой (0–9), что делает MNIST набором данных для обучения с учителем, идеально подходящим для задач классификации.

Применение#

MNIST широко используется для обучения и оценки моделей классификации изображений: от классических сверточных нейронных сетей (CNN) и машин опорных векторов (SVM) до современных глубоких архитектур. Его небольшие черно-белые изображения и 10 классов цифр делают его быстрым, воспроизводимым эталоном для сравнения алгоритмов и экспериментов по компьютерному зрению.

Некоторые распространенные приложения включают:

  • Тестирование новых алгоритмов классификации
  • Образовательные цели для обучения концепциям машинного обучения
  • Прототипирование систем распознавания изображений
  • Тестирование методов оптимизации моделей

Использование#

Обучи модель классификации YOLO на MNIST в течение 100 эпох с размером изображения 28. Датасет загружается и кэшируется автоматически при первом использовании; если ты предпочитаешь полный контроль над предварительной обработкой, оригинальные архивы gzip также доступны на сайте MNIST. Полный список доступных аргументов смотри на странице Обучение и в руководстве по задаче классификация изображений.

Пример 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="mnist", epochs=100, imgsz=28)
Быстрые тесты с MNIST160

Ultralytics также предоставляет data="mnist160" — срез из 160 изображений, содержащий первые восемь изображений каждой цифры (0–9) как из обучающей, так и из тестовой выборок. Он повторяет структуру каталогов MNIST, поэтому ты можешь менять датасеты без изменения каких-либо других аргументов — это идеально подходит для CI-пайплайнов или быстрой проверки перед переходом к полному датасету из 70 000 изображений.

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

Примеры изображений и аннотации#

Примеры изображений из набора данных MNIST:

MNIST handwritten digit classification dataset samples

Примеры показывают разнообразие стилей почерка, которые охватывает набор данных для 10 классов цифр.

Цитирование и благодарности#

Если ты используешь набор данных MNIST в своей исследовательской или проектной работе, пожалуйста, укажи следующую статью:

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

Мы выражаем благодарность Яну ЛеКуну (Yann LeCun), Корінн Кортес (Corinna Cortes) и Кристоферу ДЖ. К. Бёрджесу (Christopher J.C. Burges) за создание и поддержку датасета MNIST в качестве ценного ресурса для исследовательского сообщества в области машинного обучения и компьютерного зрения. Дополнительную информацию о датасете MNIST и его создателях можно найти на веб-сайте датасета MNIST.

FAQ#

  • Датасет MNIST представляет собой эталон из 70 000 черно-белых изображений рукописных цифр размером 28x28, разделенных на 60 000 обучающих и 10 000 тестовых изображений по 10 классам (0–9). Это стандартная справочная база для оценки алгоритмов классификации изображений: ее малый и однородный формат позволяет исследователям и инженерам сравнивать методы и отслеживать прогресс с минимальной настройкой, поэтому она остается распространенным первым эталоном в машинном обучении.

  • В MNIST 10 классов — рукописные цифры от 0 до 9 — и всего 70 000 черно-белых изображений, каждое размером 28x28 пикселей. Он поставляется с предопределенным разделением на 60 000 тренировочных и 10 000 тестовых изображений, с примерно одинаковым количеством примеров для каждой цифры.

  • Чтобы обучить модель Ultralytics YOLO на MNIST, используй приведенные ниже фрагменты кода. Датасет загружается автоматически при первом использовании. Подробный список доступных аргументов обучения см. на странице Обучение.

    Пример 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="mnist", epochs=100, imgsz=28)

  • MNIST поставляется с предопределенным разделением на 60 000 тренировочных и 10 000 тестовых изображений. В отличие от основанных на папках наборов данных для классификации, которые Ultralytics разделяет автоматически, официальное разбиение MNIST используется как есть, а тестовый набор по умолчанию служит валидационной выборкой во время обучения.

  • Набор данных MNIST содержит только рукописные цифры, тогда как набор данных Extended MNIST (EMNIST) включает как цифры, так и прописные и строчные буквы. EMNIST был разработан как преемник MNIST и использует тот же формат 28x28 пикселей, что делает его совместимым с инструментами и моделями, созданными для оригинального набора данных MNIST. Этот более широкий диапазон символов делает EMNIST полезным для более разнообразных приложений машинного обучения.

  • Да. Ultralytics Platform позволяет загружать датасеты, обучать модели классификации изображений и развертывать их без написания большого объема кода. Это удобный способ запуска экспериментов с MNIST в облаке — см. обзор датасетов для классификации, чтобы узнать о связанных вариантах.

  • MNIST проще многих современных датасетов, таких как CIFAR-10 или ImageNet, что делает его идеальным для новичков и быстрых экспериментов. Хотя более сложные наборы данных ставят перед исследователями новые задачи благодаря цветным изображениям и разнообразным категориям объектов, MNIST по-прежнему ценен своей простотой, небольшим размером файла и историческим значением в разработке алгоритмов машинного обучения. О более сложной полноценной замене с той же структурой читай в Fashion-MNIST, где вместо цифр представлены предметы одежды.

Участники
GLglenn-jocher20RAraimbekovm2PDpderrenger1MAMatthewNoyce1JKjk4e1

Комментарии