Fashion-MNIST Veri Kümesi
Fashion-MNIST veri seti, Zalando'nun ürün görsellerinden oluşan bir veri tabanıdır ve 60.000 örnekten oluşan bir eğitim seti ve 10.000 örnekten oluşan bir test seti içerir. Her örnek, 10 sınıftan birinden bir etiketle ilişkilendirilmiş 28x28 gri tonlamalı bir görüntüdür. Fashion-MNIST, makine öğrenimi algoritmalarını karşılaştırmak için orijinal MNIST veri setinin doğrudan yerine geçmesi amaçlanmıştır.
İzle: Nasıl Yapılır Görüntü Sınıflandırması Ultralytics YOLO11 kullanılarak Fashion MNIST Veri Kümesi üzerinde
Temel Özellikler
- Fashion-MNIST, Zalando'nun ürün resimlerinin 60.000 eğitim ve 10.000 test görüntüsünü içerir.
- Veri kümesi, 28x28 piksel boyutunda gri tonlamalı görüntülerden oluşur.
- Her pikselin, o pikselin açıklığını veya koyuluğunu gösteren, daha yüksek sayıların daha koyu anlamına geldiği tek bir piksel değeri vardır. Bu piksel değeri 0 ile 255 arasında bir tamsayıdır.
- Fashion-MNIST, makine öğrenimi alanında, özellikle de görüntü sınıflandırma görevleri için yaygın olarak eğitim ve test amacıyla kullanılır.
Veri Seti Yapısı
Fashion-MNIST veri seti iki alt kümeye ayrılmıştır:
- Eğitim Kümesi: Bu alt küme, makine öğrenimi modellerini eğitmek için kullanılan 60.000 görüntü içerir.
- Test Kümesi: Bu alt küme, eğitilmiş modelleri test etmek ve kıyaslamak için kullanılan 10.000 görüntüden oluşur.
Etiketler
Her eğitim ve test örneği aşağıdaki etiketlerden birine atanır:
0. T-shirt/top
1. Trouser
2. Pullover
3. Dress
4. Coat
5. Sandal
6. Shirt
7. Sneaker
8. Bag
9. Ankle boot
Uygulamalar
Fashion-MNIST veri seti, Evrişimsel Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve diğer çeşitli makine öğrenimi algoritmaları gibi görüntü sınıflandırma görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Veri setinin basit ve iyi yapılandırılmış formatı, onu makine öğrenimi ve bilgisayar görüşü alanındaki araştırmacılar ve uygulayıcılar için temel bir kaynak haline getirmektedir.
Kullanım
28x28 görüntü boyutuyla Fashion-MNIST veri kümesinde bir CNN modelini 100 epoch için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.
Eğitim Örneği
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-cls.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="fashion-mnist", epochs=100, imgsz=28)
# Start training from a pretrained *.pt model
yolo classify train data=fashion-mnist model=yolo11n-cls.pt epochs=100 imgsz=28
Örnek Görüntüler ve Açıklamalar
Fashion-MNIST veri kümesi, Zalando'nun ürün görsellerinin gri tonlamalı görüntülerini içerir ve görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sağlar. İşte veri kümesinden bazı görüntü örnekleri:
Bu örnek, Fashion-MNIST veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam görüntü sınıflandırma modellerini eğitmek için çeşitli bir veri kümesinin önemini vurgulamaktadır.
Teşekkür
Araştırma veya geliştirme çalışmalarınızda Fashion-MNIST veri kümesini kullanıyorsanız, lütfen GitHub deposuna bağlantı vererek veri kümesini belirtin. Bu veri kümesi Zalando Research tarafından sağlanmıştır.
SSS
Fashion-MNIST veri seti nedir ve MNIST'ten farkı nedir?
Fashion-MNIST veri seti, orijinal MNIST veri setinin modern bir alternatifi olarak tasarlanan, Zalando'nun ürün görsellerinden oluşan 70.000 adet gri tonlamalı görüntünün bir koleksiyonudur. Görüntü sınıflandırma görevleri bağlamında makine öğrenimi modelleri için bir ölçüt görevi görür. El yazısı rakamlar içeren MNIST'in aksine, Fashion-MNIST, tişört/üst, pantolon ve ayak bileği botu gibi 10 moda ile ilgili sınıfa ayrılmış 28x28 piksellik görüntülerden oluşur.
Fashion-MNIST veri kümesinde bir YOLO modeli nasıl eğitebilirim?
Fashion-MNIST veri kümesi üzerinde bir Ultralytics YOLO modeli eğitmek için hem Python hem de CLI komutlarını kullanabilirsiniz. Başlamanıza yardımcı olacak hızlı bir örnek:
Eğitim Örneği
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo11n-cls.pt")
# Train the model on Fashion-MNIST
results = model.train(data="fashion-mnist", epochs=100, imgsz=28)
yolo classify train data=fashion-mnist model=yolo11n-cls.pt epochs=100 imgsz=28
Daha ayrıntılı eğitim parametreleri için Eğitim sayfasına bakın.
Makine öğrenimi modellerimi kıyaslamak için neden Fashion-MNIST veri kümesini kullanmalıyım?
Fashion-MNIST veri seti, derin öğrenme topluluğunda MNIST'e sağlam bir alternatif olarak yaygın şekilde tanınmaktadır. Daha karmaşık ve çeşitli bir görüntü seti sunarak, görüntü sınıflandırma modellerini karşılaştırmak için mükemmel bir seçimdir. Veri setinin yapısı, her biri 10 sınıftan biriyle etiketlenmiş 60.000 eğitim görüntüsü ve 10.000 test görüntüsünden oluşması, farklı makine öğrenimi algoritmalarının performansını daha zorlu bir bağlamda değerlendirmek için idealdir.
Ultralytics YOLO'yu Fashion-MNIST gibi görüntü sınıflandırma görevleri için kullanabilir miyim?
Evet, Ultralytics YOLO modelleri, Fashion-MNIST veri kümesini içerenler de dahil olmak üzere görüntü sınıflandırma görevleri için kullanılabilir. Örneğin, YOLO11, detect, segment ve sınıflandırma gibi çeşitli görüntü işleme görevlerini destekler. Görüntü sınıflandırma görevlerine başlamak için Sınıflandırma sayfasına bakın.
Fashion-MNIST veri kümesinin temel özellikleri ve yapısı nelerdir?
Fashion-MNIST veri kümesi iki ana alt kümeye ayrılmıştır: 60.000 eğitim görüntüsü ve 10.000 test görüntüsü. Her görüntü, 10 moda ile ilgili sınıftan birini temsil eden 28x28 piksellik gri tonlamalı bir resimdir. Basitliği ve iyi yapılandırılmış biçimi, makine öğrenimi ve bilgisayar görüşü görevlerinde modelleri eğitmek ve değerlendirmek için idealdir. Veri kümesi yapısı hakkında daha fazla ayrıntı için Veri Kümesi Yapısı bölümüne bakın.
Araştırmamda Fashion-MNIST veri kümesinin kullanımını nasıl belirtebilirim?
Araştırma veya geliştirme projelerinizde Fashion-MNIST veri kümesini kullanıyorsanız, GitHub deposuna bağlantı vererek bunu belirtmeniz önemlidir. Bu, verilerin, veri kümesini kamu kullanımına sunan Zalando Research'e atfedilmesine yardımcı olur.
