Link to this sectionFashion-MNIST Veri Kümesi#

Fashion-MNIST veri kümesi, 60.000 eğitim örneği ve 10.000 test örneğinden oluşan Zalando ürün görselleri veritabanıdır. Her örnek, 10 sınıftan birine ait bir etiketle ilişkilendirilmiş 28x28 boyutunda gri tonlamalı bir görseldir. Fashion-MNIST, makine öğrenimi algoritmalarını kıyaslamak için orijinal MNIST veri kümesinin doğrudan yerini alacak şekilde tasarlanmıştır.

Link to this sectionTemel Özellikler#

• Fashion-MNIST, 60.000 eğitim görseli ve 10.000 test görseli içeren Zalando ürün görsellerinden oluşur.
• Veri kümesi, 28x28 piksel boyutunda gri tonlamalı görsellerden oluşur.
• Her pikselin, o pikselin açıklığını veya koyuluğunu belirten ve 0 ile 255 arasında bir tamsayı olan tek bir piksel değeri vardır; yüksek sayılar daha koyu anlamına gelir.
• Fashion-MNIST, özellikle görüntü sınıflandırma görevleri olmak üzere makine öğrenimi alanında eğitim ve test için yaygın olarak kullanılır.

Link to this sectionVeri Kümesi Yapısı#

Fashion-MNIST veri kümesi iki alt kümeye ayrılmıştır:

1. Eğitim Kümesi: Bu alt küme, makine öğrenimi modellerini eğitmek için kullanılan 60.000 görseli içerir.
2. Test Kümesi (Testing Set): Bu alt küme, eğitilen modelleri test etmek ve kıyaslamak için kullanılan 10.000 görüntüden oluşur.

Link to this sectionEtiketler#

Her eğitim ve test örneği aşağıdaki etiketlerden birine atanmıştır:

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

Link to this sectionUygulamalar#

Fashion-MNIST veri kümesi, Evrişimli 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 kullanılır. Veri kümesinin basit ve iyi yapılandırılmış formatı, makine öğrenimi ve bilgisayarlı görü alanındaki araştırmacılar ve uygulayıcılar için onu temel bir kaynak haline getirir.

Link to this sectionKullanım#

Fashion-MNIST veri kümesi üzerinde 28x28 görsel boyutuyla 100 dönem (epoch) boyunca bir CNN modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir argümanların kapsamlı bir listesi için model Eğitim sayfasına bak.

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 sectionÖrnek Görüntüler ve Ek Açıklamalar#

Fashion-MNIST veri kümesi, görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sağlayan, Zalando ürün görsellerinin gri tonlamalı görüntülerini içerir. İşte veri kümesinden bazı görsel örnekleri:

Bu örnek, Fashion-MNIST veri kümesindeki görsellerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam görüntü sınıflandırma modelleri eğitmek için çeşitli bir veri kümesinin önemini vurgular.

Link to this sectionTeşekkürler#

Fashion-MNIST veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen GitHub deposuna bağlantı vererek veri kümesini kaynak göster. Bu veri kümesi Zalando Research tarafından kullanıma sunulmuştur.

Link to this sectionSSS#

Link to this sectionFashion-MNIST veri kümesi nedir ve MNIST'ten farkı nedir?#

Fashion-MNIST veri kümesi, orijinal MNIST veri kümesinin modern bir alternatifi olarak amaçlanan, 70.000 adet gri tonlamalı Zalando ürün görseli koleksiyonudur. Görüntü sınıflandırma görevleri bağlamında makine öğrenimi modelleri için bir kıyaslama görevi görür. El yazısı rakamlar içeren MNIST'ten farklı olarak Fashion-MNIST, tişört/üst, pantolon ve bot gibi 10 moda odaklı sınıfa ayrılmış 28x28 piksellik görsellerden oluşur.

Link to this sectionFashion-MNIST veri kümesi üzerinde nasıl YOLO modeli eğitebilirim?#

Fashion-MNIST veri kümesi üzerinde bir Ultralytics YOLO modeli eğitmek için hem Python hem de CLI komutlarını kullanabilirsin. İşte başlaman için hızlı bir örnek:

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)

Daha ayrıntılı eğitim parametreleri için Eğitim sayfasına bak.

Link to this sectionMakine öğrenimi modellerimi kıyaslamak için neden Fashion-MNIST veri kümesini kullanmalıyım?#

Fashion-MNIST veri kümesi, derin öğrenme topluluğunda MNIST'e sağlam bir alternatif olarak geniş çapta kabul görmüştür. Daha karmaşık ve çeşitli bir görsel kümesi sunarak, görüntü sınıflandırma modellerini kıyaslamak için mükemmel bir seçimdir. 60.000 eğitim görseli ve 10.000 test görselinden oluşan ve her biri 10 sınıftan biriyle etiketlenmiş veri kümesi yapısı, farklı makine öğrenimi algoritmalarının performansını daha zorlu bir bağlamda değerlendirmek için idealdir.

Link to this sectionUltralytics YOLO'yu Fashion-MNIST gibi görüntü sınıflandırma görevleri için kullanabilir miyim?#

Evet, Ultralytics YOLO modelleri, Fashion-MNIST veri kümesini içerenler dahil olmak üzere görüntü sınıflandırma görevleri için kullanılabilir. Örneğin YOLO26, algılama, örnek bölümleme, anlamsal bölümleme, sınıflandırma, poz tahmini ve yönelimli nesne algılama gibi çeşitli görü görevlerini destekler. Görüntü sınıflandırma görevlerine başlamak için Sınıflandırma sayfasına bak.

Link to this sectionFashion-MNIST veri kümesinin temel özellikleri ve yapısı nedir?#

Fashion-MNIST veri kümesi iki ana alt kümeye ayrılmıştır: 60.000 eğitim görseli ve 10.000 test görseli. Her görsel, 10 moda ile ilgili sınıftan birini temsil eden 28x28 piksellik gri tonlamalı bir resimdir. Basitliği ve iyi yapılandırılmış formatı, makine öğrenimi ve bilgisayarlı görü görevlerindeki modelleri eğitmek ve değerlendirmek için onu ideal kılar. Veri kümesi yapısı hakkında daha fazla ayrıntı için Veri Kümesi Yapısı bölümüne bak.

Link to this sectionAraştırmamda Fashion-MNIST veri kümesini kullandığımı nasıl belirtebilirim?#

Araştırma veya geliştirme projelerinde Fashion-MNIST veri kümesini kullanıyorsan, GitHub deposuna bağlantı vererek bunu belirtmen önemlidir. Bu, verinin halka açık kullanıma sunulmasını sağlayan Zalando Research'e atıfta bulunmana yardımcı olur.