MNIST Veri Kümesi#

MNIST (Modified National Institute of Standards and Technology) veri seti, 0'dan 9'a kadar 10 sınıfa yayılan el yazısı rakamlara ait 70.000 adet 28x28 boyutunda gri tonlamalı image classification kıyaslama veri setidir. 60.000 eğitim ve 10.000 test görüntüsünden oluşan ön tanımlı bir bölünmeyle birlikte gelir ve uzun süredir machine learning ile computer vision algoritmalarını değerlendirmek için standart kıyaslama ölçütü olarak hizmet vermiştir. Daha zorlu kıyafet görüntüsü eşdeğeri için ilgili Fashion-MNIST veri setine bakın; renkli görüntüler için CIFAR-10 veri setine bakın.

Temel Özellikler#

• MNIST, toplam 70.000 adet olmak üzere 60.000 eğitim ve 10.000 test el yazısı rakam görseli içerir.
• Her görüntü, tek bir rakamın 28x28 gri tonlamalı resmidir; sabit bir 28x28 bounding box içine normalize edilmiş ve kenarları yumuşatılmıştır (anti-aliased).
• 10 sınıf, 0–9 arası rakamları kapsar ve sınıf başına düşen görsel sayısı kabaca dengelidir.
• Önceden tanımlanmış bir eğitim/test ayrımıyla gelir, bu yüzden manuel veya otomatik bir ayırma işlemine gerek yoktur.
• MNIST, image classification ve deep learning araştırmaları için standart bir kıyaslama ölçütüdür.

Veri Kümesi Yapısı#

MNIST resmi ve önceden tanımlanmış bir ayrım ile gelir, bu yüzden otomatik veya manuel bir bölümleme gerekmez:

• Sınıflar: 10 (el yazısı rakamlar 0–9)
• Toplam görüntü: 70.000 (28x28 gri tonlamalı)
• Eğitim seti: 60.000 görsel
• Test seti: 10.000 görsel

Her görsel karşılık gelen rakamı (0–9) ile etiketlenmiştir, bu da MNIST'i sınıflandırma görevleri için ideal, denetimli bir veri seti yapar.

Uygulamalar#

MNIST, klasik Convolutional Neural Networks (CNN'ler) ve Support Vector Machines (SVM'ler) modellerinden modern derin mimarilere kadar image classification modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Küçük gri tonlamalı görüntüleri ve 10 rakam sınıfı, burayı algoritma karşılaştırması ve computer vision denemeleri için hızlı, tekrarlanabilir bir kıyaslama noktası yapar.

Bazı yaygın uygulamalar şunlardır:

• Yeni sınıflandırma algoritmalarının kıyaslanması
• Makine öğrenimi kavramlarını öğretmek için eğitim amaçları
• Görüntü tanıma sistemlerinin prototiplenmesi
• Model optimizasyon tekniklerinin test edilmesi

Kullanım#

28 görüntü boyutunda 100 epochs boyunca MNIST üzerinde bir YOLO sınıflandırma modeli eğit. Veri seti ilk kullanımda otomatik olarak indirilir ve önbelleğe alınır; ön işleme üzerinde tam kontrol sahibi olmayı tercih ediyorsan, orijinal gzip arşivleri de MNIST database adresinden edinilebilir. Mevcut tüm argümanların tam listesi için Training sayfasına ve image classification görev kılavuzuna göz at.

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)

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

Örnek Görüntüler ve Ek Açıklamalar#

MNIST veri setinden örnek görseller:

Bu örnekler, veri setinin 10 rakam sınıfı genelinde yakaladığı el yazısı stillerinin çeşitliliğini göstermektedir.

Alıntılar ve Teşekkür#

MNIST veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen şu makaleye atıfta bulun:

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

machine learning ve computer vision araştırma topluluğu için değerli bir kaynak olarak MNIST veri setini oluşturdukları ve sürdürdükleri için Yann LeCun, Corinna Cortes ve Christopher J.C. Burges'e teşekkür ederiz. MNIST veri seti ve yaratıcıları hakkında daha fazla bilgi için MNIST dataset website adresini ziyaret et.

SSS#

MNIST veri kümesi nedir ve makine öğreniminde neden önemlidir?#

MNIST veri seti, 0–9 arasındaki 10 sınıf genelinde 60.000 eğitim ve 10.000 test görüntüsüne bölünmüş, el yazısı rakamlara ait 70.000 adet 28x28 gri tonlamalı görüntüden oluşan bir kıyaslama setidir. image classification algoritmalarını değerlendirmek için standart referanstır; küçük ve tek tip formatı, araştırmacıların ve mühendislerin minimum kurulumla yöntemleri karşılaştırmasına ve ilerlemeyi takip etmesine olanak tanır, bu yüzden makine öğrenimindeki yaygın ilk kıyaslama olmaya devam etmektedir.

MNIST veri seti kaç sınıfa ve görsele sahiptir?#

MNIST, 0'dan 9'a kadar el yazısı rakamları içeren 10 sınıfa ve her biri 28x28 piksel olan toplam 70.000 gri tonlamalı görsele sahiptir. Önceden tanımlanmış 60.000 eğitim ve 10.000 test görseli ayrımıyla gelir ve rakam başına yaklaşık olarak eşit sayıda örnek içerir.

Ultralytics YOLO kullanarak MNIST veri kümesi üzerinde bir modeli nasıl eğitebilirim?#

MNIST üzerinde bir Ultralytics YOLO modeli eğitmek için aşağıdaki kod parçacıklarını kullan. Veri seti ilk kullanımda otomatik olarak indirilir. Mevcut eğitim argümanlarının ayrıntılı bir listesi için Training 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="mnist", epochs=100, imgsz=28)

MNIST veri seti eğitim ve test setlerine nasıl ayrılmıştır?#

MNIST, önceden tanımlanmış 60.000 eğitim ve 10.000 test görseli ayrımıyla gelir. Ultralytics'in otomatik olarak böldüğü klasör tabanlı sınıflandırma veri setlerinin aksine, MNIST'in resmi bölümlemesi olduğu gibi kullanılır ve test seti eğitim sırasında varsayılan olarak doğrulama kümesi görevi görür.

MNIST ve EMNIST veri kümeleri arasındaki fark nedir?#

MNIST veri seti sadece el yazısı rakamlar içerirken, Extended MNIST (EMNIST) veri seti hem rakamları hem de büyük ve küçük harfleri içerir. EMNIST, MNIST'in bir ardılı olarak geliştirilmiştir ve aynı 28x28 piksel formatını kullanır, bu da onu orijinal MNIST veri seti için tasarlanmış araçlar ve modellerle uyumlu hale getirir. Bu daha geniş karakter yelpazesi, EMNIST'i çeşitli makine öğrenimi uygulamaları için kullanışlı kılar.

Modelleri MNIST gibi veri setleri üzerinde eğitmek için Ultralytics Platform kullanabilir miyim?#

Evet. Ultralytics Platform, kapsamlı kodlama gerekmeden veri setleri yüklemeni, image classification modelleri eğitmeni ve bunları dağıtmanı sağlar. Bulutta MNIST denemeleri çalıştırmanın uygun bir yoludur — ilgili seçenekler için classification datasets overview konusuna göz at.

MNIST, diğer görüntü sınıflandırma veri kümeleriyle nasıl karşılaştırılır?#

MNIST, CIFAR-10 veya ImageNet gibi birçok modern veri setinden daha basittir, bu da onu yeni başlayanlar ve hızlı denemeler için ideal kılar. Daha karmaşık veri setleri renkli görüntüler ve çeşitli nesne kategorileri ile daha büyük zorluklar sunarken, MNIST basitliği, küçük dosya boyutu ve makine öğrenimi algoritmalarının geliştirilmesindeki tarihi önemi nedeniyle değerini korumaktadır. Rakamlar yerine kıyafet öğeleri içeren ve aynı yapıya sahip daha zorlu, doğrudan değiştirilebilir bir alternatif için Fashion-MNIST veri setine göz at.