Ultralytics YOLO27:
Get Started
CC BY-SA 3.0

MNIST Veri Kümesi#

MNIST (Değiştirilmiş Ulusal Standartlar ve Teknoloji Enstitüsü), 10 sınıfa (0'dan 9'a kadar rakamlar) ayrılmış, el yazısıyla yazılmış rakamlardan oluşan 70.000 adet 28x28 gri tonlamalı görüntüden oluşan bir görüntü sınıflandırma kıyaslama veri kümesidir. Önceden belirlenmiş bir bölünmeyle 60.000 eğitim ve 10.000 test görüntüsü sunar ve uzun süredir makine öğrenimi ile bilgisayarlı görü algoritmalarını değerlendirmek için standart kıyaslama veri kümesi olarak kullanılır. Daha zor bir giyim görüntüsü benzeri için ilgili Fashion-MNIST veri kümesine, renkli görüntüler içinse CIFAR-10 veri kümesine bak.

Örnekleri önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için kopyalamak üzere Ultralytics Platform'daki MNIST'i keşfet.

Temel Özellikler#

  • MNIST, el yazısıyla yazılmış rakamlardan oluşan 60.000 eğitim ve 10.000 test görüntüsüyle toplam 70.000 görüntü içerir.
  • Her görüntü, tek bir rakamın 28x28 boyutunda gri tonlamalı bir resmidir; boyutu normalize edilip kenar yumuşatma uygulanarak 20x20'lik bir kutuya sığdırılır ve 28x28'lik çerçevenin ortasına yerleştirilir.
  • 10 sınıf, 0–9 arasındaki rakamlardan oluşur ve her sınıfta yaklaşık olarak eşit sayıda görüntü bulunur.
  • Önceden belirlenmiş eğitim/test bölünmesiyle sunulduğundan elle veya otomatik olarak bölmeye gerek yoktur.
  • MNIST, görüntü sınıflandırma ve derin öğrenme araştırmalarında standart bir kıyaslama veri kümesidir.

Veri Kümesi Yapısı#

MNIST, önceden belirlenmiş resmî bir bölünmeyle sunulur; bu nedenle otomatik veya manuel bölümleme gerekmez:

  • Sınıflar: 10 (el yazısıyla yazılmış 0–9 rakamları)
  • Toplam görüntü: 70.000 (28x28 gri tonlamalı)
  • Eğitim kümesi: 60.000 görüntü
  • Test kümesi: 10.000 görüntü
Doğrulama bölümü

MNIST'in ayrı bir doğrulama klasörü yoktur; bu nedenle Ultralytics, varsayılan olarak eğitim sırasında 10.000 görüntülük test kümesini doğrulama bölümü olarak kullanır.

Her görüntü, karşılık gelen rakamla (0–9) etiketlenmiştir; bu da MNIST'i sınıflandırma görevleri için ideal, denetimli bir veri kümesi yapar.

Uygulamalar#

MNIST, görüntü sınıflandırma modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır; model yelpazesi klasik Evrişimli Sinir Ağlarından (CNNs) ve Destek Vektör Makinelerinden (SVMs) modern derin mimarilere kadar uzanır. Küçük gri tonlamalı görüntüleri ve 10 rakam sınıfı, MNIST'i algoritma karşılaştırması ve bilgisayarlı görü deneyleri için hızlı ve tekrarlanabilir bir kıyaslama veri kümesi hâline getirir.

Yaygın kullanım alanlarından bazıları:

  • Yeni sınıflandırma algoritmalarının kıyaslanması
  • Makine öğrenimi kavramlarını öğretmeye yönelik eğitim amaçları
  • Görüntü tanıma sistemlerinin prototipini oluşturma
  • Model optimizasyonu tekniklerini sınama

Kullanım#

28 görüntü boyutuyla 100 epoch boyunca MNIST üzerinde bir YOLO sınıflandırma modeli eğit. Veri kümesi ilk kullanımda otomatik olarak indirilip önbelleğe alınır; ön işleme üzerinde tam denetim istiyorsan özgün gzip arşivlerine MNIST veritabanından da ulaşabilirsin. Kullanılabilir bağımsız değişkenlerin tam listesi için Training sayfasına ve görüntü sınıflandırma görev kılavuzuna bak.

Eğitim Örneği
from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-cls.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="mnist", epochs=100, imgsz=28)
MNIST160 ile hızlı testler

Ultralytics ayrıca data="mnist160" veri kümesini sunar. Bu veri kümesi, hem eğitim hem de test bölümlerindeki her rakamdan (0–9) ilk sekiz görüntüyü içeren 160 görüntülük bir kesittir. MNIST dizin yapısını yansıttığından, diğer bağımsız değişkenleri değiştirmeden veri kümelerini birbirinin yerine kullanabilirsin. Bu özellik, 70.000 görüntülük veri kümesinin tamamını kullanmaya başlamadan önce CI işlem hatları veya temel kontroller için idealdir.

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

Örnek Görüntüler ve Ek Açıklamalar#

MNIST veri kümesinden örnek görüntüler:

MNIST el yazısı rakam sınıflandırma veri kümesi örnekleri

Örnekler, veri kümesinin 10 rakam sınıfında yakaladığı el yazısı çeşitliliğini gösterir.

Atıflar ve Teşekkürler#

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

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

Makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olan MNIST veri kümesini oluşturup bakımını üstlendikleri için Yann LeCun, Corinna Cortes ve Christopher J.C. Burges'e teşekkür ederiz. MNIST veri kümesi ve onu oluşturan kişiler hakkında daha fazla bilgi için MNIST veri kümesinin web sitesini ziyaret et.

Sık Sorulan Sorular#

  • MNIST, 10 sınıfa (0–9) ayrılmış, el yazısıyla yazılmış rakamlardan oluşan 70.000 adet 28x28 gri tonlamalı görüntüden oluşan bir kıyaslama veri kümesidir; 60.000 görüntü eğitim, 10.000 görüntü test için ayrılmıştır. Görüntü sınıflandırma algoritmalarını değerlendirmek için standart bir referans noktasıdır. Küçük ve tek tip biçimi, araştırmacıların ve mühendislerin yöntemleri çok az kurulumla karşılaştırıp ilerlemeyi izlemesine olanak tanır; bu nedenle makine öğreniminde yaygın bir ilk kıyaslama veri kümesi olmayı sürdürür.

  • MNIST, 0'dan 9'a kadar el yazısıyla yazılmış 10 rakam sınıfından ve her biri 28x28 piksel boyutunda toplam 70.000 gri tonlamalı görüntüden oluşur. Önceden belirlenmiş bölünmeyle 60.000 eğitim ve 10.000 test görüntüsü sunulur; her rakamdan yaklaşık olarak eşit sayıda örnek bulunur.

  • MNIST üzerinde bir Ultralytics YOLO modeli eğitmek için aşağıdaki kod parçacıklarını kullan. Veri kümesi ilk kullanımda otomatik olarak indirilir. Kullanılabilir eğitim bağımsız değişkenlerinin ayrıntılı listesi için Training sayfasına bak.

    Eğitim Örneği
    from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-cls.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="mnist", epochs=100, imgsz=28)

  • MNIST, 60.000 eğitim ve 10.000 test görüntüsünden oluşan önceden belirlenmiş bir bölünmeyle sunulur. Ultralytics'in otomatik olarak böldüğü klasör tabanlı sınıflandırma veri kümelerinin aksine, MNIST'in resmî bölünmesi olduğu gibi kullanılır ve varsayılan olarak eğitim sırasında test kümesi doğrulama bölümü işlevi görür.

  • MNIST veri kümesi yalnızca el yazısıyla yazılmış rakamları içerirken, Genişletilmiş MNIST (EMNIST) veri kümesinde hem rakamlar hem de büyük ve küçük harfler bulunur. MNIST'in devamı olarak geliştirilen EMNIST, aynı 28x28 piksel biçimini kullanır; bu nedenle özgün MNIST veri kümesi için tasarlanmış araçlar ve modellerle uyumludur. Daha geniş karakter yelpazesi, EMNIST'i daha çeşitli makine öğrenimi uygulamaları için kullanışlı kılar.

  • Evet. Ultralytics Platform, veri kümeleri yüklemene, görüntü sınıflandırma modelleri eğitmene ve kapsamlı kodlama yapmadan modelleri dağıtmana olanak tanır. Bulutta MNIST deneyleri yürütmek için kullanışlı bir yöntemdir. Benzer seçenekler için sınıflandırma veri kümelerine genel bakış sayfasına bak.

  • MNIST, CIFAR-10 veya ImageNet gibi birçok modern veri kümesinden daha basittir; bu nedenle yeni başlayanlar ve hızlı deneyler için idealdir. Daha karmaşık veri kümeleri renkli görüntüler ve çeşitli nesne kategorileriyle daha zorlu görevler sunsa da MNIST; basitliği, küçük dosya boyutu ve makine öğrenimi algoritmalarının gelişimindeki tarihsel önemi sayesinde değerini korur. Aynı yapıya sahip, doğrudan kullanılabilecek daha zor bir alternatif için rakamlar yerine giyim eşyaları içeren Fashion-MNIST veri kümesine bak.

Katkıda Bulunanlar
GLglenn-jocher21RAraimbekovm2PDpderrenger1MAMatthewNoyce1JKjk4e1

Yorumlar