MNIST Veri Kümesi#
MNIST (Değiştirilmiş Ulusal Standartlar ve Teknoloji Enstitüsü) veri kümesi, 10 sınıfa (0'dan 9'a kadar rakamlar) yayılan, el yazısıyla yazılmış rakamlardan oluşan 70.000 adet 28x28 gri tonlamalı görüntüden oluşan bir görüntü sınıflandırma kıyaslama veri kümesidir. Önceden tanımlanmış bir bölmeyle 60.000 eğitim ve 10.000 test görüntüsü içerir ve uzun süredir makine öğrenimi ile bilgisayarlı görü algoritmalarını değerlendirmek için standart kıyaslama olarak kullanılmaktadır. Daha zor bir giysi görüntüsü eşdeğeri için ilgili Fashion-MNIST veri kümesine, renkli görüntüler içinse CIFAR-10 veri kümesine bakabilirsin.
Örnekleri önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için kopyalamak üzere Ultralytics Platform'da MNIST'i keşfet.
Temel Özellikler#
- MNIST, toplamda 70.000 adet olmak üzere el yazısıyla yazılmış rakamlardan oluşan 60.000 eğitim görüntüsü ve 10.000 test görüntüsü içerir.
- Her görüntü, sabit bir 28x28 sınırlayıcı kutuya normalize edilmiş ve kenar yumuşatma uygulanmış, tek bir rakamın 28x28 gri tonlamalı görüntüsüdür.
- 10 sınıf, sınıf başına yaklaşık dengeli sayıda görüntüyle 0–9 arasındaki rakamları kapsar.
- Önceden tanımlanmış bir eğitim/test bölmesi içerdiğinden manuel veya otomatik bölme gerekmez.
- MNIST, görüntü sınıflandırma ve derin öğrenme araştırmaları için standart bir kıyaslamadır.
Veri Kümesi Yapısı#
MNIST, resmi ve önceden tanımlanmış bir bölmeyle gelir; bu nedenle otomatik veya manuel bölümleme gerekmez:
- Sınıflar: 10 (el yazısı rakamlar 0–9)
- Toplam görüntü: 70.000 (28x28 gri tonlamalı)
- Eğitim kümesi: 60.000 görüntü
- Test kümesi: 10.000 görüntü
MNIST'te ayrı bir doğrulama klasörü bulunmadığından Ultralytics, eğitim sırasında varsayılan olarak 10.000 görüntülük test kümesini doğrulama bölmesi 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, klasik Evrişimli Sinir Ağlarından (CNN'ler) ve Destek Vektör Makinelerinden (SVM'ler) modern derin mimarilere kadar görüntü sınıflandırma modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Küçük gri tonlamalı görüntüleri ve 10 rakam sınıfı, algoritma karşılaştırması ve bilgisayarlı görü deneyleri için hızlı ve tekrarlanabilir bir kıyaslama sunar.
Yaygın uygulamalardan bazıları şunlardır:
- Yeni sınıflandırma algoritmalarını kıyaslama
- Makine öğrenimi kavramlarını öğretmek için eğitim amaçları
- Görüntü tanıma sistemlerinin prototipini oluşturma
- Model optimizasyon tekniklerini test etme
Kullanım#
MNIST üzerinde, görüntü boyutu 28 olacak şekilde 100 epoch boyunca bir YOLO sınıflandırma modeli eğit. Veri kümesi ilk kullanımda otomatik olarak indirilir ve önbelleğe alınır; ön işleme üzerinde tam denetim istiyorsan özgün gzip arşivlerine MNIST veri tabanından da ulaşabilirsin. Kullanılabilir tüm bağımsız değişkenlerin listesi için Eğitim sayfasına ve görüntü sınıflandırma görev kılavuzuna 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)Ultralytics ayrıca, hem eğitim hem de test bölmelerinden her rakamın (0–9) ilk sekiz görüntüsünü içeren 160 görüntülük bir kesit olan data="mnist160" öğesini sunar. MNIST dizin yapısını yansıttığından, başka hiçbir bağımsız değişkeni değiştirmeden veri kümelerini değiştirebilirsin; bu, tam 70.000 görüntülük veri kümesini kullanmadan önce CI işlem hatları veya temel kontroller için idealdir.
yolo classify train data=mnist160 model=yolo26n-cls.pt epochs=5 imgsz=28Örnek Görüntüler ve Açıklamalar#
MNIST veri kümesinden örnek görüntüler:
Örnekler, veri kümesinin 10 rakam sınıfı genelinde yakaladığı el yazısı stillerinin çeşitliliğini gösterir.
Atıflar ve Teşekkürler#
MNIST veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki 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}
}MNIST veri kümesini makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olarak oluşturan ve sürdüren Yann LeCun, Corinna Cortes ve Christopher J.C. Burges'e teşekkür ederiz. MNIST veri kümesi ve oluşturucuları hakkında daha fazla bilgi için MNIST veri kümesi web sitesini ziyaret et.
SSS#
MNIST veri kümesi, 10 sınıfa (0–9) ayrılmış 60.000 eğitim ve 10.000 test görüntüsünden oluşan, el yazısıyla yazılmış rakamların yer aldığı 70.000 adet 28x28 gri tonlamalı görüntülük bir kıyaslama veri kümesidir. Görüntü sınıflandırma algoritmalarını değerlendirmek için standart bir referanstır; küçük ve tek tip formatı, araştırmacıların ve mühendislerin minimum kurulumla yöntemleri karşılaştırmasına ve ilerlemeyi takip etmesine olanak tanır. Bu nedenle makine öğreniminde yaygın bir ilk kıyaslama olmaya devam eder.
MNIST'te 10 sınıf (0'dan 9'a kadar el yazısı rakamlar) ve toplam 70.000 gri tonlamalı görüntü bulunur; her görüntü 28x28 pikseldir. Önceden tanımlanmış bir bölmeyle 60.000 eğitim ve 10.000 test görüntüsü içerir ve her rakam için yaklaşık 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 Eğitim sayfasına bak.
Eğitim Örneğifrom 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, 60.000 eğitim görüntüsü ve 10.000 test görüntüsünden oluşan önceden tanımlanmış bir bölmeyle gelir. Ultralytics'in otomatik olarak böldüğü klasör tabanlı sınıflandırma veri kümelerinin aksine MNIST'in resmi bölümü olduğu gibi kullanılır ve test kümesi, eğitim sırasında varsayılan olarak doğrulama bölmesi görevi görür.
MNIST veri kümesi yalnızca el yazısı rakamlar içerirken Extended MNIST (EMNIST) veri kümesi hem rakamları hem de büyük ve küçük harfleri içerir. EMNIST, MNIST'in halefi olarak geliştirilmiştir ve aynı 28x28 piksel formatını kullanır; bu da onu özgün MNIST veri kümesi için tasarlanmış araçlar ve modellerle uyumlu kılar. Bu daha geniş karakter aralığı, EMNIST'i daha çeşitli makine öğrenimi uygulamaları için kullanışlı hâle getirir.
Evet. Ultralytics Platform, veri kümelerini yüklemene, görüntü sınıflandırma modellerini eğitmene ve kapsamlı kodlama gerektirmeden dağıtmana olanak tanır. Bulutta MNIST deneyleri yürütmek için kullanışlı bir yoldur; ilgili seçenekler için sınıflandırma veri kümelerine genel bakışı incele.
MNIST, CIFAR-10 veya ImageNet gibi birçok modern veri kümesinden daha basittir; bu da onu yeni başlayanlar ve hızlı deneyler için ideal kılar. Daha karmaşık veri kümeleri renkli görüntüler ve çeşitli nesne kategorileriyle daha büyük zorluklar sunsa da MNIST basitliği, küçük dosya boyutu ve makine öğrenimi algoritmalarının geliştirilmesindeki tarihsel önemi nedeniyle değerini korur. Aynı yapıya sahip, daha zor ve doğrudan kullanılabilen bir alternatif için rakamlar yerine giysi öğeleri içeren Fashion-MNIST veri kümesine bak.