Link to this sectionMNIST Veri Kümesi#

MNIST (Modified National Institute of Standards and Technology) veri kümesi, çeşitli görüntü işleme sistemlerini ve makine öğrenimi modellerini eğitmek için yaygın olarak kullanılan büyük bir el yazısı rakamlar veritabanıdır. NIST'in orijinal veri kümelerinden alınan örneklerin "yeniden harmanlanmasıyla" oluşturulmuştur ve görüntü sınıflandırma algoritmalarının performansını değerlendirmek için bir ölçüt haline gelmiştir.

Link to this sectionTemel Özellikler#

• MNIST, el yazısı rakamlara ait 60.000 eğitim görüntüsü ve 10.000 test görüntüsü içerir.
• Veri kümesi, 28×28 piksel boyutunda gri tonlamalı görüntülerden oluşur.
• Görüntüler, 28×28 piksellik bir sınırlayıcı kutuya sığacak şekilde normalleştirilmiş ve kenar yumuşatma (anti-aliasing) uygulanarak gri ton seviyeleri eklenmiştir.
• MNIST, özellikle görüntü sınıflandırma görevleri olmak üzere, makine öğrenimi alanında eğitim ve test için yaygın olarak kullanılır.

Link to this sectionVeri Kümesi Yapısı#

MNIST veri kümesi iki alt kümeye ayrılmıştır:

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

Link to this sectionVeri Kümesine Erişim#

• Orijinal dosyalar: Ön işleme üzerinde doğrudan kontrol sahibi olmak istiyorsan, orijinal MNIST arşivinden gzip arşivlerini indir.
• Ultralytics yükleyici: Komutunda data="mnist" (veya aşağıdaki alt küme için data="mnist160") kullan; veri kümesi otomatik olarak indirilecek, PNG'ye dönüştürülecek ve önbelleğe alınacaktır.

Veri kümesindeki her görüntü karşılık gelen rakamla (0-9) etiketlenmiştir, bu da onu sınıflandırma görevleri için ideal bir denetimli öğrenme veri kümesi yapar.

Link to this sectionExtended MNIST (EMNIST)#

Extended MNIST (EMNIST), NIST tarafından MNIST'in halefi olması için geliştirilen ve yayınlanan daha yeni bir veri kümesidir. MNIST yalnızca el yazısı rakamların görüntülerini içerirken, EMNIST, NIST Special Database 19'daki tüm görüntüleri içerir; bu da el yazısı büyük ve küçük harflerin yanı sıra rakamlardan oluşan büyük bir veritabanıdır. EMNIST'teki görüntüler, MNIST görüntüleriyle aynı işlemle, aynı 28×28 piksel formatına dönüştürülmüştür. Buna göre, daha eski ve daha küçük olan MNIST veri kümesiyle çalışan araçlar, muhtemelen EMNIST ile de hiçbir değişiklik yapmadan çalışacaktır.

Link to this sectionUygulamalar#

MNIST veri kümesi, görüntü sınıflandırma görevlerinde derin öğrenme modellerini, örneğin Evrişimli Sinir Ağlarını (CNN'ler), Destek Vektör Makinelerini (SVM'ler) ve diğer çeşitli makine öğrenimi algoritmalarını eğitmek ve değerlendirmek için yaygın olarak kullanılır. Veri kümesinin basit ve iyi yapılandırılmış formatı, onu makine öğrenimi ve bilgisayarlı görü alanındaki araştırmacılar ve uygulayıcılar için temel bir kaynak haline getirir.

Bazı yaygın uygulamalar şunlardır:

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

Link to this sectionKullanım#

MNIST veri kümesi üzerinde 28×28 görüntü boyutuyla 100 epoch boyunca bir CNN modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut 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="mnist", epochs=100, imgsz=28)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

MNIST veri kümesi, el yazısı rakamların gri tonlamalı görüntülerini içerir ve görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sağlar. İşte veri kümesinden bazı görüntü örnekleri:

Örnek, MNIST veri kümesindeki el yazısı rakamların çeşitliliğini ve karmaşıklığını sergileyerek, güçlü görüntü sınıflandırma modelleri eğitmek için çeşitli bir veri kümesinin önemini vurgular.

Link to this sectionAlıntılar 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}
}

MNIST veri kümesini, makine öğrenimi ve bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olarak oluşturdukları ve sürdürdükleri için Yann LeCun, Corinna Cortes ve Christopher J.C. Burges'e teşekkür ederiz. MNIST veri kümesi ve yaratıcıları hakkında daha fazla bilgi için MNIST veri kümesi web sitesini ziyaret et.

Link to this sectionMNIST160 Hızlı Testler#

Yıldırım hızında bir regresyon testine mi ihtiyacın var? Ultralytics ayrıca data="mnist160" seçeneğini de sunar; bu, hem eğitim hem de test bölümlerinden her rakamın (0-9) ilk sekiz görüntüsünü içeren 160 görüntülük bir dilimdir. MNIST dizin yapısını yansıtır, bu nedenle başka hiçbir argümanı değiştirmeden veri kümelerini değiştirebilirsin:

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

Bu alt kümeyi, 70.000 görüntülük veri kümesinin tamamına geçmeden önce CI süreçleri veya hızlı kontroller için kullan.

Link to this sectionSSS#

Link to this sectionMNIST veri kümesi nedir ve makine öğreniminde neden önemlidir?#

MNIST veri kümesi veya Modified National Institute of Standards and Technology veri kümesi, görüntü sınıflandırma sistemlerini eğitmek ve test etmek için tasarlanmış, yaygın olarak kullanılan bir el yazısı rakamlar koleksiyonudur. 60.000 eğitim görüntüsü ve 10.000 test görüntüsü içerir; bunların tümü gri tonlamalı ve 28×28 piksel boyutundadır. Veri kümesinin önemi, görüntü sınıflandırma algoritmalarını değerlendirmek için standart bir ölçüt olarak işlev görmesinden, araştırmacıların ve mühendislerin yöntemleri karşılaştırmasına ve alandaki ilerlemeyi takip etmesine yardımcı olmasından kaynaklanır.

Link to this sectionUltralytics YOLO kullanarak MNIST veri kümesi üzerinde bir modeli nasıl eğitebilirim?#

Ultralytics YOLO kullanarak MNIST veri kümesinde bir modeli eğitmek için şu adımları izleyebilirsin:

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)

Mevcut eğitim argümanlarının ayrıntılı bir listesi için Eğitim sayfasına bak.

Link to this sectionMNIST ve EMNIST veri kümeleri arasındaki fark nedir?#

MNIST veri kümesi sadece 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 görüntüler için aynı 28×28 piksel formatını kullanır, bu da onu orijinal MNIST veri kümesi için tasarlanmış araçlar ve modellerle uyumlu hale getirir. EMNIST'teki bu daha geniş karakter yelpazesi, onu daha çeşitli makine öğrenimi uygulamaları için kullanışlı kılar.

Link to this sectionUltralytics Platform'u MNIST gibi özel veri kümelerinde modelleri eğitmek için kullanabilir miyim?#

Evet, MNIST gibi özel veri kümelerinde modelleri eğitmek için Ultralytics Platform kullanabilirsin. Ultralytics Platform, kapsamlı kodlama bilgisine ihtiyaç duymadan veri kümelerini yüklemek, modelleri eğitmek ve projeleri yönetmek için kullanıcı dostu bir arayüz sunar. Başlamak hakkında daha fazla ayrıntı için Ultralytics Platform Hızlı Başlangıç sayfasına göz at.

Link to this sectionMNIST, diğer görüntü sınıflandırma veri kümeleriyle nasıl karşılaştırılır?#

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 değerli olmaya devam etmektedir. Daha gelişmiş sınıflandırma görevleri için, aynı yapıyı koruyan ancak rakamlar yerine giyim eşyaları içeren Fashion-MNIST kullanmayı düşün.