Link to this sectionMNIST Veri Kümesi#

MNIST (Modified National Institute of Standards and Technology) veri seti, 0'dan 9'a kadar olan rakamları içeren 10 sınıfı kapsayan 70.000 adet 28x28 gri tonlamalı el yazısı rakam görselinden oluşan bir görüntü sınıflandırma ölçütüdür. Önceden tanımlanmış 60.000 eğitim ve 10.000 test görseli ayrımıyla gelir ve uzun süredir makine öğrenimi ve bilgisayarlı görü algoritmalarını değerlendirmek için standart bir ölçüt olarak kullanılmaktadır. Daha zor olan kıyafet görseli eşdeğeri için ilgili Fashion-MNIST veri setine; renkli görseller içinse CIFAR-10 veri setine göz atabilirsin.

Link to this sectionTemel Özellikler#

• MNIST, toplam 70.000 adet olmak üzere 60.000 eğitim ve 10.000 test el yazısı rakam görseli içerir.
• Her görsel, normalize edilmiş ve sabit bir 28x28 sınırlayıcı kutu içinde kenar yumuşatması uygulanmış tek bir rakamın 28x28 gri tonlamalı resmidir.
• 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, görüntü sınıflandırma ve derin öğrenme araştırmaları için standart bir ölçüttür.

Link to this sectionVeri 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.

Link to this sectionUygulamalar#

MNIST is widely used to train and evaluate image classification models, from classic Convolutional Neural Networks (CNNs) and Support Vector Machines (SVMs) to modern deep architectures. Its small grayscale images and 10 digit classes make it a fast, reproducible benchmark for algorithm comparison and computer vision experimentation.

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#

Bir YOLO sınıflandırma modelini, 28 görsel boyutunda 100 epok boyunca MNIST üzerinde eğit. Veri seti ilk kullanımda otomatik olarak indirilir ve önbelleğe alınır; ön işleme üzerinde tam kontrol istersen, orijinal gzip arşivlerine MNIST database adresinden de ulaşabilirsin. Mevcut argümanların tam listesi için Training sayfasına ve görüntü sınıflandırma görev kılavuzuna bakabilirsin.

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

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

MNIST veri setinden örnek görseller:

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

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 setini 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'a teşekkür ederiz. MNIST veri seti ve yaratıcıları hakkında daha fazla bilgi için MNIST dataset website adresini ziyaret et.

Link to this sectionSSS#

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

MNIST veri seti, 60.000 eğitim ve 10.000 test görseli olarak ayrılmış, 0–9 arası 10 sınıfı kapsayan 70.000 adet 28x28 gri tonlamalı el yazısı rakam görselinden oluşan bir ölçüttür. Görüntü sınıflandırma algoritmalarını değerlendirmek için standart bir referanstır; küçük ve tekdüze biçimi, araştırmacıların ve mühendislerin yöntemleri karşılaştırmasına ve ilerlemeyi minimum kurulumla takip etmesine olanak tanır, bu yüzden makine öğreniminde yaygın olarak kullanılan ilk ölçütlerden biri olmaya devam etmektedir.

Link to this sectionMNIST 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.

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

MNIST üzerinde bir Ultralytics YOLO modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Veri seti ilk kullanımda otomatik olarak indirilir. Mevcut eğitim argümanlarının ayrıntılı bir listesi için Training sayfasına başvurabilirsin.

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 sectionMNIST 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.

Link to this sectionMNIST 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.

Link to this sectionModelleri MNIST gibi veri setleri üzerinde eğitmek için Ultralytics Platform kullanabilir miyim?#

Evet. Ultralytics Platform veri setlerini yüklemene, görüntü sınıflandırma modellerini eğitmene ve bunları kapsamlı kodlama gerekmeden dağıtmana olanak tanır. Bulut ortamında MNIST deneyleri çalıştırmak için kullanışlı bir yoldur — ilgili seçenekler için classification datasets overview bölümüne bakabilirsin.

Link to this sectionMNIST, 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 deneyler için ideal kılar. Daha karmaşık veri setleri renkli görseller ve çeşitli nesne kategorileriyle daha büyük zorluklar sunsa da, MNIST basitliği, küçük dosya boyutu ve makine öğrenimi algoritmalarının gelişimindeki tarihsel önemi nedeniyle değerli olmaya devam etmektedir. Aynı yapıya sahip daha zor bir alternatif için, rakamlar yerine kıyafet öğeleri içeren Fashion-MNIST veri setine bakabilirsin.