Tập dữ liệu Fashion-MNIST
Tập dữ liệu Fashion-MNIST là một cơ sở dữ liệu gồm các ảnh mặt hàng của Zalando—bao gồm một tập huấn luyện 60.000 ví dụ và một tập kiểm tra 10.000 ví dụ. Mỗi ví dụ là một ảnh thang độ xám 28x28, được liên kết với một nhãn từ 10 lớp. Fashion-MNIST được thiết kế để thay thế trực tiếp cho tập dữ liệu MNIST gốc nhằm đánh giá các thuật toán học máy.
Xem: Cách thực hiện Phân loại hình ảnh trên Tập dữ liệu Fashion MNIST sử dụng Ultralytics YOLO26
Các tính năng chính
- Fashion-MNIST chứa 60.000 ảnh huấn luyện và 10.000 ảnh kiểm tra các mặt hàng của Zalando.
- Bộ dữ liệu bao gồm các hình ảnh thang độ xám có kích thước 28x28 pixel.
- Mỗi pixel có một giá trị pixel duy nhất liên kết với nó, cho biết độ sáng hoặc tối của pixel đó, với số càng cao nghĩa là càng tối. Giá trị pixel này là một số nguyên từ 0 đến 255.
- Fashion-MNIST được sử dụng rộng rãi để huấn luyện và kiểm tra trong lĩnh vực học máy, đặc biệt cho các tác vụ phân loại ảnh.
Cấu trúc bộ dữ liệu
Tập dữ liệu Fashion-MNIST được chia thành hai tập con:
- Tập huấn luyện: Tập con này chứa 60.000 hình ảnh được sử dụng để huấn luyện các mô hình học máy.
- Tập kiểm thử: Tập hợp con này bao gồm 10.000 hình ảnh được sử dụng để kiểm thử và đánh giá các mô hình đã huấn luyện.
Nhãn
Mỗi ví dụ huấn luyện và kiểm tra được gán cho một trong các nhãn sau:
0. T-shirt/top
1. Trouser
2. Pullover
3. Dress
4. Coat
5. Sandal
6. Shirt
7. Sneaker
8. Bag
9. Ankle boot
Các ứng dụng
Tập dữ liệu Fashion-MNIST được sử dụng rộng rãi để huấn luyện và đánh giá các mô hình học sâu trong các tác vụ phân loại ảnh, chẳng hạn như Mạng nơ-ron tích chập (CNNs), Máy vector hỗ trợ (SVMs) và nhiều thuật toán học máy khác. Định dạng đơn giản và có cấu trúc tốt của tập dữ liệu làm cho nó trở thành một tài nguyên thiết yếu cho các nhà nghiên cứu và chuyên gia trong lĩnh vực học máy và thị giác máy tính.
Cách sử dụng
Để huấn luyện một mô hình CNN trên tập dữ liệu Fashion-MNIST trong 100 epoch với kích thước ảnh 28x28, bạn có thể sử dụng các đoạn mã sau. Để có danh sách đầy đủ các đối số có sẵn, hãy tham khảo trang Huấn luyện mô hình.
Ví dụ huấn luyện
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="fashion-mnist", epochs=100, imgsz=28)
# Start training from a pretrained *.pt model
yolo classify train data=fashion-mnist model=yolo26n-cls.pt epochs=100 imgsz=28
Ảnh và Chú thích mẫu
Tập dữ liệu Fashion-MNIST chứa các ảnh thang độ xám của các mặt hàng từ Zalando, cung cấp một tập dữ liệu có cấu trúc tốt cho các tác vụ phân loại ảnh. Dưới đây là một số ví dụ về ảnh từ tập dữ liệu:
Ví dụ này minh họa sự đa dạng và phức tạp của các ảnh trong tập dữ liệu Fashion-MNIST, nhấn mạnh tầm quan trọng của một tập dữ liệu đa dạng để huấn luyện các mô hình phân loại ảnh mạnh mẽ.
Lời cảm ơn
Nếu bạn sử dụng tập dữ liệu Fashion-MNIST trong công việc nghiên cứu hoặc phát triển của mình, vui lòng ghi nhận tập dữ liệu bằng cách liên kết đến kho lưu trữ GitHub. Tập dữ liệu này được cung cấp bởi Zalando Research.
Câu hỏi thường gặp
Tập dữ liệu Fashion-MNIST là gì và nó khác với MNIST như thế nào?
Tập dữ liệu Fashion-MNIST là một bộ sưu tập gồm 70.000 ảnh thang độ xám của các mặt hàng từ Zalando, được thiết kế để thay thế hiện đại cho tập dữ liệu MNIST gốc. Nó đóng vai trò là một tiêu chuẩn để đánh giá các mô hình học máy trong các tác vụ phân loại ảnh. Không giống như MNIST, vốn chứa các chữ số viết tay, Fashion-MNIST bao gồm các ảnh 28x28 pixel được phân loại thành 10 lớp liên quan đến thời trang, chẳng hạn như áo phông/áo top, quần dài và bốt cổ chân.
Làm thế nào tôi có thể huấn luyện một mô hình YOLO trên tập dữ liệu Fashion-MNIST?
Để huấn luyện một mô hình Ultralytics YOLO trên tập dữ liệu Fashion-MNIST, bạn có thể sử dụng cả lệnh Python và CLI. Dưới đây là một ví dụ nhanh để bạn bắt đầu:
Ví dụ huấn luyện
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo26n-cls.pt")
# Train the model on Fashion-MNIST
results = model.train(data="fashion-mnist", epochs=100, imgsz=28)
yolo classify train data=fashion-mnist model=yolo26n-cls.pt epochs=100 imgsz=28
Để biết thêm thông tin chi tiết về các tham số huấn luyện, hãy tham khảo trang Huấn luyện.
Tại sao tôi nên sử dụng tập dữ liệu Fashion-MNIST để đánh giá các mô hình học máy của mình?
Tập dữ liệu Fashion-MNIST được cộng đồng học sâu công nhận rộng rãi là một lựa chọn thay thế mạnh mẽ cho MNIST. Nó cung cấp một bộ ảnh phức tạp và đa dạng hơn, khiến nó trở thành lựa chọn tuyệt vời để đánh giá các mô hình phân loại ảnh. Cấu trúc của tập dữ liệu, bao gồm 60.000 ảnh huấn luyện và 10.000 ảnh kiểm tra, mỗi ảnh được gán nhãn thuộc một trong 10 lớp, làm cho nó lý tưởng để đánh giá hiệu suất của các thuật toán học máy khác nhau trong một bối cảnh thử thách hơn.
Tôi có thể sử dụng Ultralytics YOLO cho các tác vụ phân loại ảnh như Fashion-MNIST không?
Có, các mô hình Ultralytics YOLO có thể được sử dụng cho các tác vụ classification hình ảnh, bao gồm cả những tác vụ liên quan đến tập dữ liệu Fashion-MNIST. Ví dụ, YOLO26 hỗ trợ nhiều tác vụ thị giác khác nhau như detect, segment và classification. Để bắt đầu với các tác vụ classification hình ảnh, hãy tham khảo trang Phân loại.
Các đặc điểm chính và cấu trúc của tập dữ liệu Fashion-MNIST là gì?
Tập dữ liệu Fashion-MNIST được chia thành hai tập con chính: 60.000 ảnh huấn luyện và 10.000 ảnh kiểm thử. Mỗi ảnh là một hình ảnh thang độ xám 28x28 pixel đại diện cho một trong 10 lớp liên quan đến thời trang. Sự đơn giản và định dạng có cấu trúc tốt làm cho nó lý tưởng để huấn luyện và đánh giá các mô hình trong các tác vụ học máy và thị giác máy tính. Để biết thêm chi tiết về cấu trúc tập dữ liệu, xem phần Cấu trúc Tập dữ liệu.
Làm thế nào tôi có thể ghi nhận việc sử dụng tập dữ liệu Fashion-MNIST trong nghiên cứu của mình?
Nếu bạn sử dụng tập dữ liệu Fashion-MNIST trong các dự án nghiên cứu hoặc phát triển của mình, điều quan trọng là phải ghi nhận nó bằng cách liên kết đến kho lưu trữ GitHub. Điều này giúp ghi nhận dữ liệu cho Zalando Research, những người đã cung cấp tập dữ liệu này cho mục đích sử dụng công cộng.
