Link to this sectionBộ dữ liệu Fashion-MNIST#
Bộ dữ liệu Fashion-MNIST là cơ sở dữ liệu gồm các hình ảnh sản phẩm của Zalando—bao gồm một tập huấn luyện gồm 60.000 ví dụ và một tập kiểm thử gồm 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 bộ dữ liệu MNIST gốc nhằm đánh giá chuẩn các thuật toán machine learning.
Link to this sectionTính năng chính#
- Fashion-MNIST chứa 60.000 ảnh huấn luyện và 10.000 ảnh kiểm thử các sản phẩm của Zalando.
- Bộ dữ liệu bao gồm các 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 lớn hơn nghĩa là tối hơn. Giá trị pixel này là một số nguyên từ 0 đến 255.
- Fashion-MNIST được sử dụng rộng rãi cho việc huấn luyện và kiểm thử trong lĩnh vực machine learning, đặc biệt là cho các tác vụ phân loại hình ảnh.
Link to this sectionCấu trúc tập dữ liệu#
Bộ dữ liệu Fashion-MNIST được chia thành hai tập con:
- Tập Huấn luyện: Tập con này chứa 60.000 ảnh được sử dụng để huấn luyện các model machine learning.
- Tập kiểm tra (Testing Set): Tập con này bao gồm 10.000 ảnh được sử dụng để kiểm tra và đánh giá các model đã được huấn luyện.
Link to this sectionNhãn#
Mỗi ví dụ huấn luyện và kiểm thử 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 bootLink to this sectionỨng dụng#
Bộ dữ liệu Fashion-MNIST được sử dụng rộng rãi để huấn luyện và đánh giá các model deep learning trong các tác vụ phân loại hình ảnh, chẳng hạn như Convolutional Neural Networks (CNN), Support Vector Machines (SVM), và nhiều thuật toán machine learning khác. Định dạng đơn giản và có cấu trúc tốt của bộ dữ liệu làm cho nó trở thành một tài nguyên thiết yếu cho các nhà nghiên cứu và thực hành trong lĩnh vực machine learning và computer vision.
Link to this sectionCách sử dụng#
Để huấn luyện một model CNN trên bộ dữ liệu Fashion-MNIST trong 100 epochs với kích thước ảnh 28x28, bạn có thể sử dụng các đoạn mã sau. Để có danh sách đầy đủ các đối số khả dụng, hãy tham khảo trang Training của model.
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)Link to this sectionHình ảnh mẫu và chú thích#
Bộ dữ liệu Fashion-MNIST chứa các ảnh thang độ xám của các sản phẩm Zalando, cung cấp một bộ dữ liệu có cấu trúc tốt cho các tác vụ phân loại hình ảnh. Dưới đây là một số ví dụ về hình ảnh từ bộ dữ liệu:
Ví dụ này thể hiện sự đa dạng và phức tạp của các hình ảnh trong bộ dữ liệu Fashion-MNIST, làm nổi bật tầm quan trọng của một bộ dữ liệu đa dạng để huấn luyện các model phân loại hình ảnh mạnh mẽ.
Link to this sectionLời cảm ơn#
Nếu bạn sử dụng bộ dữ liệu Fashion-MNIST trong công việc nghiên cứu hoặc phát triển của mình, vui lòng ghi nhận bộ dữ liệu bằng cách liên kết đến GitHub repository. Bộ dữ liệu này được cung cấp bởi Zalando Research.
Link to this sectionCâu hỏi thường gặp#
Link to this sectionBộ dữ liệu Fashion-MNIST là gì và nó khác gì so với MNIST?#
Bộ dữ liệu Fashion-MNIST là tập hợp 70.000 ảnh thang độ xám của các sản phẩm Zalando, được thiết kế như một sự thay thế hiện đại cho bộ dữ liệu MNIST gốc. Nó đóng vai trò là điểm chuẩn cho các model machine learning trong bối cảnh các tác vụ phân loại hình ảnh. Không giống như MNIST, vốn chứa các chữ số viết tay, Fashion-MNIST bao gồm các ảnh 28x28 pixel được phân loại vào 10 lớp liên quan đến thời trang, chẳng hạn như T-shirt/top, trouser, và ankle boot.
Link to this sectionLàm thế nào tôi có thể huấn luyện một model YOLO trên bộ dữ liệu Fashion-MNIST?#
Để huấn luyện một model Ultralytics YOLO trên bộ dữ liệu Fashion-MNIST, bạn có thể sử dụng cả Python và các lệnh CLI. Dưới đây là một ví dụ nhanh để giúp bạn bắt đầu:
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)Để biết thêm các tham số huấn luyện chi tiết, hãy tham khảo Trang Training.
Link to this sectionTại sao tôi nên sử dụng bộ dữ liệu Fashion-MNIST để đánh giá chuẩn các model machine learning của mình?#
Bộ dữ liệu Fashion-MNIST được cộng đồng deep learning công nhận rộng rãi là một sự thay thế mạnh mẽ cho MNIST. Nó cung cấp một tập hợp hình ảnh phức tạp và đa dạng hơn, làm cho nó trở thành một lựa chọn tuyệt vời để đánh giá chuẩn các model phân loại hình ảnh. Cấu trúc của bộ dữ liệu, bao gồm 60.000 ảnh huấn luyện và 10.000 ảnh kiểm thử, mỗi ảnh được dán nhãn với một trong 10 lớp, khiến nó trở nên lý tưởng để đánh giá hiệu suất của các thuật toán machine learning khác nhau trong một bối cảnh thử thách hơn.
Link to this sectionTôi có thể sử dụng Ultralytics YOLO cho các tác vụ phân loại hình ảnh như Fashion-MNIST không?#
Có, các model Ultralytics YOLO có thể được sử dụng cho các tác vụ phân loại hình ảnh, bao gồm cả những tác vụ liên quan đến bộ dữ liệu Fashion-MNIST. Ví dụ, YOLO26 hỗ trợ nhiều tác vụ thị giác khác nhau như detection, instance segmentation, semantic segmentation, classification, pose estimation, và oriented object detection. Để bắt đầu với các tác vụ phân loại hình ảnh, hãy tham khảo Trang Classification.
Link to this sectionCác tính năng chính và cấu trúc của bộ dữ liệu Fashion-MNIST là gì?#
Bộ dữ liệu Fashion-MNIST được chia thành hai tập con chính: 60.000 ảnh huấn luyện và 10.000 ảnh kiểm thử. Mỗi hình ảnh là một bức 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 khiến nó trở nên lý tưởng cho việc huấn luyện và đánh giá các model trong các tác vụ machine learning và computer vision. Để biết thêm chi tiết về cấu trúc bộ dữ liệu, hãy xem phần Cấu trúc Bộ dữ liệu.
Link to this sectionLàm thế nào tôi có thể ghi nhận việc sử dụng bộ dữ liệu Fashion-MNIST trong nghiên cứu của mình?#
Nếu bạn sử dụng bộ 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 GitHub repository. Điều này giúp ghi công cho Zalando Research, những người đã cung cấp bộ dữ liệu này cho mục đích sử dụng công cộng.