Bộ dữ liệu MNIST#

70,000

MNIST

ultralytics

publicClassify

MNIST is the classic benchmark of 70,000 unique 28 x 28 grayscale handwritten-digit images across classes 0 through 9. Created by Yann LeCun, Corinna Cortes, and Christopher J.C. Burges, it preserves the official 60,000-image train and 10,000-image test splits.

110 classes66.3 MBSep 2, 2026

0123+6

image-classificationmnisthandwritten-digits+1

Bộ dữ liệu MNIST (Viện Tiêu chuẩn và Công nghệ Quốc gia được sửa đổi) là một benchmark phân loại ảnh gồm 70.000 ảnh thang độ xám 28x28 pixel của các chữ số viết tay, trải rộng trên 10 lớp — các chữ số từ 0 đến 9. Bộ dữ liệu đi kèm một phân tách được xác định trước gồm 60.000 ảnh huấn luyện và 10.000 ảnh kiểm thử, từ lâu đã được sử dụng làm benchmark tiêu chuẩn để đánh giá các thuật toán machine learning và thị giác máy tính. Với phiên bản ảnh quần áo khó hơn, hãy xem bộ dữ liệu Fashion-MNIST liên quan; với ảnh màu, hãy xem CIFAR-10.

Khám phá MNIST trên Ultralytics Platform để xem trước các mẫu, kiểm tra thống kê bộ dữ liệu và nhân bản bộ dữ liệu để huấn luyện.

Tính năng chính#

• MNIST chứa 60.000 ảnh huấn luyện và 10.000 ảnh kiểm thử của các chữ số viết tay, tổng cộng 70.000 ảnh.
• Mỗi ảnh là một ảnh thang độ xám 28x28 của một chữ số đơn, được chuẩn hóa và khử răng cưa trong một bounding box cố định 28x28.
• 10 lớp bao gồm các chữ số từ 0–9, với số lượng ảnh trên mỗi lớp tương đối cân bằng.
• Bộ dữ liệu đi kèm phân tách train/test được xác định trước, nên không cần phân tách thủ công hoặc tự động.
• MNIST là benchmark tiêu chuẩn cho nghiên cứu phân loại ảnh và deep learning.

Cấu trúc bộ dữ liệu#

MNIST đi kèm phân tách chính thức được xác định trước, nên không cần phân vùng tự động hoặc thủ công:

• Các lớp: 10 (các chữ số viết tay 0–9)
• Tổng số ảnh: 70.000 (thang độ xám 28x28)
• Tập huấn luyện: 60.000 ảnh
• Tập kiểm thử: 10.000 ảnh

Mỗi ảnh được gán nhãn bằng chữ số tương ứng (0–9), khiến MNIST trở thành một bộ dữ liệu có giám sát, phù hợp cho các tác vụ phân loại.

Ứng dụng#

MNIST được sử dụng rộng rãi để huấn luyện và đánh giá các model phân loại ảnh, từ Mạng nơ-ron tích chập (CNNs) và Máy vector hỗ trợ (SVMs) kinh điển đến các kiến trúc deep learning hiện đại. Những ảnh thang độ xám nhỏ và 10 lớp chữ số khiến MNIST trở thành benchmark nhanh, có khả năng tái lập để so sánh thuật toán và thử nghiệm thị giác máy tính.

Một số ứng dụng phổ biến gồm:

• Benchmark các thuật toán phân loại mới
• Mục đích giáo dục nhằm giảng dạy các khái niệm machine learning
• Tạo prototype cho các hệ thống nhận dạng ảnh
• Kiểm thử các kỹ thuật tối ưu hóa model

Cách sử dụng#

Huấn luyện một model phân loại YOLO trên MNIST trong 100 epoch với kích thước ảnh là 28. Bộ dữ liệu sẽ tự động được tải xuống và lưu vào cache trong lần sử dụng đầu tiên; nếu muốn toàn quyền kiểm soát quá trình preprocessing, bạn cũng có thể tải các archive gzip gốc từ cơ sở dữ liệu MNIST. Để xem danh sách đầy đủ các argument khả dụng, hãy tham khảo trang Huấn luyện và hướng dẫn về tác vụ phân loại ảnh.

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

Hình ảnh mẫu và annotation#

Ảnh mẫu từ bộ dữ liệu MNIST:

Các mẫu cho thấy nhiều kiểu chữ viết tay mà bộ dữ liệu ghi nhận trong 10 lớp chữ số.

Trích dẫn và ghi nhận đóng góp#

Nếu sử dụng bộ dữ liệu MNIST trong công việc nghiên cứu hoặc phát triển, vui lòng trích dẫn bài báo sau:

@article{lecun2010mnist,
         title={MNIST handwritten digit database},
         author={LeCun, Yann and Cortes, Corinna and Burges, CJ},
         journal={ATT Labs [Online]},
         volume={2},
         year={2010}
}

Chúng tôi xin ghi nhận công lao của Yann LeCun, Corinna Cortes và Christopher J.C. Burges trong việc tạo và duy trì bộ dữ liệu MNIST như một tài nguyên giá trị cho cộng đồng nghiên cứu machine learning và thị giác máy tính. Để biết thêm thông tin về bộ dữ liệu MNIST và những người tạo ra bộ dữ liệu, hãy truy cập trang web bộ dữ liệu MNIST.

FAQ#