Ultralytics YOLO27：
Get Started
CC BY-SA 3.0

MNIST 数据集#

MNIST（美国国家标准与技术研究院改良数据集）是一个图像分类基准，包含 70,000 张 28x28 的手写数字灰度图像，分为 10 个类别，即数字 0 到 9。该数据集提供预先划分的数据集，其中包含 60,000 张训练图像和 10,000 张测试图像，长期以来一直是评估机器学习和计算机视觉算法的标准基准。若要使用难度更高、对应服装图像的数据集，请参阅相关的 Fashion-MNIST 数据集；若要使用彩色图像，请参阅 CIFAR-10。

在 Ultralytics Platform 上探索 [MNIST]，预览样本、查看数据集统计信息，并克隆数据集用于训练。

主要功能#

  • MNIST 包含 60,000 张手写数字训练图像和 10,000 张测试图像，总计 70,000 张。
  • 每张图像都是一张 28x28 的单数字灰度图片，经过尺寸归一化和抗锯齿处理，以适配 20x20 的方框，并居中放置在 28x28 的画布中。
  • 10 个类别涵盖数字 0–9，每个类别的图像数量大致均衡。
  • 该数据集提供预先划分的训练集和测试集，因此无需手动或自动划分。
  • MNIST 是图像分类和深度学习研究的标准基准。

数据集结构#

MNIST 提供官方的预先划分数据集，因此无需自动或手动划分：

  • 类别：10 个（手写数字 0–9）
  • 图像总数：70,000 张（28x28 灰度图像）
  • 训练集：60,000 张图像
  • 测试集：10,000 张图像
验证集

MNIST 没有单独的验证文件夹，因此 Ultralytics 默认在训练期间使用包含 10,000 张图像的测试集作为验证集。

每张图像都标注了对应的数字（0–9），因此 MNIST 是适用于分类任务的监督式数据集。

应用场景#

MNIST 广泛用于训练和评估图像分类模型，模型类型从经典的卷积神经网络（CNNs）和支持向量机（SVMs）到现代深度架构都有。MNIST 的小尺寸灰度图像和 10 个数字类别，使其成为快速、可复现的算法对比和计算机视觉实验基准。

一些常见应用包括：

  • 对新分类算法进行基准测试
  • 用于教授机器学习概念的教育用途
  • 图像识别系统原型开发
  • 测试模型优化技术

用法#

在 MNIST 上训练 YOLO 分类模型，训练 100 个周期，图像尺寸为 28。首次使用时，数据集会自动下载并缓存；如果你希望完全掌控预处理过程，也可以从 MNIST 数据库获取原始 gzip 压缩包。有关所有可用参数的完整列表，请参阅 Training 页面和图像分类任务指南。

训练示例
from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-cls.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="mnist", epochs=100, imgsz=28)
使用 MNIST160 进行快速测试

Ultralytics 还提供 data="mnist160"，这是一个包含 160 张图像的子集，涵盖训练集和测试集中每个数字（0–9）的前八张图像。该子集沿用 MNIST 的目录结构，因此你可以替换数据集，而无需更改其他参数，非常适合 CI 流水线，或在使用完整的 70,000 张图像数据集之前进行健全性检查。

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

示例图像和标注#

MNIST 数据集的样本图像：

MNIST 手写数字分类数据集样本

这些样本展示了数据集在 10 个数字类别中涵盖的各种手写风格。

引用与致谢#

如果你在研究或开发工作中使用 MNIST 数据集，请引用以下论文：

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

我们谨此感谢 Yann LeCun、Corinna Cortes 和 Christopher J.C. Burges 创建并维护 MNIST 数据集，为机器学习和计算机视觉研究社区提供了宝贵资源。有关 MNIST 数据集及其创建者的更多信息，请访问 MNIST 数据集网站。

常见问题#

  • MNIST 数据集是一个基准，包含 70,000 张 28x28 的手写数字灰度图像，分为 10 个类别（0–9），其中 60,000 张为训练图像，10,000 张为测试图像。它是评估图像分类算法的标准参考数据集——其小巧且统一的格式让研究人员和工程师只需进行极少的设置，就能比较方法并跟踪进展，因此它至今仍是机器学习领域常用的入门基准。

  • MNIST 有 10 个类别，即手写数字 0 到 9，总计 70,000 张灰度图像，每张图像为 28x28 像素。该数据集提供预先划分的 60,000 张训练图像和 10,000 张测试图像，每个数字对应的样本数量大致相同。

  • 若要在 MNIST 上训练 Ultralytics YOLO 模型，请使用以下代码片段。首次使用时，数据集会自动下载。有关可用训练参数的详细列表，请参阅 Training 页面。

    训练示例
    from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-cls.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="mnist", epochs=100, imgsz=28)

  • MNIST 提供预先划分的 60,000 张训练图像和 10,000 张测试图像。与由 Ultralytics 自动划分的基于文件夹的分类数据集不同，MNIST 直接使用官方划分，默认在训练期间将测试集用作验证集。

  • MNIST 数据集只包含手写数字，而扩展 MNIST（EMNIST）数据集则同时包含数字和大小写字母。EMNIST 是作为 MNIST 的后继数据集开发的，并采用相同的 28x28 像素格式，因此兼容为原始 MNIST 数据集设计的工具和模型。字符种类更丰富，使 EMNIST 适用于更多类型的机器学习应用。

  • 可以。Ultralytics Platform 让你无需编写大量代码，就能上传数据集、训练图像分类模型并部署模型。它为在云端进行 MNIST 实验提供了便捷方式——相关选项请参阅分类数据集概览。

  • MNIST 比 CIFAR-10 或 ImageNet 等许多现代数据集简单，因此非常适合初学者和快速实验。更复杂的数据集包含彩色图像和多样的对象类别，挑战性更高；而 MNIST 凭借简单性、小文件体积以及在机器学习算法发展史上的重要地位，仍然很有价值。若要使用结构相同、难度更高的直接替代数据集，请参阅 Fashion-MNIST，其中包含服装而非数字。

贡献者
GLglenn-jocher21RAraimbekovm2PDpderrenger1MAMatthewNoyce1JKjk4e1

评论