跳转至内容

MNIST 数据集

MNIST(Modified National Institute of Standards and Technology,修改后的美国国家标准与技术研究院)数据集是一个大型手写数字数据库,通常用于训练各种图像处理系统和机器学习模型。它通过“重新混合” NIST 原始数据集中的样本而创建,并且已成为评估图像分类算法性能的基准。

主要功能

  • MNIST 包含 60,000 个训练图像和 10,000 个手写数字的测试图像。
  • 该数据集包含大小为 28×28 像素的灰度图像。
  • 这些图像经过归一化处理,以适应28×28像素的边界框并进行抗锯齿处理,从而引入灰度级别。
  • MNIST 广泛用于机器学习领域的训练和测试,特别是对于图像分类任务。

数据集结构

MNIST 数据集分为两个子集:

  1. 训练集: 该子集包含 60,000 张手写数字图像,用于训练机器学习模型。
  2. 测试集:此子集包含 10,000 张用于测试和评估已训练模型的图像。

数据集中的每张图像都标有相应的数字(0-9),使其成为一个用于分类任务的理想监督学习数据集。

扩展 MNIST (EMNIST)

扩展 MNIST (EMNIST) 是 NIST 开发和发布的一个较新的数据集,旨在成为 MNIST 的继任者。虽然 MNIST 仅包含手写数字的图像,但 EMNIST 包含了 NIST 特殊数据库 19 中的所有图像,这是一个包含大量手写大写和小写字母以及数字的数据库。EMNIST 中的图像通过与 MNIST 图像相同的过程转换为相同的 28×28 像素格式。因此,适用于较旧、较小的 MNIST 数据集的工具很可能无需修改即可与 EMNIST 一起使用。

应用

MNIST数据集广泛用于训练和评估图像分类任务中的深度学习模型,例如卷积神经网络(CNN)、支持向量机(SVM)和各种其他机器学习算法。该数据集的简单且结构良好的格式使其成为机器学习计算机视觉领域的研究人员和从业人员的重要资源。

一些常见的应用包括:

  • 对新的分类算法进行基准测试
  • 用于教学机器学习概念的教育目的
  • 图像识别系统原型设计
  • 测试模型优化技术

用法

要使用以下代码片段在 MNIST 数据集上训练 CNN 模型 100 个 epochs,图像大小为 32x32。有关可用参数的完整列表,请参阅模型训练页面。

训练示例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="mnist", epochs=100, imgsz=32)
# Start training from a pretrained *.pt model
yolo classify train data=mnist model=yolo11n-cls.pt epochs=100 imgsz=28

Sample Images 和注释

MNIST数据集包含手写数字的灰度图像,为图像分类任务提供了一个结构良好的数据集。以下是数据集中图像的一些示例:

数据集样本图像

该示例展示了 MNIST 数据集中手写数字的多样性和复杂性,突出了多样化数据集对于训练稳健图像分类模型的重要性。

引用和致谢

如果您在研究或开发工作中使用 MNIST 数据集,请引用以下论文:

@article{lecun2010mnist,
         title={MNIST handwritten digit database},
         author={LeCun, Yann and Cortes, Corinna and Burges, CJ},
         journal={ATT Labs [Online]. Available: http://yann.lecun.com/exdb/mnist},
         volume={2},
         year={2010}
}

我们要感谢 Yann LeCun、Corinna Cortes 和 Christopher J.C. Burges 创建和维护 MNIST 数据集,使其成为机器学习和计算机视觉研究社区的宝贵资源。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

什么是 MNIST 数据集?为什么它在机器学习中如此重要?

MNIST数据集,即修改后的美国国家标准与技术研究院数据集,是一个广泛使用的手写数字集合,专为训练和测试图像分类系统而设计。它包括 60,000 个训练图像和 10,000 个测试图像,所有图像均为灰度图,大小为 28×28 像素。该数据集的重要性在于它作为评估图像分类算法的标准基准,帮助研究人员和工程师比较方法并跟踪该领域的进展。

如何使用 Ultralytics YOLO 在 MNIST 数据集上训练模型?

要使用 Ultralytics YOLO 在 MNIST 数据集上训练模型,您可以按照以下步骤操作:

训练示例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-cls.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="mnist", epochs=100, imgsz=32)
# Start training from a pretrained *.pt model
yolo classify train data=mnist model=yolo11n-cls.pt epochs=100 imgsz=28

有关可用训练参数的详细列表,请参阅训练页面。

MNIST 和 EMNIST 数据集之间有什么区别?

MNIST数据集仅包含手写数字,而扩展MNIST(EMNIST)数据集既包含数字,也包含大写和小写字母。EMNIST是作为MNIST的后续产品开发的,并且图像使用相同的28×28像素格式,使其与为原始MNIST数据集设计的工具和模型兼容。EMNIST中更广泛的字符范围使其可用于更多种类的机器学习应用程序。

我可以使用Ultralytics HUB在自定义数据集(如MNIST)上训练模型吗?

是的,您可以使用 Ultralytics HUB 在自定义数据集(如 MNIST)上训练模型。Ultralytics HUB 提供了一个用户友好的界面,用于上传数据集、训练模型和管理项目,而无需大量的编码知识。有关如何开始的更多详细信息,请查看 Ultralytics HUB 快速入门 页面。

MNIST 与其他图像分类数据集相比如何?

MNIST 比许多现代数据集(如 CIFAR-10ImageNet)更简单,非常适合初学者和快速实验。虽然更复杂的数据集在彩色图像和多样化的对象类别方面提出了更大的挑战,但 MNIST 仍然因其简单性、小文件大小以及在机器学习算法发展中的历史意义而具有重要价值。对于更高级的分类任务,请考虑使用 Fashion-MNIST,它保持了相同的结构,但以服装项目代替数字。



📅 创建于 1 年前 ✏️ 更新于 5 个月前

评论