Fashion-MNIST Veri Seti
Fashion-MNIST veri seti, 60.000 örnekten oluşan bir eğitim seti ve 10.000 örnekten oluşan bir test seti içeren Zalando'nun ürün görsellerinden oluşan bir veri tabanıdır. Her örnek, 10 sınıftan bir etiketle ilişkilendirilmiş 28x28 boyutunda gri tonlamalı bir görüntüdür. Fashion-MNIST, makine öğrenimi algoritmalarını kıyaslamak için orijinal MNIST veri setinin doğrudan yerine geçmesi amaçlanmıştır.
İzle: Nasıl Yapılır Görüntü Sınıflandırması Ultralytics YOLO11 kullanılarak Fashion MNIST Veri Kümesi üzerinde
Temel Özellikler
- Fashion-MNIST, Zalando'nun ürün görsellerinden oluşan 60.000 eğitim ve 10.000 test görseli içerir.
- Veri kümesi, 28x28 piksel boyutunda gri tonlamalı görüntülerden oluşur.
- Her pikselin, o pikselin açıklığını veya koyuluğunu gösteren, daha yüksek sayıların daha koyu anlamına geldiği tek bir piksel değeri vardır. Bu piksel değeri 0 ile 255 arasında bir tamsayıdır.
- Fashion-MNIST, makine öğrenimi alanında, özellikle görüntü sınıflandırma görevleri için yaygın olarak eğitim ve test amacıyla kullanılır.
Veri Seti Yapısı
Fashion-MNIST veri kümesi iki alt kümeye ayrılmıştır:
- Eğitim Kümesi: Bu alt küme, makine öğrenimi modellerini eğitmek için kullanılan 60.000 görüntü içerir.
- Test Kümesi: Bu alt küme, eğitilmiş modelleri test etmek ve kıyaslamak için kullanılan 10.000 görüntüden oluşur.
Etiketler
Her eğitim ve test örneği aşağıdaki etiketlerden birine atanır:
0. T-shirt/top
1. Trouser
2. Pullover
3. Dress
4. Coat
5. Sandal
6. Shirt
7. Sneaker
8. Bag
9. Ankle boot
Uygulamalar
Fashion-MNIST veri seti, Evrişimsel Sinir Ağları (CNN'ler), Destek Vektör Makineleri (SVM'ler) ve çeşitli diğer makine öğrenimi algoritmaları gibi görüntü sınıflandırma görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Veri setinin basit ve iyi yapılandırılmış formatı, onu makine öğrenimi ve bilgisayar görüşü alanındaki araştırmacılar ve uygulayıcılar için temel bir kaynak haline getirmektedir.
Kullanım
28x28 görüntü boyutuyla Fashion-MNIST veri kümesi üzerinde bir CNN modelini 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.
Eğitim Örneği
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="fashion-mnist", epochs=100, imgsz=28)
# Start training from a pretrained *.pt model
yolo classify train data=fashion-mnist model=yolo11n-cls.pt epochs=100 imgsz=28
Örnek Görüntüler ve Açıklamalar
Fashion-MNIST veri kümesi, görüntü sınıflandırma görevleri için iyi yapılandırılmış bir veri kümesi sağlayan Zalando'nun ürün görüntülerinin gri tonlamalı görüntülerini içerir. İşte veri kümesinden bazı görüntü örnekleri:
Örnek, Fashion-MNIST veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını sergileyerek, sağlam görüntü sınıflandırma modellerini eğitmek için çeşitli bir veri kümesinin önemini vurgulamaktadır.
Teşekkür
Araştırma veya geliştirme çalışmalarınızda Fashion-MNIST veri setini kullanırsanız, lütfen GitHub deposuna bağlantı vererek veri setini kaynak gösterin. Bu veri seti Zalando Research tarafından kullanıma sunulmuştur.
SSS
Fashion-MNIST veri seti nedir ve MNIST'den farkı nedir?
Fashion-MNIST veri seti, orijinal MNIST veri setinin modern bir alternatifi olarak tasarlanan, Zalando'nun ürün görsellerinin 70.000 adet gri tonlamalı görüntüsünden oluşan bir koleksiyondur. Görüntü sınıflandırma görevleri bağlamında makine öğrenimi modelleri için bir ölçüt görevi görür. El yazısıyla yazılmış rakamlar içeren MNIST'in aksine, Fashion-MNIST, Tişört/üst, pantolon ve bot gibi 10 moda ile ilgili sınıfa ayrılmış 28x28 piksellik görüntülerden oluşur.
Fashion-MNIST veri seti üzerinde nasıl bir YOLO modeli eğitebilirim?
Fashion-MNIST veri setinde bir Ultralytics YOLO modelini eğitmek için hem Python hem de CLI komutlarını kullanabilirsiniz. Başlamanıza yardımcı olacak hızlı bir örnek:
Eğitim Örneği
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo11n-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=yolo11n-cls.pt epochs=100 imgsz=28
Daha ayrıntılı eğitim parametreleri için Eğitim sayfasına bakın.
Makine öğrenimi modellerimi kıyaslamak için neden Fashion-MNIST veri setini kullanmalıyım?
Fashion-MNIST veri seti, derin öğrenme topluluğunda MNIST'ye sağlam bir alternatif olarak yaygın olarak tanınmaktadır. Daha karmaşık ve çeşitli bir görüntü seti sunarak, görüntü sınıflandırma modellerini kıyaslamak için mükemmel bir seçimdir. Her biri 10 sınıftan biriyle etiketlenmiş 60.000 eğitim görüntüsü ve 10.000 test görüntüsünden oluşan veri setinin yapısı, farklı makine öğrenimi algoritmalarının performansını daha zorlu bir bağlamda değerlendirmek için idealdir.
Ultralytics YOLO'yu Fashion-MNIST gibi görüntü sınıflandırma görevleri için kullanabilir miyim?
Evet, Ultralytics YOLO modelleri, Fashion-MNIST veri setini içerenler de dahil olmak üzere görüntü sınıflandırma görevleri için kullanılabilir. Örneğin YOLO11, algılama, segmentasyon ve sınıflandırma gibi çeşitli görme görevlerini destekler. Görüntü sınıflandırma görevlerine başlamak için Sınıflandırma sayfasına bakın.
Fashion-MNIST veri setinin temel özellikleri ve yapısı nelerdir?
Fashion-MNIST veri kümesi iki ana alt kümeye ayrılmıştır: 60.000 eğitim görüntüsü ve 10.000 test görüntüsü. Her görüntü, 10 moda ile ilgili sınıftan birini temsil eden 28x28 piksellik bir gri tonlamalı resimdir. Basitliği ve iyi yapılandırılmış biçimi, makine öğrenimi ve bilgisayarlı görü görevlerinde modelleri eğitmek ve değerlendirmek için idealdir. Veri kümesi yapısı hakkında daha fazla ayrıntı için Veri Kümesi Yapısı bölümüne bakın.
Araştırmamda Fashion-MNIST veri setinin kullanımını nasıl belirtebilirim?
Araştırma veya geliştirme projelerinizde Fashion-MNIST veri kümesini kullanırsanız, GitHub deposuna bağlantı vererek bunu kabul etmek önemlidir. Bu, verileri, veri kümesini kamu kullanımına sunan Zalando Research'e atfetmeye yardımcı olur.
