EMNIST (Extended MNIST) é um conjunto de dados de caracteres manuscritos que estende o conjunto de dados original MNIST de dígitos para incluir tanto dígitos quanto letras maiúsculas e minúsculas. Ele contém 240.000 imagens de treinamento e 40.000 imagens de teste, cada uma uma imagem em escala de cinza de 28x28. EMNIST é amplamente utilizado em pesquisas de aprendizado de máquina e aprendizado profundo para tarefas como reconhecimento de caracteres e avaliação comparativa de algoritmos de classificação.
O conjunto de dados foi introduzido em 2017 por Gregory Cohen, Saeed Afshar, Jonathan Tapson e André van Schaik no MARCS Institute for Brain, Behaviour and Development, da Western Sydney University. Ele foi criado convertendo o NIST Special Database 19, que contém amostras manuscritas de mais de 3.600 escritores, no mesmo formato do MNIST. EMNIST fornece um benchmark mais desafiador do que MNIST porque inclui letras, que têm mais classes e maior similaridade visual entre certos caracteres (por exemplo, 'O' e '0', 'I' e 'l').
Variantes e Divisões
EMNIST está disponível em várias variantes, cada uma com uma estrutura de classes diferente. A mais comum é EMNIST Letters, que contém 26 classes (A-Z) e 145.600 imagens de treinamento. Outras variantes incluem EMNIST Digits (10 classes, 280.000 imagens de treinamento), EMNIST Balanced (47 classes, 112.800 imagens de treinamento), EMNIST ByClass (62 classes, 697.932 imagens de treinamento) e EMNIST ByMerge (47 classes, 697.932 imagens de treinamento). As variantes Balanced e ByMerge mesclam certos casos de letras (por exemplo, 'C' e 'c') para reduzir ambiguidade, enquanto ByClass mantém todas as classes separadas.
Uso em Pesquisa
EMNIST tornou-se um benchmark padrão para avaliar arquiteturas de redes neurais e técnicas de treinamento. Ele é frequentemente usado para testar melhorias em aumento de dados, Dropout, normalização em lote e outros métodos de regularização. Pesquisadores também usam EMNIST para estudar aprendizado por transferência, onde modelos pré-treinados em conjuntos de dados maiores são ajustados em EMNIST. O conjunto de dados está incluído em bibliotecas populares de aprendizado de máquina, como PyTorch e TensorFlow, tornando-o facilmente acessível para experimentação.
Relação com MNIST
EMNIST é projetado como um substituto direto para MNIST, com o mesmo tamanho e formato de imagem. No entanto, a inclusão de letras aumenta a dificuldade: o número de classes sobe de 10 para até 62, e a similaridade entre classes é maior. Isso torna EMNIST um benchmark mais realista para reconhecimento de escrita manual em aplicações do mundo real, como triagem de correspondência postal e processamento de formulários. Muitos estudos relatam que modelos que alcançam precisão quase perfeita no MNIST veem uma queda significativa no EMNIST, destacando a necessidade de métodos mais robustos.
Limitações e Extensões
Apesar de seu escopo mais amplo, EMNIST ainda tem limitações. Ele é derivado de uma única fonte (NIST), então pode não capturar a diversidade completa de estilos de escrita entre diferentes populações. As imagens também são pré-processadas para serem centralizadas e normalizadas, o que reduz a variabilidade. Para abordar essas questões, pesquisadores criaram extensões como Fashion-MNIST (imagens de roupas) e Kuzushiji-MNIST (caracteres japoneses), mas EMNIST permanece uma linha de base amplamente utilizada. A partir do início dos anos 2020, EMNIST continua a ser citado em centenas de artigos anualmente, e é frequentemente usado em ambientes educacionais para ensinar conceitos de aprendizado profundo.