Характеристики

Параметры: 113 млн
Лицензия: BSD 3-Clause
Архитектура: audio-spectrogram-transformer · dense
Базовая модель: ast-finetuned-audioset-10-10-0.4593
Библиотека: transformers
Опубликована: 22 авг 2026

Ссылки

Hugging Face

ast-gtzan-exp05

Bunny2308

Классификация аудиоАудио → label3 профессии

AST-модель, дообученная на GTZAN для классификации аудиозаписей по классам.

15скачиваний за 30 дней0лайковвеса обновлены22 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Bunny2308/ast-gtzan-exp05 — модель классификации аудио, дообученная на наборе GTZAN от MIT/ast-finetuned-audioset-10-10-0.4593. Она использует архитектуру Audio Spectrogram Transformer (AST), основанную на Vision Transformer, и содержит 113,2 млн параметров. Модель предназначена для отнесения аудиозаписей к классам; в оценке на GTZAN указаны точность 0,91 и функция потерь 0,3180.

Модель принимает аудио и выдаёт метки классов. Лицензия — BSD 3-Clause. Данные не уточняют набор классов, длительность входных записей или ограничения за пределами оценки на GTZAN.

Сценарии применения

классификация музыкальных аудиозаписей из GTZAN
распознавание жанров музыки в аудиофрагментах
назначение класса музыкальной записи для аудиоколлекции

Ограничения

Указанные метрики получены на оценочной выборке GTZAN и не подтверждают качество на других аудиоданных. Набор классов и допустимые параметры аудиовхода в карточке не описаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MIT/ast-finetuned-audioset-10-10-0.4593-finetuned-gtzan

This model is a fine-tuned version of MIT/ast-finetuned-audioset-10-10-0.4593 on the GTZAN dataset. It achieves the following results on the evaluation set:

Loss: 0.3180
Accuracy: 0.91

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 4
eval_batch_size: 4
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 8
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 100
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.9131	1.0	113	0.6226	0.76
0.2889	2.0	226	0.8529	0.76
0.0882	3.0	339	0.6815	0.82
0.0534	4.0	452	0.4117	0.88
0.0012	5.0	565	0.4577	0.88
0.0003	6.0	678	0.3213	0.91
0.0002	7.0	791	0.3223	0.92
0.0001	8.0	904	0.3209	0.89
0.0001	9.0	1017	0.3188	0.89
0.0001	10.0	1130	0.3188	0.9

Framework versions

Transformers 5.15.0
Pytorch 2.11.0+cu128
Datasets 2.21.0
Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ASTForAudioClassification
Ревизия весов: e207385