/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Perch-onnx
Библиотека
pytorch
Опубликована
28 авг 2026

perch2-torch

Классификация аудиоАудио → label

PyTorch-реализация PERCH 2 классифицирует биоакустические аудиозаписи, включая вокализации птиц, и извлекает 1536-мерные аудиоэмбеддинги.

0скачиваний за 30 дней0лайковвеса обновлены10 окт 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

DAS-DeepAudioSegmenter/perch2-torch — реализация модели PERCH 2 на PyTorch для классификации биоакустических записей и получения аудиоэмбеддингов. Репозиторий содержит полную модель с классификационной головой на 14 795 классов и эмбеддингами размерности 1536; модель принимает монофонический звук с частотой 32 кГц. Записи длиннее пяти секунд обрабатываются перекрывающимися окнами с последующим объединением результатов.

Модель предназначена для распознавания классов звуков в биоакустических данных, в частности вокализаций птиц, а также для извлечения глобальных и временных признаков аудио. Выход включает лог-мел-спектрограмму, пространственные эмбеддинги и некалиброванные логиты классов; пороги классификации следует настраивать под целевые данные. Модель собрана на основе justinchuby/Perch-onnx и wrice/perch-v2-efficientnet-b3. Лицензия — Apache-2.0.

Сценарии применения

  • классификация вокализаций птиц в полевых аудиозаписях
  • поиск звуковых классов в биоакустических записях
  • извлечение аудиоэмбеддингов для последующего анализа
  • анализ длинных монофонических записей с частотой 32 кГц

Ограничения

Вход должен быть монофоническим аудио с частотой 32 кГц. Логиты классов не откалиброваны, поэтому пороги нужно настраивать под целевые данные.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PERCH 2 PyTorch

PyTorch implementation of the complete PERCH 2 waveform model for bioacoustic classification and 1536-dimensional audio embeddings.

Only need embeddings? perch2-torch-embed has the same frontend and backbone without the label head, as a single torch.export file (47.6 MB instead of 408 MB). It loads with PyTorch alone, and comes with a small helper that returns avg-pooled, max-pooled and temporal embeddings for audio of any length.

Load From Hugging Face

import torch

model = torch.hub.load("janclemenslab/perch2_torch", "perch_v2").eval()
waveform = torch.zeros(5 * 32_000)  # Mono 32 kHz audio.

with torch.no_grad():
    outputs = model(waveform)

index = outputs["label"][0].argmax()
print(model.labels[index])

This call downloads perch_v2_torch.pt from this Hugging Face repository and caches it locally.

Inputs are mono, 32 kHz waveforms with shape (time,) or (batch, time). Audio longer than five seconds is processed in overlapping windows and pooled.

Outputs

  • embedding: (batch, 1536) global embedding
  • spatial_embedding: (batch, time, frequency, 1536) unpooled embedding
  • spectrogram: log-mel spectrogram
  • label: (batch, 14795) uncalibrated class logits

model.labels[index] maps a logit index to its embedded class name. Thresholds should be calibrated for the target data.

Reproducibility

The conversion code, demo notebook, and verification command are available in janclemenslab/perch2_torch.

Attribution And License

Derived from the Apache-2.0 PERCH ONNX model and Apache-2.0 wrice EfficientNet-B3 checkpoint. The class taxonomy comes from the Apache-2.0 PERCH model release.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · audio-classification

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
00ebaa9

0 моделей