/ Модель

Характеристики

Параметры
456 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-medium.en
Опубликована
21 дек 2023

whisper-medium.en-finetuned-gtzan

Классификация аудиоАудио → label3 профессии

Дообученная на GTZAN модель Whisper классифицирует аудиозаписи по музыкальным жанрам.

24скачиваний за 30 дней7лайковвеса обновлены25 дек 2023

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

JackismyShephard/whisper-medium.en-finetuned-gtzan — дообученная модель Whisper medium.en на наборе GTZAN для классификации аудио. В метаданных указана архитектура WhisperForAudioClassification, около 455,8 млн параметров и формат safetensors. Базовая модель разработана OpenAI и предназначена для англоязычного распознавания речи.

Модель подходит для отнесения аудиозаписей к классам музыкальных жанров GTZAN. В карточке сообщается точность 0,95 и значение loss 0,2885 на наборе оценки. Модель принимает аудио и выдаёт метки классов; других поддерживаемых наборов классов карточка не описывает. Лицензия — Apache-2.0.

Сценарии применения

  • Классификация музыкальных фрагментов по жанрам GTZAN
  • Автоматическая разметка музыкальной коллекции по жанрам
  • Создание меток жанров для аудиозаписей в датасете

Ограничения

Показатели качества приведены для оценочного набора GTZAN; карточка не сообщает о качестве на других жанровых наборах или типах аудио. Англоязычная базовая модель Whisper сама по себе не подтверждает поддержку языковой классификации.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

whisper-medium.en-finetuned-gtzan

This model is a fine-tuned version of openai/whisper-medium.en on the GTZAN dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2885
  • Accuracy: 0.95

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: 1e-05
  • train_batch_size: 2
  • eval_batch_size: 2
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 8
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 16
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossAccuracy
1.77111.01121.65560.52
0.54772.02250.47380.85
0.5353.03370.31370.92
0.2314.04500.36130.9
0.19235.05620.28850.95
0.05846.06750.65310.86
0.17837.07870.57170.9
0.00228.09000.42050.91
0.10329.010120.49840.91
0.001110.011250.37780.94
0.010411.012370.37090.94
0.001112.013500.45640.92
0.000913.014620.37960.94
0.000814.015750.38800.94
0.000815.016870.39300.94
0.000815.9317920.39550.94

Framework versions

  • Transformers 4.37.0.dev0
  • Pytorch 2.1.2+cu118
  • Datasets 2.15.0
  • Tokenizers 0.15.0

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForAudioClassification
Ревизия весов
f2c3b3d

0 моделей