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: 16 авг 2026

Ссылки

Hugging Face

ast-finetuned-gtzan

Janos98

Классификация аудиоАудио → label3 профессии

AST, дообученная на GTZAN, классифицирует музыкальные аудиозаписи по жанрам.

15скачиваний за 30 дней0лайковвеса обновлены16 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

Janos98 разработал AST-модель, дообученную на наборе GTZAN для классификации аудио по музыкальным жанрам. Она основана на MIT/ast-finetuned-audioset-10-10-0.4593 и использует архитектуру Audio Spectrogram Transformer (AST), построенную на Vision Transformer. Модель содержит 113,2 млн параметров и принимает аудио, выдавая метку класса.

На оценочном наборе GTZAN указаны loss 0,4226 и accuracy 0,89. Модель подходит для распознавания жанров музыки в аудиозаписях. Её точность за пределами GTZAN не описана, поэтому качество на других жанрах и типах аудио может отличаться. Лицензия — BSD 3-Clause.

Сценарии применения

определение жанра музыкальной записи
автоматическая сортировка музыкальной библиотеки по жанрам
добавление жанровых меток к аудиофайлам

Ограничения

В README приведены результаты только на оценочном наборе GTZAN (accuracy 0,89); качество на других данных не описано.

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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ast-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: 0.4226
Accuracy: 0.89

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: 3e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
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: cosine
lr_scheduler_warmup_steps: 0.1
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.7520	1.0	57	0.5558	0.84
0.3352	2.0	114	0.4808	0.83
0.1013	3.0	171	0.4496	0.84
0.0380	4.0	228	0.6519	0.85
0.0399	5.0	285	0.3841	0.89
0.0105	6.0	342	0.4051	0.88
0.0005	7.0	399	0.4256	0.87
0.0005	8.0	456	0.4204	0.89
0.0005	9.0	513	0.4224	0.89
0.0005	10.0	570	0.4226	0.89

Framework versions

Transformers 5.13.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
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: 2b2a1b0