Характеристики

Параметры: 18,9 млн
Лицензия: Apache 2.0
Архитектура: hubert · dense
Базовая модель: distilhubert
Библиотека: transformers
Опубликована: 3 авг 2026

Ссылки

Hugging Face

distilhubert-finetuned-gtzan

Janos98

Классификация текстаТекст → label3 профессии

Компактная модель HuBERT для классификации музыкальных аудиофрагментов по жанрам на основе GTZAN.

31скачиваний за 30 дней0лайковвеса обновлены15 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 дообучил компактную модель ntu-spml/distilhubert для классификации аудио на наборе GTZAN. Это модель HuBERT с архитектурой HubertForSequenceClassification и 18,9 млн параметров; она принимает аудио и выдаёт метку класса. На оценочной выборке GTZAN указаны accuracy 0,8197 и loss 0,9350. Модель подходит для классификации музыкальных аудиофрагментов по жанрам. Распространяется по лицензии Apache-2.0.

Сценарии применения

определение жанра музыкального фрагмента
автоматическая классификация аудиозаписей по музыкальным жанрам
разметка музыкальной коллекции по жанрам

Ограничения

На оценочной выборке GTZAN accuracy составляет 0,8197. Карточка не описывает иные ограничения или область обобщения модели.

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

distilhubert-finetuned-gtzan

This model is a fine-tuned version of ntu-spml/distilhubert on the GTZAN dataset. It achieves the following results on the evaluation set:

Loss: 0.9350
Accuracy: 0.8197

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: 32
eval_batch_size: 32
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
label_smoothing_factor: 0.1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.8535	1.0	169	1.7264	0.5275
1.2570	2.0	338	1.2368	0.6995
1.0383	3.0	507	1.0339	0.7679
0.9262	4.0	676	1.0621	0.7563
0.7975	5.0	845	0.9497	0.8030
0.7666	6.0	1014	0.9493	0.8047
0.7252	7.0	1183	0.9272	0.8230
0.7026	8.0	1352	0.9323	0.8197
0.6705	9.0	1521	0.9310	0.8197
0.6881	10.0	1690	0.9350	0.8197

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 · text-classification

Нельзя запустить

Для архитектуры hubert нет загрузчика под задачу text-classification.

Класс архитектуры: HubertForSequenceClassification
Ревизия весов: 233065e