/ Модель

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
30 июн 2026

ast-finetuned-audioset-10-10-0.4593-finetuned-gtzan

Классификация аудиоАудио → label3 профессии

Дообученная на GTZAN модель AST классифицирует аудиозаписи по музыкальным жанрам.

9скачиваний за 30 дней0лайковвеса обновлены30 июн 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

Модель Joshuajdarby/ast-finetuned-audioset-10-10-0.4593-finetuned-gtzan — дообученная на наборе GTZAN модель MIT/ast-finetuned-audioset-10-10-0.4593 для классификации аудио. Она использует архитектуру Audio Spectrogram Transformer на основе Vision Transformer и содержит 113,2 млн параметров. Модель предназначена для распознавания музыкальных жанров по аудиозаписям. В README указаны accuracy 0,91 и loss 0,4138 на оценочной выборке; эти результаты относятся к указанной оценке и не гарантируют качество на других данных. Модель распространяется по лицензии BSD-3-Clause.

Сценарии применения

  • определение музыкального жанра аудиозаписи
  • автоматическая категоризация музыкальной библиотеки
  • разметка музыкальных треков по жанрам

Ограничения

README приводит результаты только на оценочной выборке GTZAN; качество на других данных не установлено. В карточке отсутствуют подробности о диапазоне жанров и ограничениях применения.

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

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: 0.4138
  • 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: 3e-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: 0.1
  • num_epochs: 10
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossAccuracy
0.68631.01130.47800.85
0.29752.02260.79340.79
0.17643.03390.74000.8
0.02184.04520.43520.87
0.00115.05650.55660.84
0.04396.06780.58110.86
0.02947.07910.43320.89
0.00028.09040.41920.91
0.00029.010170.41500.91
0.000210.011300.41380.91

Framework versions

  • Transformers 5.12.1
  • Pytorch 2.12.1+cu130
  • Datasets 3.6.0
  • 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
05e982d

0 моделей