/ Модель

Характеристики

Лицензия
MIT
Архитектура
SMT · dense
Базовая модель
smt-grandstaff
Библиотека
transformers
Опубликована
22 мар 2026

jazzmus-model

Генерация текстаТекст → текст3 профессии

Модель распознаёт рукописные джазовые лид-листы и переводит изображения нот с мелодией и аккордами в нотацию Humdrum.

396скачиваний за 30 дней1лайквеса обновлены22 мар 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

JAZZMUS — модель оптического распознавания нот, разработанная для рукописных джазовых лид-листов. Она преобразует изображения нотной записи с мелодией и аккордовыми обозначениями в текстовую нотацию Humdrum **kern или **mxhm. Модель предназначена для транскрибирования нот и аккордов; репозиторий также содержит детектор нотных станов YOLOv11 для обработки целых страниц.

В основе лежит Sheet Music Transformer: энкодер ConvNeXt и декодер Transformer. Модель smt-grandstaff дообучена на наборах JAZZMUS с рукописными и синтетическими примерами. Веса доступны в формате safetensors, лицензия — MIT.

Распознавание аккордов сложнее распознавания мелодии, и часть ошибок связана с аккордовыми символами. Модель может пропускать альтерации, подразумеваемые тональностью; качество также может снижаться на стилях нотной записи, не представленных в обучающих данных, например на печатных коммерческих лид-листах и музыке других жанров.

Сценарии применения

  • транскрибирование мелодии с изображения рукописного лид-листа
  • распознавание аккордовых обозначений в джазовых нотах
  • преобразование нотной записи в формат Humdrum **kern
  • обработка целых страниц нотной записи с выделением нотных станов
  • оцифровка рукописных джазовых партитур

Ограничения

Распознавание аккордов менее надёжно, чем мелодии; модель иногда пропускает альтерации, подразумеваемые тональностью. Качество может снижаться на печатных коммерческих нотах и жанрах, не представленных в обучающих данных; обработка целой страницы зависит от детектора нотных станов YOLOv11.

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

JAZZMUS — OMR for Jazz Lead Sheets

An end-to-end Optical Music Recognition model that transcribes handwritten jazz lead sheet images (melody + chords) into Humdrum **kern / **mxhm notation.

Paper: Optical Music Recognition of Jazz Lead Sheets — ISMIR 2025

Overview

This model addresses the challenge of recognising handwritten jazz lead sheets, a score type that encodes melody and chord symbols. Chords are a score component not handled by existing OMR systems, and handwritten images exhibit high variability and quality issues.

The model is a Sheet Music Transformer (SMT) — a ConvNeXt encoder paired with a Transformer decoder — pretrained on polyphonic piano scores (antoniorv6/smt-grandstaff) and fine-tuned on the JAZZMUS dataset (handwritten + synthetic lead sheets) using medium-level tokenisation.

A YOLOv11 staff detector is bundled in this repository to enable full-page inference.

Quick Start

Command-line inference

Clone the repository and install dependencies:

git clone https://github.com/JuanCarlosMartinezSevilla/ISMIR-Jazzmus.git
cd ISMIR-Jazzmus
pip install -e ".[predict]"

Transcribe a full-page lead sheet image:

# Print to stdout
python predict.py page.jpg

# Save to a .krn file
python predict.py page.jpg -o output.krn

# Print and save
python predict.py page.jpg -o output.krn -p

# Process multiple pages
python predict.py page1.jpg page2.jpg -o results/

The script automatically downloads the SMT model and YOLO staff detector weights from this repository.

Programmatic usage

import torch
from safetensors.torch import load_file
from torch.nn import Conv1d
from huggingface_hub import hf_hub_download

from jazzmus.model.smt.configuration_smt import SMTConfig
from jazzmus.model.smt.modeling_smt import SMTModelForCausalLM

REPO_ID = "JuanCarlosMartinezSevilla/jazzmus-model"

# Load config and weights
config = SMTConfig.from_pretrained(REPO_ID)
weights_path = hf_hub_download(repo_id=REPO_ID, filename="model.safetensors")
sd = load_file(weights_path)

# Build model (handles pretrained embedding / output layer size mismatch)
embed_size = sd["decoder.embedding.weight"].shape[0]
out_size = sd["decoder.out_layer.weight"].shape[0]
config.out_categories = embed_size
model = SMTModelForCausalLM(config)
if embed_size != out_size:
    model.decoder.out_layer = Conv1d(config.d_model, out_size, kernel_size=1)
model.load_state_dict(sd, strict=True)
config.out_categories = out_size

model.eval()

Datasets

This model was trained on:

DatasetDescription
PRAIG/JAZZMUS293 handwritten jazz lead sheet page images with ground truth
PRAIG/JAZZMUS_staffLevel2021 region-level staff crops used for training
PRAIG/JAZZMUS_Synthetic326 synthetic lead sheet images (Classical + MuseJazz fonts)

Limitations

  • The model operates at staff-region level; full-page inference depends on the bundled YOLO staff detector.
  • Chord recognition is harder than melody recognition — most errors involve chord symbols (see qualitative analysis in the paper).
  • Implicit accidentals from key signatures are sometimes missed.
  • Performance may degrade on score styles not represented in the training set (e.g., printed commercial lead sheets, non-jazz genres).

Citation

@inproceedings{juan_carlos_martinez_sevilla_2025_17811464,
  author       = {Juan Carlos Martinez-Sevilla and
                  Francesco Foscarin and
                  Patricia Garcia-Iasci and
                  David Rizo and
                  Jorge Calvo-Zaragoza and
                  Gerhard Widmer},
  title        = {Optical Music Recognition of Jazz Lead Sheets},
  booktitle    = {Proceedings of the 26th International Society for
                   Music Information Retrieval Conference},
  year         = 2025,
  pages        = {710-716},
  publisher    = {ISMIR},
  month        = sep,
  venue        = {Daejeon, South Korea and Online},
  doi          = {10.5281/zenodo.17811464},
  url          = {https://doi.org/10.5281/zenodo.17811464},
}

Links

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура SMT неизвестна transformers в образе рантайма.

Класс архитектуры
SMTModelForCausalLM
Ревизия весов
b38466e

0 моделей