Характеристики

Параметры: 18,9 млн
Лицензия: Apache 2.0
Архитектура: hubert · dense
Базовая модель: distilhubert-finetuned-gtzan
Опубликована: 22 авг 2023

Ссылки

Hugging Face

distilhubert-finetuned-gtzan-finetuned-gtzan

KGSAGAR

Классификация текстаТекст → label

Дообученная модель HuBERT для классификации музыкальных аудиозаписей по жанрам на наборе GTZAN.

9скачиваний за 30 дней0лайковвеса обновлены24 авг 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

Это модель классификации аудио на базе HuBERT, дообученная разработчиком KGSAGAR на GTZAN поверх KGSAGAR/distilhubert-finetuned-gtzan. Она предназначена для распознавания музыкальных жанров по аудиозаписям; в карточке указана точность 0,99 на оценочной выборке. Модель содержит 18,9 млн параметров и распространяется в форматах PyTorch и Safetensors.

Модель подходит для автоматической категоризации музыкальных фрагментов и разметки аудиоколлекций. Она обучена на GTZAN, поэтому результаты за пределами этого набора данных и на аудио иных типов могут отличаться. Лицензия — Apache-2.0.

Сценарии применения

определение жанра музыкального фрагмента
автоматическая сортировка музыкальной коллекции по жанрам
разметка аудиозаписей для музыкального каталога

Ограничения

Карточка приводит точность 0,99 на оценочной выборке GTZAN, но не описывает ограничения и переносимость на другие наборы данных. Модель может хуже работать на аудио, отличающемся от обучающих музыкальных примеров.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilhubert-finetuned-gtzan-finetuned-gtzan

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

Loss: 0.0820
Accuracy: 0.99

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: 6e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 6

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.041	1.0	113	0.1119	0.98
0.343	2.0	226	0.1442	0.96
0.0148	3.0	339	0.1215	0.98
0.0033	4.0	452	0.1015	0.98
0.0021	5.0	565	0.0844	0.98
0.002	6.0	678	0.0820	0.99

Framework versions

Transformers 4.33.0.dev0
Pytorch 2.0.1+cu118
Datasets 2.14.4
Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры hubert нет загрузчика под задачу text-classification.

Класс архитектуры: HubertForSequenceClassification
Ревизия весов: 52bfeb3