/ 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
19 авг 2026

ast-finetuned-gtzan

Классификация аудиоАудио → label3 профессии

Дообученная на GTZAN модель AST классифицирует музыкальные аудиозаписи по жанрам.

14скачиваний за 30 дней0лайковвеса обновлены19 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

LVanesa/ast-finetuned-gtzan — модель классификации аудио, дообученная на наборе GTZAN на базе MIT/ast-finetuned-audioset-10-10-0.4593. Она использует архитектуру Audio Spectrogram Transformer (AST), основанную на Vision Transformer, и содержит 113,2 млн параметров. Модель предназначена для классификации музыкального аудио; на оценочной выборке GTZAN указаны loss 0,3877 и accuracy 0,9164.

Модель принимает аудио и выдаёт метку класса. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Лицензия — BSD 3-Clause. Карточка не описывает подробные ограничения и не приводит сведения о поддерживаемых языках.

Сценарии применения

  • классификация музыкальных записей по жанрам GTZAN
  • автоматическая разметка музыкальной коллекции по жанрам
  • определение жанра музыкального фрагмента
  • оценка качества классификации музыкальных жанров на GTZAN

Ограничения

В README не приведены подробные ограничения и условия оценки, кроме метрик на оценочной выборке GTZAN; результаты на других жанрах и типах аудио не описаны.

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-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: 0.3877
  • Accuracy: 0.9164

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: 5e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 16
  • 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: 100
  • num_epochs: 8
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossAccuracy
0.51931.01690.45980.8361
0.24362.03380.59510.8462
0.07873.05070.61610.8562
0.03334.06760.44870.8963
0.00355.08450.41080.9197
0.00026.010140.38630.9197
0.00017.011830.38510.9231
0.00328.013520.38770.9164

Framework versions

  • Transformers 5.15.0
  • 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
1ec03f2

0 моделей