/ Модель

Характеристики

Параметры
28,3 млн
Лицензия
BSD 3-Clause
Архитектура
audio-spectrogram-transformer · dense
Опубликована
10 янв 2024

ssast-small-patch-audioset-16-16

Классификация аудиоАудио → label3 профессии

Предобученный на AudioSet и LibriSpeech аудиотрансформер SSAST, требующий дообучения классификационной головы перед классификацией звука.

1 482скачиваний за 30 дней1лайквеса обновлены4 июл 2024

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

Simon-Kotchou/ssast-small-patch-audioset-16-16 — модель Self-Supervised Audio Spectrogram Transformer (SSAST) для анализа аудио, основанная на архитектуре Vision Transformer, применённой к спектрограммам. Модель предобучена на AudioSet и LibriSpeech; в репозитории указано 28,3 млн параметров. Классификационная голова не обучена, поэтому перед классификацией её необходимо дообучить на целевой задаче.

Модель предназначена для построения систем классификации аудио после настройки классификационной головы. Она принимает аудио, преобразованное в спектрограмму, и выдаёт классовые оценки. Для работы используется Transformers; веса опубликованы в формате safetensors. Лицензия — BSD 3-Clause.

Сценарии применения

  • дообучение классификатора звуковых событий
  • классификация аудиозаписей после настройки головы
  • создание модели распознавания классов звуков на основе предобученного аудиотрансформера

Ограничения

Классификационная голова не инициализирована обученными весами, поэтому модель нельзя применять для классификации без дообучения этой головы. Языковая поддержка модели не указана; предобучение включает датасет LibriSpeech.

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

Self Supervised Audio Spectrogram Transformer (pretrained on AudioSet/Librispeech)

Self Supervised Audio Spectrogram Transformer (SSAST) model with uninitialized classifier head. It was introduced in the paper SSAST: Self-Supervised Audio Spectrogram Transformer by Gong et al. and first released in this repository.

Disclaimer: The team releasing Audio Spectrogram Transformer did not write a model card for this model.

Model description

The Audio Spectrogram Transformer is equivalent to ViT, but applied on audio. Audio is first turned into an image (as a spectrogram), after which a Vision Transformer is applied. The model gets state-of-the-art results on several audio classification benchmarks.

Usage

The model is pretrained on a massive amount of audio. Please finetune the classifier head before use, as it comes uninitialized.

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ASTForAudioClassification
Ревизия весов
5c58230

0 моделей