/ 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
1 окт 2026

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

Классификация аудиоАудио → label3 профессии

AST, дообученный на GTZAN, классифицирует короткие аудиофрагменты по десяти музыкальным жанрам.

29скачиваний за 30 дней0лайковвеса обновлены1 окт 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 разработана Zorlu5454 и представляет собой Audio Spectrogram Transformer (AST), дообученный на базе MIT/ast-finetuned-audioset-10-10-0.4593 для классификации музыкальных жанров. В модели заменена исходная голова классификации AudioSet на линейную голову из 10 классов; дообучалась вся сеть. Размер модели — 113,2 млн параметров.

Модель принимает монофонические аудиофрагменты длительностью около 10 секунд, приведённые к частоте 16 кГц, и относит их к одному из жанров: блюз, классика, кантри, диско, хип-хоп, джаз, металл, поп, регги или рок. На тесте GTZAN указана точность 0,8978 для фрагментов; при усреднении оценок по фрагментам точность на уровне клипов составила 0,9133. Для трека длительностью 30 секунд README рекомендует классифицировать три непересекающихся 10-секундных фрагмента и усреднять их оценки.

Модель предназначена для распознавания жанров музыки, а не для общей классификации звуковых событий. GTZAN — небольшой набор данных с известными проблемами дубликатов, ошибочных меток и повторов исполнителей, поэтому реальная точность может быть ниже приведённых результатов. Лицензия — BSD-3-Clause.

Сценарии применения

  • определение жанра 10-секундного музыкального фрагмента
  • автоматическая разметка музыкальной библиотеки по жанрам
  • классификация блюза, классики, кантри, диско и других жанров
  • оценка жанра полной 30-секундной композиции по её фрагментам

Ограничения

Обучение и оценка выполнены на небольшом наборе GTZAN, в котором есть дубликаты, ошибочные метки и повторы исполнителей; качество на реальной музыке может быть ниже указанного. Для 30-секундной композиции рекомендуется усреднять оценки трёх 10-секундных фрагментов.

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:

  • Accuracy: 0.8978
  • Loss: 0.5666

Model description

Audio Spectrogram Transformer (AST) pre-trained on AudioSet, fine-tuned for 10-class music genre classification on GTZAN (Unit 4 hands-on exercise of the Hugging Face Audio Course). The 527-class AudioSet head is replaced by a new 10-class linear head; the whole network is fine-tuned.

Intended uses & limitations

Music genre classification of ~10 s, 16 kHz mono excerpts into: blues, classical, country, disco, hiphop, jazz, metal, pop, reggae, rock. GTZAN is small (1000 x 30 s clips) and known to contain duplicates, mislabelings and artist repetition, so accuracy on real-world music will be lower than reported here. For a full 30 s track, average the logits of its 10 s chunks.

Training and evaluation data

marsyas/gtzan (999 decodable clips). Clips are resampled to 16 kHz and cut into three non-overlapping 10 s chunks (AST input: 1024 frames x 128 mel bins). The train/validation split is stratified by genre and done by clip (85/15, seed 42), so chunks of one clip never appear in both sets: 2547 train chunks, 450 validation chunks (150 clips). Training uses SpecAugment-style time/frequency masking.

The reported accuracy is chunk-level. Averaging chunk logits per clip gives a clip-level accuracy of 0.9133 on the 150 validation clips.

Code: https://github.com/emrezorlu1239/course-projects/tree/main/huggingface-audio-course (unit4_genre_classifier/).

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 3e-05
  • train_batch_size: 8
  • eval_batch_size: 16
  • 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: cosine
  • lr_scheduler_warmup_steps: 0.1
  • num_epochs: 8.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepAccuracyValidation Loss
0.37161.01600.80890.6062
0.30052.03200.84890.5623
0.11213.04800.87780.4137
0.03924.06400.84440.7292
0.00635.08000.880.5956
0.00336.09600.88890.5626
0.00697.011200.89560.5770
0.00098.012800.89780.5666

Framework versions

  • Transformers 5.18.0
  • Pytorch 2.11.0+cu128
  • Datasets 5.0.1
  • Tokenizers 0.23.2

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
e3ccad0

0 моделей