/ Модель

Характеристики

Лицензия
MIT
Архитектура
SMT · dense
Опубликована
12 авг 2024

smt-camera-grandstaff

Генерация текстаТекст → текст3 профессии

Sheet Music Transformer распознаёт изображения фортепианных нотных систем и преобразует их в текстовую транскрипцию.

2 335скачиваний за 30 дней4лайкавеса обновлены7 сен 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

Sheet Music Transformer — модель AntonioRV6, дообученная на наборе Camera GrandStaff для транскрипции изображений нотных систем с фортепианной партитурой. Она принимает изображение нотной системы и авторегрессионно генерирует текстовое представление транскрипции.

Архитектура состоит из визуального энкодера ConvNeXt и текстового декодера на классическом Transformer. Модель предназначена для распознавания фортепианной нотации на фотографиях или изображениях нотных листов. Лицензия — MIT.

Модель специализирована на данных Camera GrandStaff; заявленное применение ограничено транскрипцией изображений фортепианной нотации. README не сообщает о поддержке других инструментов или музыкальных форматов.

Сценарии применения

  • транскрипция фортепианной партитуры с фотографии
  • распознавание нот на изображении нотного листа
  • преобразование изображения нотной системы в текстовое представление

Ограничения

Модель дообучена на Camera GrandStaff и предназначена только для транскрипции изображений фортепианной нотации; качество на других инструментах и типах музыкальных изображений не заявлено.

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

Sheet Music Transformer (base model, fine-tuned on the Camera Grandstaff dataset)

The SMT model fine-tuned on the Camera GrandStaff dataset for pianoform transcription. The code of the model is hosted in this repository.

Model description

The SMT model consists of a vision encoder (ConvNext) and a text decoder (classic Transformer). Given an image of a music system, the encoder first encodes the image into a tensor of embeddings (of shape batch_size, seq_len, hidden_size), after which the decoder autoregressively generates text, conditioned on the encoding of the encoder.

Intended uses & limitations

This model is fine-tuned on the Camera GrandStaff dataset, its use is limited to transcribe pianoform images only.

BibTeX entry and citation info

@misc{RiosVila2024,
      title={Sheet Music Transformer: End-To-End Optical Music Recognition Beyond Monophonic Transcription}, 
      author={Antonio Ríos-Vila and Jorge Calvo-Zaragoza and Thierry Paquet},
      year={2024},
      eprint={2402.07596},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2402.07596}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура SMT неизвестна transformers в образе рантайма.

Класс архитектуры
SMTModelForCausalLM
Ревизия весов
9c13556

0 моделей