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: 10 сен 2026

Ссылки

Hugging Face

ast-gtzan

gaganmittal2023

Классификация аудиоАудио → label3 профессии

Дообученная на GTZAN модель AST для классификации аудиофрагментов по музыкальным жанрам.

25скачиваний за 30 дней0лайковвеса обновлены10 сен 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 gaganmittal2023/ast-gtzan — модель классификации аудио на основе Audio Spectrogram Transformer (AST), дообученная автором на наборе GTZAN. Она принимает аудио и предназначена для распознавания музыкальных жанров. В основе лежит MIT/ast-finetuned-audioset-10-10-0.4593 — AST, дообученная на AudioSet; модель содержит 113,2 млн параметров и сохранена в формате Safetensors для Transformers.

В README указана точность 0,885 и значение loss 0,4088 на оценочном наборе. Модель подходит для классификации музыкальных фрагментов в жанровых категориях. Лицензия — BSD 3-Clause. Сведения о составе классов и ограничениях оценки в карточке не раскрыты.

Сценарии применения

распознавание жанра музыкального фрагмента
автоматическая сортировка музыкальной библиотеки по жанрам
добавление жанровых меток к аудиозаписям

Ограничения

В карточке приведены метрики на оценочном наборе, но не описаны состав классов и условия оценки. Качество на других жанрах и аудиоданных не указано.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

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: 0.4088
Accuracy: 0.885

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
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
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.6612	1.0	100	0.6092	0.805
0.3836	2.0	200	0.6416	0.8
0.1854	3.0	300	0.4391	0.865
0.0247	4.0	400	0.7096	0.82
0.0255	5.0	500	0.4970	0.875
0.0006	6.0	600	0.4860	0.855
0.0006	7.0	700	0.4456	0.885
0.0002	8.0	800	0.4370	0.89
0.0314	9.0	900	0.4168	0.885
0.0046	10.0	1000	0.4097	0.885

Framework versions

Transformers 5.17.0
Pytorch 2.11.0+cu128
Datasets 5.0.1
Tokenizers 0.23.1

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: e3110af