/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
timm
Опубликована
16 ноя 2023

vit_base_patch16_1024_128.audiomae_as2m_ft_as20k

Классификация аудиоАудио → label3 профессии

AudioMAE ViT-B/16, портированная для timm и дообученная на AudioSet-20K, классифицирует аудиозаписи и служит основой для извлечения признаков.

441скачиваний за 30 дней2лайкавеса обновлены4 апр 2025

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

Это модель AudioMAE ViT-B/16, перенесённая в формат библиотеки timm разработчиком gaunernst. Она представляет собой Vision Transformer, применённый для анализа аудио: предварительно обучена методом masked autoencoder на AudioSet-2M и дообучена для классификации аудио на AudioSet-20K. Модель предназначена для классификации звуковых записей и может использоваться как backbone для извлечения аудиопризнаков.

Модель принимает аудио и выдаёт классы звуков; также README указывает на использование для получения эмбеддингов. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

Сценарии применения

  • классификация звуковых событий в аудиозаписях
  • распознавание бытовых и окружающих звуков
  • анализ аудиозаписей с помощью извлечённых признаков

Ограничения

Карточка не описывает показатели качества и ограничения применения. Для работы с аудио требуется совместимый входной формат и препроцессинг timm.

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

Model card for vit_base_patch16_1024_128.audiomae_as2m_ft_as20k

A Vision Transformer (ViT) for audio. Pretrained on AudioSet-2M with Self-Supervised Masked Autoencoder (MAE) method, and fine-tuned on AudioSet-20k.

Model Details

Model Usage

Audio Classification and Embeddings

import timm
import torch
import torch.nn.functional as F
from torchaudio.compliance import kaldi

# NOTE: for timm<0.9.11, you also need to pass `global_pool='avg'`
# if only embeddings are needed, pass `num_classes=0`
model = timm.create_model("hf_hub:gaunernst/vit_base_patch16_1024_128.audiomae_as2m_ft_as20k", pretrained=True)
model = model.eval()

MEAN = -4.2677393
STD = 4.5689974

audio = torch.randn(1, 10 * 16_000)  # make sure input is 16kHz
melspec = kaldi.fbank(audio, htk_compat=True, window_type="hanning", num_mel_bins=128)  # shape (n_frames, 128)

# AudioMAE only accepts 1024-frame input
if melspec.shape[0] < 1024:
    melspec = F.pad(melspec, (0, 0, 0, 1024 - melspec.shape[0]))
else:
    melspec = melspec[:1024]
melspec = (melspec - MEAN) / (STD * 2)

melspec = melspec.view(1, 1, 1024, 128)  # add batch dim and channel dim
output = model(melspec)

# for classification
top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

# for embeddings
output  # shape (1, 768)

Citation

@inproceedings{huang2022amae,
  title = {Masked Autoencoders that Listen},
  author = {Huang, Po-Yao and Xu, Hu and Li, Juncheng and Baevski, Alexei and Auli, Michael and Galuba, Wojciech and Metze, Florian and Feichtenhofer, Christoph}
  booktitle = {NeurIPS},
  year = {2022}
}
@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · audio-classification

Нельзя запустить

timm-модели запускаются только для классификации и признаков изображений.

Ревизия весов
49cfdfa

0 моделей