Характеристики

Параметры: 18,9 млн
Лицензия: Apache 2.0
Архитектура: hubert · dense
Базовая модель: distilhubert
Библиотека: transformers
Опубликована: 29 апр 2024

Ссылки

Hugging Face

distilhubert-finetuned-gtzan

imrajeshkr

Классификация текстаТекст → label3 профессии

Компактная модель на базе DistilHuBERT классифицирует аудио по музыкальным жанрам на данных GTZAN.

167скачиваний за 30 дней0лайковвеса обновлены18 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 imrajeshkr/distilhubert-finetuned-gtzan — дообученная на наборе GTZAN версия компактной аудиомодели DistilHuBERT от NTU. Она построена на архитектуре HuBERT и содержит 18,9 млн параметров; предназначена для классификации аудиозаписей по музыкальным жанрам.

В README указана точность 0,87 на оценочной выборке, однако подробности протокола оценки и ограничения применения не приведены. Модель принимает аудио и выдаёт метку класса. Распространяется по лицензии Apache-2.0.

Сценарии применения

Определение музыкального жанра аудиозаписи
Автоматическая сортировка музыкальной библиотеки по жанрам
Разметка музыкальных фрагментов для каталога
Создание жанровых тегов для аудиоколлекции

Ограничения

В README указана точность 0,87 на оценочной выборке, но не описаны методика оценки и состав классов. Назначение и качество за пределами жанровых данных GTZAN не установлены.

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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilhubert-finetuned-gtzan

This model is a fine-tuned version of ntu-spml/distilhubert on the GTZAN dataset. It achieves the following results on the evaluation set:

eval_loss: 0.8970
eval_model_preparation_time: 0.0018
eval_accuracy: 0.87
eval_runtime: 443.4759
eval_samples_per_second: 0.225
eval_steps_per_second: 0.029
epoch: 0
step: 0

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
lr_scheduler_warmup_steps: 100
num_epochs: 10
mixed_precision_training: Native AMP
label_smoothing_factor: 0.1

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cpu
Datasets 2.19.0
Tokenizers 0.23.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Для архитектуры hubert нет загрузчика под задачу text-classification.

Класс архитектуры: HubertForSequenceClassification
Ревизия весов: f858f63