Характеристики

Параметры: 18,9 млн
Лицензия: Apache 2.0
Архитектура: hubert · dense
Базовая модель: distilhubert
Опубликована: 20 мар 2024

Ссылки

Hugging Face

distilhubert-finetuned-gtzan-v3

leofltt

Классификация текстаТекст → label3 профессии

Компактная модель HuBERT, дообученная на GTZAN для классификации музыкальных аудиозаписей по жанрам.

13скачиваний за 30 дней0лайковвеса обновлены20 мар 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

Модель leofltt/distilhubert-finetuned-gtzan-v3 — компактная аудиомодель на архитектуре HuBERT, дообученная на наборе GTZAN от ntu-spml/distilhubert. Она классифицирует аудиозаписи по музыкальным жанрам. В карточке указана точность 0,88 на eval-наборе; модель содержит 18,9 млн параметров и опубликована в формате safetensors.

Модель предназначена для автоматической классификации музыки на основе аудио. Базовая модель ориентирована на извлечение представлений из аудио с частотой 16 кГц. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

автоматическое определение жанра музыкальной записи
разметка музыкальной библиотеки по жанрам
классификация музыкальных фрагментов в аудиоколлекции

Ограничения

В карточке приведён результат accuracy 0,88 на eval-наборе, но подробности разбиения и методики оценки не описаны. Назначение модели ограничено классификацией аудио по данным GTZAN; универсальные возможности для других аудиозадач не заявлены.

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-v3

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: 0.4992
eval_accuracy: 0.88
eval_runtime: 31.4094
eval_samples_per_second: 3.184
eval_steps_per_second: 0.478
epoch: 8.0
step: 1032

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: 7
eval_batch_size: 7
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 15
mixed_precision_training: Native AMP

Framework versions

Transformers 4.38.2
Pytorch 2.2.1+cu121
Datasets 2.18.0
Tokenizers 0.15.2

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры hubert нет загрузчика под задачу text-classification.

Класс архитектуры: HubertForSequenceClassification
Ревизия весов: 069a98a