/ Модель

Характеристики

Параметры
113 млн
Лицензия
CC BY-NC 4.0
Архитектура
mert_model · dense
Опубликована
14 мар 2023

MERT-v0-public

ЭмбеддингиТекст → embedding3 профессии

MERT-v0-public извлекает признаки из музыкального аудио для последующего анализа и задач понимания музыки.

194скачиваний за 30 дней8лайковвеса обновлены2 июн 2023

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

MERT-v0-public — модель семейства Music Audio Pre-training (MERT), разработанная командой m-a-p для извлечения представлений из музыкального аудио. Это 95-миллионная трансформерная модель с 12 слоями и размерностью 768, предварительно обученная без учителя по MLM на открытых наборах Music4All и части FMA_full. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт признаки с частотой 50 в секунду; контекст предобучения составляет 5 секунд.

Модель предназначена для получения музыкальных признаков, которые можно использовать в последующих задачах анализа и понимания музыки. Выбор слоя для извлечения признаков может влиять на качество в конкретной задаче. Репозиторий предоставляет веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Сценарии применения

  • извлечение признаков из музыкальных фрагментов
  • создание представлений аудио для классификации музыки
  • подготовка музыкальных эмбеддингов для downstream-задач
  • анализ музыкальных записей в исследовательских проектах

Ограничения

Модель ориентирована на музыкальное аудио и обучена для входа с частотой дискретизации 16 кГц; эффективность извлечённых признаков зависит от выбранного слоя и целевой задачи. Лицензия CC BY-NC 4.0 не допускает коммерческое использование.

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

Introduction to our series work

The development log of our Music Audio Pre-training (m-a-p) model family:

  • 02/06/2023: arxiv pre-print and training codes released.
  • 17/03/2023: we release two advanced music understanding models, MERT-v1-95M and MERT-v1-330M , trained with new paradigm and dataset. They outperform the previous models and can better generalize to more tasks.
  • 14/03/2023: we retrained the MERT-v0 model with open-source-only music dataset MERT-v0-public
  • 29/12/2022: a music understanding model MERT-v0 trained with MLM paradigm, which performs better at downstream tasks.
  • 29/10/2022: a pre-trained MIR model music2vec trained with BYOL paradigm.

Here is a table for quick model pick-up:

NamePre-train ParadigmTraining Data (hour)Pre-train Context (second)Model SizeTransformer Layer-DimensionFeature RateSample RateRelease Date
MERT-v1-330MMLM160K5330M24-102475 Hz24K Hz17/03/2023
MERT-v1-95MMLM20K595M12-76875 Hz24K Hz17/03/2023
MERT-v0-publicMLM900595M12-76850 Hz16K Hz14/03/2023
MERT-v0MLM1000595 M12-76850 Hz16K Hz29/12/2022
music2vec-v1BYOL10003095 M12-76850 Hz16K Hz30/10/2022

Explanation

The m-a-p models share the similar model architecture and the most distinguished difference is the paradigm in used pre-training. Other than that, there are several nuance technical configuration needs to know before using:

  • Model Size: the number of parameters that would be loaded to memory. Please select the appropriate size fitting your hardware.
  • Transformer Layer-Dimension: The number of transformer layers and the corresponding feature dimensions can be outputted from our model. This is marked out because features extracted by different layers could have various performance depending on tasks.
  • Feature Rate: Given a 1-second audio input, the number of features output by the model.
  • Sample Rate: The frequency of audio that the model is trained with.

Introduction to MERT-v0-public

MERT-v0-public is a completely unsupervised model trained on completely non-comercial open-source Music4All dataset and the part of FMA_full dataset that does not include tag "experimental".

The training settings and model usage of MERT-v0-public can be referred to the MERT-v0 model.

Details are reported at the short article Large-Scale Pretrained Model for Self-Supervised Music Audio Representation Learning.

Demo code

from transformers import Wav2Vec2FeatureExtractor
from transformers import AutoModel
import torch
from torch import nn
import torchaudio.transforms as T
from datasets import load_dataset


# loading our model weights
model = AutoModel.from_pretrained("m-a-p/MERT-v0-public", trust_remote_code=True)
# loading the corresponding preprocessor config
processor = Wav2Vec2FeatureExtractor.from_pretrained("m-a-p/MERT-v0-public",trust_remote_code=True)

# load demo audio and set processor
dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
dataset = dataset.sort("id")
sampling_rate = dataset.features["audio"].sampling_rate

resample_rate = processor.sampling_rate
# make sure the sample_rate aligned
if resample_rate != sampling_rate:
    print(f'setting rate from {sampling_rate} to {resample_rate}')
    resampler = T.Resample(sampling_rate, resample_rate)
else:
    resampler = None

# audio file is decoded on the fly
if resampler is None:
    input_audio = dataset[0]["audio"]["array"]
else:
  input_audio = resampler(torch.from_numpy(dataset[0]["audio"]["array"]))
  
inputs = processor(input_audio, sampling_rate=resample_rate, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs, output_hidden_states=True)

# take a look at the output shape, there are 13 layers of representation
# each layer performs differently in different downstream tasks, you should choose empirically
all_layer_hidden_states = torch.stack(outputs.hidden_states).squeeze()
print(all_layer_hidden_states.shape) # [13 layer, Time steps, 768 feature_dim]

# for utterance level classification tasks, you can simply reduce the representation in time
time_reduced_hidden_states = all_layer_hidden_states.mean(-2)
print(time_reduced_hidden_states.shape) # [13, 768]

# you can even use a learnable weighted average representation
aggregator = nn.Conv1d(in_channels=13, out_channels=1, kernel_size=1)
weighted_avg_hidden_states = aggregator(time_reduced_hidden_states.unsqueeze(0)).squeeze()
print(weighted_avg_hidden_states.shape) # [768]

Citation

@misc{li2023mert,
      title={MERT: Acoustic Music Understanding Model with Large-Scale Self-supervised Training}, 
      author={Yizhi Li and Ruibin Yuan and Ge Zhang and Yinghao Ma and Xingran Chen and Hanzhi Yin and Chenghua Lin and Anton Ragni and Emmanouil Benetos and Norbert Gyenge and Roger Dannenberg and Ruibo Liu and Wenhu Chen and Gus Xia and Yemin Shi and Wenhao Huang and Yike Guo and Jie Fu},
      year={2023},
      eprint={2306.00107},
      archivePrefix={arXiv},
      primaryClass={cs.SD}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MERTModel
Ревизия весов
e8413e3

0 моделей