/ Модель

Характеристики

Параметры
113 млн
Лицензия
CC BY-NC 4.0
Архитектура
data2vec-audio · dense
Опубликована
25 ноя 2022

music2vec-v1

ЭмбеддингиТекст → embedding3 профессии

Предварительно обученная модель Data2Vec Audio извлекает векторные представления музыкального аудио для задач анализа музыки.

214скачиваний за 30 дней44лайкавеса обновлены2 июн 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Music2Vec-v1 — предварительно обученная модель для понимания музыкального аудио, опубликованная командой Music Audio Pre-training (m-a-p). Модель основана на архитектуре Data2Vec Audio и содержит 113,2 млн параметров. Она принимает музыкальный аудиосигнал и извлекает контекстные векторные представления для последующего использования в задачах музыкальной информации retrieval и анализа музыки.

Модель обучена без разметки на 1000 часах музыкального аудио по парадигме BYOL; выпущена версия crop5s. Авторы сообщают о сопоставимых с Jukebox-5B результатах на нескольких задачах MIR при существенно меньшем размере модели. Для нового применения можно извлекать признаки и дообучать модель под конкретную задачу. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Сценарии применения

  • извлечение признаков из музыкальных записей
  • подготовка представлений музыки для классификации жанров
  • поиск похожих музыкальных фрагментов по аудиосигналу
  • дообучение модели для задач музыкальной информации retrieval

Ограничения

Модель требует музыкального аудио и достаточно ресурсов для загрузки 113,2 млн параметров; результаты могут зависеть от выбранного слоя представлений. 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:

  • 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 Music2Vec

Music2Vec is accepted as 2-page abstract in Late Breaking Demos (LBD) at the ISMIR 2022. It is a completely unsupervised model trained on 1000 hour music audios. We release the crop5s version base model as music2vec-v1. Our base model is SOTA-comparable on multiple MIR tasks even under probing settings, while keeping fine-tunable on a single 2080Ti. Larger models trained with more data are on the way~

For a more recent pretrained model with better performance, please refer to m-a-p/MERT-v0.

Model Architecture

Music2Vec Framework. During pre-training, the student model aims to reconstruct the masked music audio by taking the contextualized representations provided by the teacher model as prediction targets. Model Architecture

Performance Comparison

With 95M parameters and relatively small training data (1k hr), our base Music2Vec representation achieves comparable performance to the SOTA Jukebox-5B representation. Note that our base model size is <2% of Jukebox-5B. Performance Comparison

Model Usage

from transformers import Wav2Vec2Processor, Data2VecAudioModel
import torch
from torch import nn
from datasets import load_dataset

# 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
processor = Wav2Vec2Processor.from_pretrained("facebook/data2vec-audio-base-960h")

# loading our model weights
model = Data2VecAudioModel.from_pretrained("m-a-p/music2vec-v1")


# audio file is decoded on the fly
inputs = processor(dataset[0]["audio"]["array"], sampling_rate=sampling_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, 292 timestep, 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).squeeze()
print(weighted_avg_hidden_states.shape) # [768]

Our model is based on the data2vec audio model.

Citation

The paper can be found at ISMIR.

@article{li2022map,
  title={MAP-Music2Vec: A Simple and Effective Baseline for Self-Supervised Music Audio Representation Learning},
  author={Li, Yizhi and Yuan, Ruibin and Zhang, Ge and Ma, Yinghao and Lin, Chenghua and Chen, Xingran and Ragni, Anton and Yin, Hanzhi and Hu, Zhijie and He, Haoyu and others},
  journal={arXiv preprint arXiv:2212.02508},
  year={2022}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Data2VecAudioModel
Ревизия весов
9f56775

0 моделей