Характеристики

Параметры: 18,9 млн
Лицензия: Apache 2.0
Архитектура: hubert · dense
Базовая модель: distilhubert
Опубликована: 26 янв 2024

Ссылки

Hugging Face

distilhubert-finetuned-gtzan

not-lain

Классификация текстаТекст → label3 профессии

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

12скачиваний за 30 дней0лайковвеса обновлены26 янв 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 not-lain/distilhubert-finetuned-gtzan — компактная аудиомодель на архитектуре HuBERT, дообученная на GTZAN на основе ntu-spml/distilhubert. Она предназначена для классификации музыкальных аудиозаписей по жанрам; на оценочной выборке указана точность 0,88 после одной эпохи обучения. Модель содержит 18,9 млн параметров и опубликована в формате safetensors.

Базовая модель NTU предназначена для извлечения представлений из аудио с частотой 16 кГц. Репозиторий выпущен под лицензией Apache-2.0. Карточка не уточняет состав классов и другие условия использования, поэтому результаты на иных аудиоданных могут отличаться.

Сценарии применения

определение музыкального жанра аудиозаписи
автоматическая сортировка музыкальной библиотеки по жанрам
разметка музыкальных фрагментов для каталогов и плейлистов

Ограничения

В README приведена точность 0,88 на оценочной выборке GTZAN, но состав классов и подробности оценки не описаны. Качество на других жанрах и типах аудиозаписей не установлено.

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.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

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: 0.5900
eval_accuracy: 0.88
eval_runtime: 49.645
eval_samples_per_second: 2.014
eval_steps_per_second: 0.262
epoch: 1.0
step: 113

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: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 3
mixed_precision_training: Native AMP

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu121
Datasets 2.16.1
Tokenizers 0.15.1

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: 99e4f19