Характеристики

Параметры: 113 млн
Лицензия: BSD 3-Clause
Архитектура: audio-spectrogram-transformer · dense
Базовая модель: ast-finetuned-audioset-10-10-0.4593
Библиотека: transformers
Опубликована: 2 дек 2025

Ссылки

Hugging Face

ast_delta_z

ramen-noodels

Классификация аудиоАудио → label

Дообученная AST-модель классифицирует аудио для обнаружения щелчков, в том числе в звуках робота UR3e.

107скачиваний за 30 дней0лайковвеса обновлены16 дек 2025

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

ramen-noodels/ast_delta_z — дообученная модель Audio Spectrogram Transformer (AST), разработанная на основе MIT/ast-finetuned-audioset-10-10-0.4593. Она классифицирует аудио и предназначена для обнаружения звуков щелчка на спектрограмме; для этого её дообучили на наборе данных, собранном с роботом UR3e. Модель содержит 113,2 млн параметров и использует библиотеку Transformers.

В README для тестовой выборки указаны loss 0,0431 и accuracy 0,9886. Модель распространяется по лицензии BSD 3-Clause. Описание не уточняет условия записи звуков, состав классов и поведение на аудио вне обучающего набора, поэтому приведённые метрики не гарантируют такую же точность в других условиях.

Сценарии применения

обнаружение щелчков в аудио с робота UR3e
классификация звуковых событий по спектрограмме
выявление щелчков в тестовых аудиозаписях

Ограничения

Результаты оценки относятся к тестовой выборке из README; условия записи и состав классов не описаны, поэтому перенос метрик на другие аудиозаписи не подтверждён.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AST_finetined_buttonclick

This model is a fine-tuned version of MIT/ast-finetuned-audioset-10-10-0.4593 on a dataset collected un a UR3e robot. The model detects clicking sounds in the spectogram. It achieves the following results on the evaluation set:

Loss: 0.0431
Accuracy: 0.9886

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: 1e-05
train_batch_size: 128
eval_batch_size: 128
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.085	1.0	24	0.0804	0.9804
0.0206	2.0	48	0.0431	0.9886
0.009	3.0	72	0.0529	0.9853
0.0072	4.0	96	0.0615	0.9837
0.0018	5.0	120	0.0567	0.9865
0.0008	6.0	144	0.0646	0.9849
0.0005	7.0	168	0.0621	0.9869
0.0004	8.0	192	0.0637	0.9865
0.0002	9.0	216	0.0636	0.9865
0.0002	10.0	240	0.0635	0.9869

Framework versions

Transformers 4.57.3
Pytorch 2.7.1+cu118
Datasets 4.4.1
Tokenizers 0.22.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ASTForAudioClassification
Ревизия весов: 1275b2f