/ Модель

Характеристики

Параметры
113 млн
Лицензия
BSD 3-Clause
Архитектура
audio-spectrogram-transformer · dense
Базовая модель
ast-finetuned-audioset-10-10-0.4593
Опубликована
2 авг 2023

ast-finetuned-gtzan

Классификация аудиоАудио → label3 профессии

AST, дообученный на GTZAN, классифицирует аудиозаписи по музыкальным жанрам.

20скачиваний за 30 дней0лайковвеса обновлены2 авг 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

ramsri818 выпустил модель AST, дообученную на наборе GTZAN на основе MIT/ast-finetuned-audioset-10-10-0.4593. Это трансформер аудиоспектрограмм с архитектурой Audio Spectrogram Transformer, содержащий 113,2 млн параметров и предназначенный для классификации аудио.

Модель подходит для распознавания музыкальных жанров в аудиозаписях, соответствующих классам GTZAN. В карточке указана точность 0,93 на оценочной выборке. Модель принимает аудио и выдаёт метки классов; сведения о поддерживаемых естественных языках не приводятся.

Модель распространяется в формате PyTorch по лицензии BSD-3-Clause. Результаты на GTZAN не гарантируют аналогичного качества на аудио из других источников и жанровых наборах.

Сценарии применения

  • классификация музыкальных жанров в аудиозаписях
  • автоматическая разметка музыкальной коллекции по жанрам
  • определение жанра трека в медиатеке

Ограничения

Точность 0,93 указана только для оценочной выборки GTZAN; качество на других данных не подтверждено. Карточка не уточняет классы, размер входного аудио и ограничения применения.

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

ast-finetuned-gtzan

This model is a fine-tuned version of MIT/ast-finetuned-audioset-10-10-0.4593 on the GTZAN dataset. It achieves the following results on the evaluation set:

  • Loss: 0.4436
  • Accuracy: 0.93

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: 4
  • eval_batch_size: 4
  • 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: 20

Training results

Training LossEpochStepValidation LossAccuracy
0.00011.02250.55460.89
1.2042.04500.94840.81
0.47193.06750.74170.85
0.01324.09000.71010.9
0.05275.011250.81700.86
0.06.013500.64060.93
0.30997.015750.84260.84
0.08.018000.91730.89
0.09.020250.71420.9
0.060210.022500.47180.92
0.000311.024750.98600.9
0.000112.027000.59180.91
0.013.029250.48860.92
0.014.031500.45620.93
0.015.033750.43600.94
0.016.036000.44330.94
0.017.038250.44540.94
0.018.040500.44540.94
0.019.042750.44340.93
0.020.045000.44360.93

Framework versions

  • Transformers 4.32.0.dev0
  • Pytorch 2.0.1+cu118
  • Datasets 2.14.2
  • Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ASTForAudioClassification
Ревизия весов
454e263

0 моделей