/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
wav2vec2-base
Библиотека
transformers
Опубликована
2 июн 2025

wav2vec2-base-finetuned-gtzan

Классификация текстаТекст → label3 профессии

Дообученная wav2vec 2.0 модель классифицирует музыкальные записи по жанрам на основе аудио.

12скачиваний за 30 дней0лайковвеса обновлены3 июн 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

Это модель классификации аудио на базе wav2vec 2.0, разработанная автором репозитория rishabhsabnavis и дообученная на датасете GTZAN поверх facebook/wav2vec2-base. Она предназначена для отнесения аудиозаписей к музыкальным жанрам. На оценочном наборе GTZAN указана точность 0,84 и значение функции потерь 1,4712. Модель содержит 113,3 млн параметров, сохранена в формате Safetensors и использует библиотеку Transformers.

Модель принимает аудио и выдаёт метку класса. Репозиторий распространяется по лицензии Apache 2.0. Карточка не приводит подробностей о составе классов, длительности и подготовке аудио, поэтому результаты за пределами оценки на GTZAN не установлены.

Сценарии применения

  • классификация музыкальных треков по жанрам
  • автоматическая разметка музыкальной библиотеки
  • определение жанра аудиофрагмента
  • группировка музыкальных записей по звучанию

Ограничения

Указанная точность 0,84 относится к оценочному набору GTZAN; переносимость на другие жанровые наборы и типы аудио не описана. В карточке нет сведений о метках классов и требованиях к аудиовходу.

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

wav2vec2-base-finetuned-gtzan

This model is a fine-tuned version of facebook/wav2vec2-base on the GTZAN dataset. It achieves the following results on the evaluation set:

  • Loss: 1.4712
  • Accuracy: 0.84

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: 3e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • 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
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 9
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossAccuracy
0.83961.01131.68780.78
0.15482.02262.06640.73
0.00153.03391.69510.79
0.00064.04521.43650.82
0.00075.05651.54830.82
0.00016.06781.35580.84
0.00027.07911.48300.84
0.00028.09041.47900.83
0.00029.010171.47120.84

Framework versions

  • Transformers 4.53.0.dev0
  • Pytorch 2.6.0+cu124
  • Datasets 3.6.0
  • Tokenizers 0.21.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры
Wav2Vec2ForSequenceClassification
Ревизия весов
0ff86f0

0 моделей