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: 24 авг 2026

Ссылки

Hugging Face

ast-gtzan

shamsaH

Классификация аудиоАудио → label3 профессии

AST-модель, дообученная на GTZAN для классификации аудио по музыкальным жанрам.

16скачиваний за 30 дней0лайковвеса обновлены24 авг 2026

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

shamsaH/ast-gtzan — модель классификации аудио, дообученная на GTZAN на основе MIT/ast-finetuned-audioset-10-10-0.4593. Она использует архитектуру Audio Spectrogram Transformer (AST), основанную на Vision Transformer, и содержит 113,2 млн параметров. Модель предназначена для определения музыкального жанра по аудиозаписи; на оценочной выборке GTZAN указана точность 0,875 и значение loss 0,4171. Для загрузки доступны веса в формате safetensors, библиотека — Transformers.

Модель принимает аудио и выдаёт класс жанра. README не уточняет поддерживаемые жанры и детали подготовки аудио. Репозиторий распространяется по лицензии BSD-3-Clause.

Сценарии применения

определение музыкального жанра аудиозаписи
автоматическая сортировка музыкальной коллекции по жанрам
анализ жанрового состава аудиотеки

Ограничения

Качество и результаты указаны для оценочной выборки GTZAN; переносимость на другие музыкальные данные не описана. README не приводит перечень классов и требования к входному аудио.

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

ast-gtzan-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: 0.4171
Accuracy: 0.875

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
gradient_accumulation_steps: 2
total_train_batch_size: 16
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.6923	1.0	50	0.7741	0.73
0.3050	2.0	100	0.5227	0.845
0.1151	3.0	150	0.5137	0.85
0.0343	4.0	200	0.5492	0.845
0.0184	5.0	250	0.5301	0.825
0.0021	6.0	300	0.3934	0.88
0.0006	7.0	350	0.4942	0.86
0.0006	8.0	400	0.4131	0.88
0.0207	9.0	450	0.4362	0.875
0.0025	10.0	500	0.4199	0.875

Framework versions

Transformers 5.15.1
Pytorch 2.11.0+cu128
Datasets 5.0.1
Tokenizers 0.22.2

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: c86bea8