/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
pytorch
Опубликована
16 июл 2026

chimp-vocalization-cnn10-synthetic

Классификация аудиоАудио → label3 профессии

Свёрточная CNN10 от Utrecht University классифицирует короткие биоакустические записи, выявляя вокализации шимпанзе на фоне окружающих звуков.

19скачиваний за 30 дней0лайковвеса обновлены22 июл 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

CNN10 — 10-слойная свёрточная нейросеть, разработанная Utrecht University для обнаружения вокализаций шимпанзе в биоакустических записях. Модель выдаёт один из двух классов: вокализация шимпанзе или фон; она предназначена для мониторинга дикой природы и анализа записей из заповедников и природоохранных центров.

На вход подаются аудиофрагменты длительностью 0,5 секунды. Перед классификацией звук приводится к частоте 48 кГц, фильтруется в диапазоне 100–2000 Гц и представляется трёхканальной мел-спектрограммой с нормализацией PCEN, нормализацией по файлу и дельта-признаками. Чекпойнт обучен на реальных записях вокализаций и фоновых звуков из Камеруна, а также на синтетических примерах, созданных смешиванием камеруноских вокализаций с фоновым шумом из Замбии. Проверка на записях из Замбии показала переносимость на другую акустическую среду, однако результаты могут отличаться для иных условий записи, микрофонов и видов животных.

Модель распространяется в формате safetensors и загружается как обычная модель PyTorch через PyTorchModelHubMixin; интеграции с Transformers нет. Лицензия — Apache-2.0.

Сценарии применения

  • обнаружение вокализаций шимпанзе в полевых аудиозаписях
  • автоматическая разметка записей с камерунских заповедников
  • мониторинг шимпанзе по аудиозаписям в природоохранных центрах
  • поиск вокализаций в длинных биоакустических записях по коротким фрагментам

Ограничения

Модель обучена для условий записей из описанных заповедника и природоохранного центра; качество на иных микрофонах, акустических условиях и для других видов не гарантируется. Требуется предварительная обработка аудио, включая частоту 48 кГц, полосовую фильтрацию и построение мел-спектрограммы; интеграции с Transformers нет.

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

Chimpanzee Vocalization CNN10 (trained with synthetic data)

A 10-layer Convolutional Neural Network for detecting chimpanzee vocalizations in bioacoustic recordings. Part of the animal-sounds pipeline developed at Utrecht University.

Model description

  • Architecture: CNN10 — 4 convolutional blocks (64→128→256→512 channels), global average pooling, fully-connected head, 2-class output (chimpanzee vocalization vs. background)
  • Input: 3-channel mel spectrogram representation (mel spectrogram → PCEN normalization → per-file z-normalization → delta features)
  • Preprocessing: recordings resampled to 48,000 Hz, filtered with a Butterworth bandpass filter (100–2,000 Hz)
  • Frame length: 0.5-second audio frames

This checkpoint was trained with synthetic data: real chimpanzee vocalizations and background recordings from Cameroon, augmented with synthetic examples created by mixing Cameroonian chimpanzee calls with Zambian background noise, to improve robustness in unseen acoustic environments.

A version trained without synthetic data is also available: utrechtuniversity/chimp-vocalization-cnn10-sanctuary.

Training data

  • Sanctuary recordings: Mefou Primate Sanctuary, Cameroon (December 2019 – January 2020), publicly available (Zwerts et al., 2024)
  • Synthetic augmentation: Cameroonian chimpanzee calls mixed with background noise from Chimfunshi Wildlife Orphanage Trust (CWOT), Zambia

Evaluation

Evaluated at file level on held-out recordings from Chimfunshi Wildlife Orphanage Trust (CWOT), Zambia — a different acoustic environment from the training data, used to assess cross-environment generalization. Two recorders ("13b" and "14a") were evaluated separately.

Test recordingF1PrecisionRecallF1-macroPrecision-macroRecall-macroAUC
13b0.70710.60340.85370.84780.79930.91780.9911
14a0.66670.53850.87500.83150.76870.93440.9948

Metrics are for the positive (chimpanzee) class unless labeled "-macro" (averaged across both classes).

Usage

This model is not integrated with transformers — it's a plain PyTorch model exported with PyTorchModelHubMixin. Copy the class definition below, then load the trained weights directly from the Hub.

import torch.nn as nn
from huggingface_hub import PyTorchModelHubMixin


def _cnn_block(in_ch, out_ch):
    return nn.Sequential(
        nn.Conv2d(in_ch, out_ch, kernel_size=3, padding=1),
        nn.BatchNorm2d(out_ch),
        nn.ReLU(inplace=True),
    )


class CNN10Hub(nn.Module, PyTorchModelHubMixin):
    def __init__(self, num_channels=3, num_labels=2, dropout_rate=0.5, **kwargs):
        super().__init__()
        layers = [
            _cnn_block(num_channels, 64), _cnn_block(64, 64), nn.AvgPool2d(2), nn.Dropout(dropout_rate),
            _cnn_block(64, 128), _cnn_block(128, 128), nn.AvgPool2d(2), nn.Dropout(dropout_rate),
            _cnn_block(128, 256), _cnn_block(256, 256), nn.AvgPool2d(2), nn.Dropout(dropout_rate),
            _cnn_block(256, 512), _cnn_block(512, 512), nn.AvgPool2d(2), nn.Dropout(dropout_rate),
            nn.AdaptiveAvgPool2d(1), nn.Dropout(dropout_rate), nn.Flatten(),
            nn.Linear(512, 512), nn.ReLU(), nn.Dropout(dropout_rate),
            nn.Linear(512, num_labels),
        ]
        self.acoustic_model = nn.Sequential(*layers)

    def forward(self, x):
        return self.acoustic_model(x)


model = CNN10Hub.from_pretrained("utrechtuniversity/chimp-vocalization-cnn10-synthetic")
model.eval()

Important: the model expects input tensors matching the exact preprocessing pipeline described above (3-channel mel + PCEN + delta features, 48kHz source audio, 0.5s frames). Raw audio or standard mel spectrograms without this preprocessing will produce incorrect predictions.

A standalone preprocess.py (dependent only on librosa, numpy, scipy — no need to install the full source package) is included in this repo, reproducing the exact training-time feature extraction:

from huggingface_hub import hf_hub_download
import importlib.util
import torch

path = hf_hub_download("utrechtuniversity/chimp-vocalization-cnn10-synthetic", "preprocess.py")
spec = importlib.util.spec_from_file_location("preprocess", path)
preprocess = importlib.util.module_from_spec(spec)
spec.loader.exec_module(preprocess)

features = preprocess.extract_features("my_recording.wav")   # (3, n_mel, n_frames)
chunks = preprocess.chunk_features(features)                 # (n_chunks, 3, n_mel, 64)

with torch.no_grad():
    probs = torch.softmax(model(torch.from_numpy(chunks).float()), dim=1)

See the feature extraction source in the GitHub repository for further background on the pipeline.

Intended use and limitations

  • Trained specifically for chimpanzee vocalization detection at the sanctuary/wildlife-orphanage recording conditions described above. Performance on substantially different recording setups, microphone types, or species is not guaranteed.
  • Although developed for chimpanzee vocalizations, the underlying pipeline in the source repository can be adapted to other species given labeled training data.

License

Code released under Apache 2.0, matching the source GitHub repository.

Citation

The chimpanzee vocalization dataset used to train this model:

Zwerts, J. A., Treep, J., Kaandorp, C. S., Meewis, F., Koot, A. C., & Kaya, H. (2021).
Introducing a central african primate vocalisation dataset for automated species classification.
arXiv preprint. https://arxiv.org/pdf/2101.10390.pdf

Zwerts, J., Treep, J., Zahedi, P., & Kaandorp, C. (2024).
Central African Primate vocalization bioacoustics dataset: Yoda Data publication platform of Utrecht University.

A paper describing the CNN10/CNN12 models and cross-environment evaluation presented here is currently in preparation. This model card will be updated with the correct citation once available — in the meantime, please contact Dr. Joeri A. Zwerts (j.a.zwerts@uu.nl) for citation guidance.

Links

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · audio-classification

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
769428e

0 моделей