/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
pytorch
Опубликована
16 июл 2026

chimp-vocalization-cnn12-synthetic

Классификация аудиоАудио → label3 профессии

Сверточная модель Утрехтского университета для обнаружения вокализаций шимпанзе в биоакустических записях.

9скачиваний 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

Модель Chimpanzee Vocalization CNN12 разработана Утрехтским университетом для обнаружения вокализаций шимпанзе в биоакустических записях. Это 12-слойная сверточная нейросеть с пятью сверточными блоками, глобальным усреднением и полносвязной выходной частью, которая различает вокализации шимпанзе и фон.

Модель принимает аудио, преобразованное в трёхканальное представление на основе мел-спектрограммы, нормализации PCEN и дельта-признаков. Записи для обработки нужно привести к частоте 48 кГц, пропустить через полосовой фильтр 100–2000 Гц и разделить на кадры по 0,5 секунды. Чекпойнт обучен на реальных записях из Камеруна и синтетических примерах, созданных смешением криков шимпанзе из Камеруна с фоновыми записями из Замбии.

Модель предназначена для мониторинга шимпанзе в природоохранных и исследовательских проектах. Проверка на записях из другого акустического окружения показала высокую AUC, однако точность обнаружения зависит от рекордера и условий записи. Качество на других видах и существенно отличающемся оборудовании не гарантируется. Веса доступны по лицензии Apache-2.0; для запуска требуется PyTorch и реализация класса модели из исходного проекта, поскольку чекпойнт не интегрирован с Transformers.

Сценарии применения

  • поиск криков шимпанзе в записях с автономных рекордеров
  • автоматическая разметка биоакустических записей по наличию вокализаций шимпанзе
  • мониторинг шимпанзе в природоохранных проектах
  • оценка присутствия шимпанзе в записях из разных акустических окружений

Ограничения

Модель обучена для условий записей заповедника и приюта для приматов; качество при использовании других микрофонов, акустических условий или для других видов не гарантируется. Для работы необходима описанная предобработка аудио и загрузка через PyTorch, поскольку 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 CNN12 (trained with synthetic data)

A 12-layer Convolutional Neural Network for detecting chimpanzee vocalizations in bioacoustic recordings. Part of the animal-sounds pipeline developed at Utrecht University.

Model description

  • Architecture: CNN12 — 5 convolutional blocks (64→128→256→512→1024 channels), global average pooling, fully-connected head, 2-class output (chimpanzee vocalization vs. background). One additional convolutional block compared to CNN10.
  • 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-cnn12-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
13b0.68290.68290.68290.83640.83640.83640.9905
14a0.70590.66670.75000.85160.83230.87340.9917

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 CNN12Hub(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),
            _cnn_block(512, 1024), _cnn_block(1024, 1024), nn.AvgPool2d(2), nn.Dropout(dropout_rate),
            nn.AdaptiveAvgPool2d(1), nn.Dropout(dropout_rate), nn.Flatten(),
            nn.Linear(1024, 1024), nn.ReLU(), nn.Dropout(dropout_rate),
            nn.Linear(1024, num_labels),
        ]
        self.acoustic_model = nn.Sequential(*layers)

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


model = CNN12Hub.from_pretrained("utrechtuniversity/chimp-vocalization-cnn12-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-cnn12-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.
  • CNN12 adds one additional convolutional block over CNN10; in this evaluation the two architectures perform similarly, with CNN10 showing modestly higher recall on this synthetic-augmented cross-environment test.
  • 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
96411c3

0 моделей