/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
13 авг 2024

cnn8rnn-audioset-sed

Классификация аудиоАудио → label3 профессии

CRNN-модель с восемью сверточными слоями и GRU выявляет звуковые события в аудио с временным разрешением 40 мс.

940скачиваний за 30 дней6лайковвеса обновлены30 дек 2024

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 wsntxxn/cnn8rnn-audioset-sed — CRNN-модель для обнаружения звуковых событий, разработанная на основе предварительного обучения на AudioSet и последующего дообучения на AudioSet-strong. Архитектура включает восемь сверточных слоёв и GRU, всего около 6,4 млн параметров.

Модель анализирует аудио и классифицирует присутствующие в нём звуковые события с временным разрешением 40 мс. Она подходит для покадрового выявления и отслеживания событий в аудиозаписях. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

Сценарии применения

  • выявление звуковых событий в аудиозаписях
  • временная разметка звуков в аудиопотоке
  • классификация событий окружающей среды
  • анализ аудио на наличие целевых звуков

Ограничения

Модель обучена на AudioSet и AudioSet-strong, поэтому качество зависит от соответствия входных звуков этим данным и классам событий. В README не описаны поддерживаемые языки, целевые метрики или ограничения по длительности аудио.

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

Model Details

This is a CRNN sound event detection model pre-trained on AudioSet and then finetuned on AudioSet-strong. It contains 8 convolution layers and a GRU, with a time resolution of 40ms and a total of about 6.4 million parameters.

Usage

import torch
from transformers import AutoModel
import torchaudio

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = AutoModel.from_pretrained(
    "wsntxxn/cnn8rnn-audioset-sed",
    trust_remote_code=True
).to(device)

wav1, sr1 = torchaudio.load("/path/to/file1.wav")
wav1 = torchaudio.functional.resample(wav1, sr1, model.config.sample_rate)
wav1 = wav1.mean(0) if wav1.size(0) > 1 else wav1[0]

wav2, sr2 = torchaudio.load("/path/to/file2.wav")
wav2 = torchaudio.functional.resample(wav2, sr2, model.config.sample_rate)
wav2 = wav2.mean(0) if wav2.size(0) > 1 else wav2[0]

wav_batch = torch.nn.utils.rnn.pad_sequence([wav1, wav2], batch_first=True)

with torch.no_grad():
    output = model(waveform=wav_batch)
    # output: {
    #     "framewise_output": (2, 447, n_frames),
    #     "clipwise_output": (2, 447)
    # }

# classes is in `model.classes`
# for example, the probability sequence of male speech is:
male_speech_prob = output[:, model.classes.index("Male speech, man speaking"), :]

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Cnn8RnnSoundEventDetection
Ревизия весов
2b0f297

0 моделей