/ Модель

Характеристики

Параметры
113 млн
Лицензия
BSD 3-Clause
Архитектура
audio-spectrogram-transformer · dense
Опубликована
30 мар 2023

ast-finetuned-audioset-10-10-0.4593_ft_ESC-50_aug_0-1

Классификация аудиоАудио → label3 профессии

Дообученная AST-модель классифицирует звуки на аудиозаписях, включая категории набора ESC-50.

425скачиваний за 30 дней0лайковвеса обновлены3 апр 2023

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 Audio Spectrogram Transformer (AST), разработанная как дообученная версия MIT/ast-finetuned-audioset-10-10-0.4593. Её дополнительно обучили на части набора ESC-50 с аугментациями звука: изменением громкости и скорости, добавлением шума, сдвигом высоты тона и маскированием фрагментов.

Модель предназначена для распознавания классов звуковых событий по аудиозаписи, в том числе для сценариев, связанных с категориями ESC-50. В README указаны результаты оценки: accuracy 0,9286 и F1 0,9244. Архитектура содержит около 113,2 млн параметров; доступны веса PyTorch. Лицензия — BSD-3-Clause.

Сценарии применения

  • классификация звуковых событий в аудиозаписях
  • распознавание бытовых и природных звуков из ESC-50
  • автоматическая разметка звуковых клипов
  • анализ аудио для прототипов систем мониторинга окружающей среды

Ограничения

Модель дообучена на части ESC-50, поэтому её качество на звуках и условиях записи вне этого набора может отличаться. Метрики README относятся к указанному набору оценки и не гарантируют качество в других сценариях.

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

ast-finetuned-audioset-10-10-0.4593_ft_ESC-50_aug_0-1

This model is a fine-tuned version of MIT/ast-finetuned-audioset-10-10-0.4593 on a subset of ashraq/esc50 dataset. It achieves the following results on the evaluation set:

  • Loss: 0.7391
  • Accuracy: 0.9286
  • Precision: 0.9449
  • Recall: 0.9286
  • F1: 0.9244

Training and evaluation data

Training and evaluation data were augmented with audiomentations GitHub: iver56/audiomentations library and the following augmentation methods have been performed based on previous experiments Elliott et al.: Tiny transformers for audio classification at the edge:

Gain

  • each audio sample is amplified/attenuated by a random factor between 0.5 and 1.5 with a 0.3 probability

Noise

  • a random amount of Gaussian noise with a relative amplitude between 0.001 and 0.015 is added to each audio sample with a 0.5 probability

Speed adjust

  • duration of each audio sample is extended by a random amount between 0.5 and 1.5 with a 0.3 probability

Pitch shift

  • pitch of each audio sample is shifted by a random amount of semitones selected from the closed interval [-4,4] with a 0.3 probability

Time masking

  • a random fraction of lenght of each audio sample in the range of (0,0.02] is erased with a 0.3 probability

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2e-06
  • train_batch_size: 2
  • eval_batch_size: 2
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 8
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 10

Training results

Training LossEpochStepValidation LossAccuracyPrecisionRecallF1
9.90021.0288.56620.00.00.00.0
5.72352.0564.39900.03570.02380.03570.0286
2.40763.0842.29720.46430.74050.46430.4684
1.44484.01121.39750.71430.73400.71430.6863
0.83735.01401.04680.85710.85240.85710.8448
0.72396.01680.85180.89290.91640.89290.8766
0.65047.01960.73910.92860.94490.92860.9244
0.5358.02240.66820.92860.94490.92860.9244
0.42379.02520.64430.92860.94490.92860.9244
0.370910.02800.63040.92860.94490.92860.9244

Test results

ParameterValue
test_loss0.5829914808273315
test_accuracy0.9285714285714286
test_precision0.9446428571428571
test_recall0.9285714285714286
test_f10.930292723149866
test_runtime (s)4.1488
test_samples_per_second6.749
test_steps_per_second3.374
epoch10.0

Framework versions

  • Transformers 4.27.4
  • Pytorch 2.0.0
  • Datasets 2.10.1
  • Tokenizers 0.13.2

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ASTForAudioClassification
Ревизия весов
ac71199

0 моделей