ast finetuned audioset 10 10 0.4593

提供商MIT
分类audio-classification
许可证bsd-3-clause
下载量1.3M
星标0

简介

这是一个基于 AST (Audio Spectrogram Transformer) 架构并在 AudioSet 数据集上微调的音频分类模型。它将音频信号转化为频谱图，利用 Transformer 的全局注意力机制来识别声音类别，在环境音识别和事件检测方面表现出色。对于开发者而言，该模型适合用于构建声音监测、智能家居语音触发或多媒体内容自动打标签等场景。其上手难度较低，可直接作为预训练模型集成到音频分析管线中，是替代传统 CNN 音频分类方案的高效选择。

核心亮点

  • 基于 Transformer 架构，音频特征提取能力强
  • 在 AudioSet 大规模数据集上微调，类别覆盖广
  • 适用于环境音识别、音频事件自动打标
  • BSD-3-Clause 协议，商业集成限制极少

使用方法

安装依赖
# 安装 Hugging Face transformers
pip install transformers torch
SDK 使用
# 使用 transformers 加载模型
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("MIT/ast-finetuned-audioset-10-10-0.4593")
tokenizer = AutoTokenizer.from_pretrained("MIT/ast-finetuned-audioset-10-10-0.4593")

Hugging Face 下载

我们推荐使用命令行或者 Hugging Face Hub SDK 来进行模型的下载。

操作指引：在下载前，请先通过如下命令安装 huggingface_hub：

操作指引 
pip install -U huggingface_hub

命令行下载

下载完整模型库

下载完整模型库 
huggingface-cli download MIT/ast-finetuned-audioset-10-10-0.4593

下载单个文件到指定本地文件夹（以下载 config.json 到当前路径下 ./dir 目录为例）

下载单个文件到指定本地文件夹（以下载 config.json 到当前路径下 ./dir 目录为例） 
huggingface-cli download MIT/ast-finetuned-audioset-10-10-0.4593 config.json --local-dir ./dir

更多命令行下载选项，可参见官方文档

SDK 下载

SDK 下载 
# 模型下载
from huggingface_hub import snapshot_download
model_dir = snapshot_download('MIT/ast-finetuned-audioset-10-10-0.4593')

Git 下载

请确保 lfs 已经被正确安装

Git 下载 
git lfs install
git clone https://huggingface.co/MIT/ast-finetuned-audioset-10-10-0.4593

如果您希望跳过 lfs 大文件下载，可以使用如下命令

跳过 LFS 
GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/MIT/ast-finetuned-audioset-10-10-0.4593

模型文件托管在 Hugging Face Hub，使用 HF CLI / SDK / Git 直接下载，不经过本站。

PyTorch / Transformers 使用

安装 Transformers

安装 Transformers 
pip install -U transformers torch

模型加载和推理

模型加载和推理 
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained('MIT/ast-finetuned-audioset-10-10-0.4593')
tokenizer = AutoTokenizer.from_pretrained('MIT/ast-finetuned-audioset-10-10-0.4593')

完整文档

来源: HuggingFace

---
license: bsd-3-clause
tags:

  • audio-classification

---

Audio Spectrogram Transformer (fine-tuned on AudioSet)

Audio Spectrogram Transformer (AST) model fine-tuned on AudioSet. It was introduced in the paper AST: Audio Spectrogram Transformer by Gong et al. and first released in this repository.

Disclaimer: The team releasing Audio Spectrogram Transformer did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

The Audio Spectrogram Transformer is equivalent to ViT, but applied on audio. Audio is first turned into an image (as a spectrogram), after which a Vision Transformer is applied. The model gets state-of-the-art results on several audio classification benchmarks.

Usage

You can use the raw model for classifying audio into one of the AudioSet classes. See the documentation for more info.

查看官方来源