Music Classifier

🚀 音樂流派分類模型 🎶

該模型基於音頻信號（.wav）對音樂流派進行分類。它在 Wav2Vec2 模型的基礎上進行微調，並使用了數據集 music_genres_small。

你可以在 GitHub 倉庫中找到一個由 Flask API 託管的界面，用於測試該模型：音樂分類器倉庫

✨ 主要特性

• 基於音頻信號對音樂流派進行分類。
• 在 Wav2Vec2 模型基礎上微調，使用特定數據集訓練。
• 提供了用於測試模型的 GitHub 倉庫和 Flask API 界面。

📦 安裝指南

文檔未提供安裝步驟，跳過該章節。

💻 使用示例

基礎用法

from transformers import Wav2Vec2ForSequenceClassification, Wav2Vec2FeatureExtractor
import librosa
import torch

# Genre mapping corrected to a dictionary
genre_mapping = {
    0: "Electronic",
    1: "Rock",
    2: "Punk",
    3: "Experimental",
    4: "Hip-Hop",
    5: "Folk",
    6: "Chiptune / Glitch",
    7: "Instrumental",
    8: "Pop",
    9: "International",
}

model = Wav2Vec2ForSequenceClassification.from_pretrained("gastonduault/music-classifier")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("facebook/wav2vec2-large")

# Function for preprocessing audio for prediction
def preprocess_audio(audio_path):
    audio_array, sampling_rate = librosa.load(audio_path, sr=16000)
    return feature_extractor(audio_array, sampling_rate=16000, return_tensors="pt", padding=True)

# Path to your audio file
audio_path = "./Nirvana - Come As You Are.wav"

# Preprocess audio
inputs = preprocess_audio(audio_path)

# Predict
with torch.no_grad():
    logits = model(**inputs).logits
    predicted_class = torch.argmax(logits, dim=-1).item()

# Output the result
print(f"song analized:{audio_path}")
print(f"Predicted genre: {genre_mapping[predicted_class]}")

高級用法

文檔未提供高級用法代碼示例，跳過該部分。

📚 詳細文檔

指標

標籤信息

🔧 技術細節

文檔未提供技術實現細節，跳過該章節。

📄 許可證

文檔未提供許可證信息，跳過該章節。