Ced Small

🚀 CED-Small模型

CED是基於簡單的ViT-Transformer架構的音頻標籤模型，在AudioSet數據集上實現了最優性能。

🚀 快速開始

安裝

pip install git+https://github.com/jimbozhang/hf_transformers_custom_model_ced.git

推理

>>> from ced_model.feature_extraction_ced import CedFeatureExtractor
>>> from ced_model.modeling_ced import CedForAudioClassification

>>> model_name = "mispeech/ced-small"
>>> feature_extractor = CedFeatureExtractor.from_pretrained(model_name)
>>> model = CedForAudioClassification.from_pretrained(model_name)

>>> import torchaudio
>>> audio, sampling_rate = torchaudio.load("resources/JeD5V5aaaoI_931_932.wav")
>>> assert sampling_rate == 16000
>>> inputs = feature_extractor(audio, sampling_rate=sampling_rate, return_tensors="pt")

>>> import torch
>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_id = torch.argmax(logits, dim=-1).item()
>>> model.config.id2label[predicted_class_id]
'Finger snapping'

微調

example_finetune_esc50.ipynb 展示瞭如何在ESC - 50數據集上，凍結CED編碼器，訓練一個線性頭部。

✨ 主要特性

模型性能

與其他模型的顯著差異

1. 簡化微調過程：對Mel頻譜圖進行批量歸一化。在微調時，無需像AST那樣先計算數據集的均值/方差。
2. 支持可變長度輸入：大多數其他模型使用靜態時頻位置嵌入，這限制了模型對短於10秒音頻片段的泛化能力。許多先前的Transformer模型為避免性能影響，將輸入填充到10秒，這會大幅減慢訓練/推理速度。
3. 加快訓練/推理速度：使用64維梅爾濾波器組和16x16無重疊的圖像塊，從10秒的頻譜圖中得到248個圖像塊。相比之下，AST使用128個梅爾濾波器組，16x16（10x10重疊）卷積，在訓練/推理時會產生1212個圖像塊。CED - Tiny在普通CPU上的運行速度與可比的MobileNetV3一樣快。
4. 性能表現出色：參數為10M的CED模型性能優於大多數先前的方法（約80M參數）。

📚 詳細文檔

模型來源

• 原始倉庫：https://github.com/RicherMans/CED
• 倉庫：https://github.com/jimbozhang/hf_transformers_custom_model_ced
• 論文：CED: Consistent ensemble distillation for audio tagging
• 演示：https://huggingface.co/spaces/mispeech/ced-base

📄 許可證

本項目採用Apache - 2.0許可證。