Vit Base Patch16 1024 128.audiomae As2m Ft As20k

🚀 vit_base_patch16_1024_128.audiomae_as2m_ft_as20k模型卡

这是一款用于音频处理的视觉变换器（ViT）模型。它在AudioSet - 2M数据集上使用自监督掩码自编码器（MAE）方法进行预训练，并在AudioSet - 20k数据集上进行微调。

• 这是AudioMAE ViT - B/16权重的移植版本，可与timm库配合使用。命名约定借鉴了timm库中的其他ViT模型。
• 查看原始仓库：https://github.com/facebookresearch/AudioMAE
• 如需获取AudioSet - 2M预训练检查点（未在Audioset - 20k上微调），请访问：https://huggingface.co/gaunernst/vit_base_patch16_1024_128.audiomae_as2m

🚀 快速开始

本模型是针对音频设计的视觉变换器（ViT），通过在AudioSet - 2M数据集上预训练和AudioSet - 20k数据集上微调，可用于音频分类等任务。

✨ 主要特性

• 基于视觉变换器（ViT）架构，适用于音频领域。
• 使用自监督掩码自编码器（MAE）方法在AudioSet - 2M数据集上预训练。
• 在AudioSet - 20k数据集上进行微调，提升模型性能。

📦 安装指南

文档未提及具体安装步骤，可参考timm库的官方安装说明。

💻 使用示例

基础用法

import timm
import torch
import torch.nn.functional as F
from torchaudio.compliance import kaldi

# NOTE: for timm<0.9.11, you also need to pass `global_pool='avg'`
# if only embeddings are needed, pass `num_classes=0`
model = timm.create_model("hf_hub:gaunernst/vit_base_patch16_1024_128.audiomae_as2m_ft_as20k", pretrained=True)
model = model.eval()

MEAN = -4.2677393
STD = 4.5689974

audio = torch.randn(1, 10 * 16_000)  # make sure input is 16kHz
melspec = kaldi.fbank(audio, htk_compat=True, window_type="hanning", num_mel_bins=128)  # shape (n_frames, 128)

# AudioMAE only accepts 1024-frame input
if melspec.shape[0] < 1024:
    melspec = F.pad(melspec, (0, 0, 0, 1024 - melspec.shape[0]))
else:
    melspec = melspec[:1024]
melspec = (melspec - MEAN) / (STD * 2)

melspec = melspec.view(1, 1, 1024, 128)  # add batch dim and channel dim
output = model(melspec)

# for classification
top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

# for embeddings
output  # shape (1, 768)

📚 详细文档

模型详情

📄 许可证

本模型采用CC - BY - 4.0许可证。

📚 引用

@inproceedings{huang2022amae,
  title = {Masked Autoencoders that Listen},
  author = {Huang, Po-Yao and Xu, Hu and Li, Juncheng and Baevski, Alexei and Auli, Michael and Galuba, Wojciech and Metze, Florian and Feichtenhofer, Christoph}
  booktitle = {NeurIPS},
  year = {2022}
}

@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}