據(jù)集，106,574 首曲目與 917 GiB CC 音頻)
FMA完整音樂分析數(shù)據(jù)集106,574 首曲目與 917 GiB CC 音頻【免費(fèi)下載鏈接】fmaFMA: A Dataset For Music Analysis項(xiàng)目地址: https://gitcode.com/gh_mirrors/fm/fmaFMA 是一個(gè)開源音樂分析數(shù)據(jù)集收錄 106,574 首 Creative Commons 授權(quán)的曲目、161 個(gè)流派標(biāo)簽和預(yù)計(jì)算音頻特征。你在訓(xùn)練音頻模型時(shí)缺數(shù)據(jù)它一次給齊。FMA 音樂分析數(shù)據(jù)集解決什么麻煩想訓(xùn)練音頻模型先得弄到一批來路干凈的音頻自己收集的話版權(quán)沒法保證。只有 1,000 首、8 個(gè)標(biāo)簽的老數(shù)據(jù)集模型一上就過擬合那 8 個(gè)流派。特征提取也是座大山自己用 librosa 跑 10 萬首曲目的特征光處理就要好幾天。能力速覽能力一句話說明≤15字典型場(chǎng)景CC 授權(quán)音頻106,574 首343 天時(shí)長(zhǎng)流派識(shí)別、音頻模型訓(xùn)練預(yù)計(jì)算特征librosa 提取即用跳過特征工程直接建模分層流派標(biāo)簽161 個(gè)流派帶父子關(guān)系粗粒度分類、多標(biāo)簽任務(wù)元數(shù)據(jù)與標(biāo)簽藝術(shù)家、專輯、播放量、簡(jiǎn)介推薦系統(tǒng)、多模態(tài)特征官方切分與基線train/val/test 附基線與社區(qū)論文對(duì)比數(shù)字最短上手路徑git clone https://gitcode.com/gh_mirrors/fm/fma cd fma pip install -r requirements.txt然后在data/目錄下載并解壓fma_metadata.zip342 MiB和fma_small.zip7.2 GiB下載命令和 sha1 校驗(yàn)?zāi)_本都寫在 README.md 里照抄即可。再在倉庫根目錄的.env里把AUDIO_DIR指向解壓后的音頻目錄就可以跑第一個(gè) cellimport utils tracks utils.load(data/fma_metadata/tracks.csv) features utils.load(data/fma_metadata/features.csv) print(tracks[track, genre_top].value_counts().head())立刻能看到曲目數(shù)最多的流派和對(duì)應(yīng)特征。音頻共四種規(guī)格從小到大fma_small7.2 GiB—— 8,000 首 30 秒片段8 個(gè)平衡流派適合快速驗(yàn)證fma_medium22 GiB—— 25,000 首 30 秒片段16 個(gè)流派適合中等規(guī)模實(shí)驗(yàn)fma_large93 GiB—— 106,574 首 30 秒片段161 個(gè)流派適合全流派研究fma_full879 GiB—— 完整長(zhǎng)度音頻適合全長(zhǎng)序列建模三個(gè)真實(shí)用法跑通流派識(shí)別基線想知道現(xiàn)有數(shù)據(jù)和方法能到什么水平先跑官方基線模型。make baselines.ipynb它會(huì)分別用音頻和特征訓(xùn)練兩組基線并給出準(zhǔn)確率。驗(yàn)證音頻加載鏈路寫訓(xùn)練管線之前先確認(rèn)第一首曲子的路徑和波形加載沒問題。import os import utils path utils.get_audio_path(os.environ[AUDIO_DIR], 2) y utils.LibrosaLoader().load(path)查看流派層級(jí)頂層分類只需要少數(shù)頂層流派時(shí)先看清父子結(jié)構(gòu)再?zèng)Q定怎么歸并標(biāo)簽。import utils from utils import Genres genres utils.load(data/fma_metadata/genres.csv) print(Genres(genres).find_roots())踩坑清單unzip 解壓到尾部報(bào) unsupported compression 錯(cuò)。換 7zip 解壓不放心就用 README 里的 sha1 先校驗(yàn)壓縮包是否完整。pip install -r requirements.txt 報(bào)錯(cuò)提示指向 numpy 或 resampy。先執(zhí)行pip install numpy1.12.1再裝 requirements官方 README 明確這是繞過 resampy 的安裝問題。在 Python 3.10 以上環(huán)境tensorflow 1.0.1、librosa 0.5.0 這類老版本裝不上。用 Python 3.6 開獨(dú)立環(huán)境conda create -n fma python3.6如果只用元數(shù)據(jù)和特征也可以直接拿新版 pandas 讀 csv繞開整套老依賴。下一步usage.ipynb加載數(shù)據(jù)、訓(xùn)練與評(píng)測(cè)模型的完整流程analysis.ipynb探索元數(shù)據(jù)、特征與流派層級(jí)分布baselines.ipynb流派識(shí)別基線數(shù)字進(jìn)階方向用 fma_large 的 30 秒片段預(yù)訓(xùn)練音頻表示模型再微調(diào)下游任務(wù)clone 下來解壓 fma_small你手里就是 8,000 首帶流派標(biāo)簽的音頻。【免費(fèi)下載鏈接】fmaFMA: A Dataset For Music Analysis項(xiàng)目地址: https://gitcode.com/gh_mirrors/fm/fma創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 FMA｜完整音樂分析數(shù)據(jù)集，106,574 首曲目與 917 GiB CC 音頻
FMA完整音樂分析數(shù)據(jù)集106,574 首曲目與 917 GiB CC 音頻【免費(fèi)下載鏈接】fmaFMA: A Dataset For Music Analysis項(xiàng)目地址: https://gitcode.com/gh_mirrors/fm/fmaFMA 是一個(gè)開源音樂分析數(shù)據(jù)集收錄 106,574 首 Creative Commons 授權(quán)的曲目、161 個(gè)流派標(biāo)簽和預(yù)計(jì)算音頻特征。你在訓(xùn)練音頻模型時(shí)缺數(shù)據(jù)它一次給齊。FMA 音樂分析數(shù)據(jù)集解決什么麻煩想訓(xùn)練音頻模型先得弄到一批來路干凈的音頻自己收集的話版權(quán)沒法保證。只有 1,000 首、8 個(gè)標(biāo)簽的老數(shù)據(jù)集模型一上就過擬合那 8 個(gè)流派。特征提取也是座大山自己用 librosa 跑 10 萬首曲目的特征光處理就要好幾天。能力速覽能力一句話說明≤15字典型場(chǎng)景CC 授權(quán)音頻106,574 首343 天時(shí)長(zhǎng)流派識(shí)別、音頻模型訓(xùn)練預(yù)計(jì)算特征librosa 提取即用跳過特征工程直接建模分層流派標(biāo)簽161 個(gè)流派帶父子關(guān)系粗粒度分類、多標(biāo)簽任務(wù)元數(shù)據(jù)與標(biāo)簽藝術(shù)家、專輯、播放量、簡(jiǎn)介推薦系統(tǒng)、多模態(tài)特征官方切分與基線train/val/test 附基線與社區(qū)論文對(duì)比數(shù)字最短上手路徑git clone https://gitcode.com/gh_mirrors/fm/fma cd fma pip install -r requirements.txt然后在data/目錄下載并解壓fma_metadata.zip342 MiB和fma_small.zip7.2 GiB下載命令和 sha1 校驗(yàn)?zāi)_本都寫在 README.md 里照抄即可。再在倉庫根目錄的.env里把AUDIO_DIR指向解壓后的音頻目錄就可以跑第一個(gè) cellimport utils tracks utils.load(data/fma_metadata/tracks.csv) features utils.load(data/fma_metadata/features.csv) print(tracks[track, genre_top].value_counts().head())立刻能看到曲目數(shù)最多的流派和對(duì)應(yīng)特征。音頻共四種規(guī)格從小到大fma_small7.2 GiB—— 8,000 首 30 秒片段8 個(gè)平衡流派適合快速驗(yàn)證fma_medium22 GiB—— 25,000 首 30 秒片段16 個(gè)流派適合中等規(guī)模實(shí)驗(yàn)fma_large93 GiB—— 106,574 首 30 秒片段161 個(gè)流派適合全流派研究fma_full879 GiB—— 完整長(zhǎng)度音頻適合全長(zhǎng)序列建模三個(gè)真實(shí)用法跑通流派識(shí)別基線想知道現(xiàn)有數(shù)據(jù)和方法能到什么水平先跑官方基線模型。make baselines.ipynb它會(huì)分別用音頻和特征訓(xùn)練兩組基線并給出準(zhǔn)確率。驗(yàn)證音頻加載鏈路寫訓(xùn)練管線之前先確認(rèn)第一首曲子的路徑和波形加載沒問題。import os import utils path utils.get_audio_path(os.environ[AUDIO_DIR], 2) y utils.LibrosaLoader().load(path)查看流派層級(jí)頂層分類只需要少數(shù)頂層流派時(shí)先看清父子結(jié)構(gòu)再?zèng)Q定怎么歸并標(biāo)簽。import utils from utils import Genres genres utils.load(data/fma_metadata/genres.csv) print(Genres(genres).find_roots())踩坑清單unzip 解壓到尾部報(bào) unsupported compression 錯(cuò)。換 7zip 解壓不放心就用 README 里的 sha1 先校驗(yàn)壓縮包是否完整。pip install -r requirements.txt 報(bào)錯(cuò)提示指向 numpy 或 resampy。先執(zhí)行pip install numpy1.12.1再裝 requirements官方 README 明確這是繞過 resampy 的安裝問題。在 Python 3.10 以上環(huán)境tensorflow 1.0.1、librosa 0.5.0 這類老版本裝不上。用 Python 3.6 開獨(dú)立環(huán)境conda create -n fma python3.6如果只用元數(shù)據(jù)和特征也可以直接拿新版 pandas 讀 csv繞開整套老依賴。下一步usage.ipynb加載數(shù)據(jù)、訓(xùn)練與評(píng)測(cè)模型的完整流程analysis.ipynb探索元數(shù)據(jù)、特征與流派層級(jí)分布baselines.ipynb流派識(shí)別基線數(shù)字進(jìn)階方向用 fma_large 的 30 秒片段預(yù)訓(xùn)練音頻表示模型再微調(diào)下游任務(wù)clone 下來解壓 fma_small你手里就是 8,000 首帶流派標(biāo)簽的音頻。【免費(fèi)下載鏈接】fmaFMA: A Dataset For Music Analysis項(xiàng)目地址: https://gitcode.com/gh_mirrors/fm/fma創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考