การจำแนกเสียงด้วย YAMNet

ดูบน TensorFlow.org ทำงานใน Google Colab ดูบน GitHub ดาวน์โหลดโน๊ตบุ๊ค ดูรุ่น TF Hub

YAMNet เป็นสุทธิลึกที่คาดการณ์เหตุการณ์ 521 เสียง ชั้นเรียน จาก คลัง AudioSet-YouTube มันได้รับการฝึกฝนใน มันมีพนักงาน Mobilenet_v1 สถาปัตยกรรมบิด depthwise-แยกกันไม่ออก

import tensorflow as tf
import tensorflow_hub as hub
import numpy as np
import csv

import matplotlib.pyplot as plt
from IPython.display import Audio
from scipy.io import wavfile

โหลดโมเดลจาก TensorFlow Hub

# Load the model.
model = hub.load('https://tfhub.dev/google/yamnet/1')

แฟ้มป้ายจะถูกโหลดจากสินทรัพย์รูปแบบและเป็นปัจจุบันที่ model.class_map_path() คุณจะโหลดไว้บน class_names ตัวแปร

# Find the name of the class with the top score when mean-aggregated across frames.
def class_names_from_csv(class_map_csv_text):
  """Returns list of class names corresponding to score vector."""
  class_names = []
  with tf.io.gfile.GFile(class_map_csv_text) as csvfile:
    reader = csv.DictReader(csvfile)
    for row in reader:
      class_names.append(row['display_name'])

  return class_names

class_map_path = model.class_map_path().numpy()
class_names = class_names_from_csv(class_map_path)

เพิ่มวิธีการตรวจสอบและแปลงไฟล์เสียงที่โหลดอยู่ใน sample_rate ที่เหมาะสม (16K) ไม่เช่นนั้นจะส่งผลต่อผลลัพธ์ของโมเดล

def ensure_sample_rate(original_sample_rate, waveform,
                       desired_sample_rate=16000):
  """Resample waveform if required."""
  if original_sample_rate != desired_sample_rate:
    desired_length = int(round(float(len(waveform)) /
                               original_sample_rate * desired_sample_rate))
    waveform = scipy.signal.resample(waveform, desired_length)
  return desired_sample_rate, waveform

การดาวน์โหลดและเตรียมไฟล์เสียง

ที่นี่คุณจะดาวน์โหลดไฟล์ wav และฟังมัน หากคุณมีไฟล์อยู่แล้ว เพียงอัปโหลดไปที่ colab และใช้แทน

curl -O https://storage.googleapis.com/audioset/speech_whistling2.wav

% Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
100  153k  100  153k    0     0   267k      0 --:--:-- --:--:-- --:--:--  266k

curl -O https://storage.googleapis.com/audioset/miaow_16k.wav

% Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
100  210k  100  210k    0     0   185k      0  0:00:01  0:00:01 --:--:--  185k

# wav_file_name = 'speech_whistling2.wav'
wav_file_name = 'miaow_16k.wav'
sample_rate, wav_data = wavfile.read(wav_file_name, 'rb')
sample_rate, wav_data = ensure_sample_rate(sample_rate, wav_data)

# Show some basic information about the audio.
duration = len(wav_data)/sample_rate
print(f'Sample rate: {sample_rate} Hz')
print(f'Total duration: {duration:.2f}s')
print(f'Size of the input: {len(wav_data)}')

# Listening to the wav file.
Audio(wav_data, rate=sample_rate)

Sample rate: 16000 Hz
Total duration: 6.73s
Size of the input: 107698
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/ipykernel_launcher.py:3: WavFileWarning: Chunk (non-data) not understood, skipping it.
  This is separate from the ipykernel package so we can avoid doing imports until

wav_data ความต้องการที่จะปกติกับค่าใน [-1.0, 1.0] (ตามที่ระบุไว้ในรูปแบบของ เอกสาร )

waveform = wav_data / tf.int16.max

กำลังดำเนินการโมเดล

ตอนนี้เป็นส่วนที่ง่าย: การใช้ข้อมูลที่เตรียมไว้แล้ว คุณเพียงแค่เรียกแบบจำลองแล้วรับ: คะแนน การฝัง และสเปกโตรแกรม

คะแนนคือผลลัพธ์หลักที่คุณจะใช้ สเปกโตรแกรมที่คุณจะใช้สร้างภาพข้อมูลในภายหลัง

# Run the model, check the output.
scores, embeddings, spectrogram = model(waveform)

scores_np = scores.numpy()
spectrogram_np = spectrogram.numpy()
infered_class = class_names[scores_np.mean(axis=0).argmax()]
print(f'The main sound is: {infered_class}')

The main sound is: Animal

การสร้างภาพ

YAMNet ยังส่งคืนข้อมูลเพิ่มเติมบางอย่างที่เราสามารถใช้สำหรับการสร้างภาพข้อมูล มาดู Waveform, spectrogram และคลาสที่อนุมานได้ดีที่สุด

plt.figure(figsize=(10, 6))

# Plot the waveform.
plt.subplot(3, 1, 1)
plt.plot(waveform)
plt.xlim([0, len(waveform)])

# Plot the log-mel spectrogram (returned by the model).
plt.subplot(3, 1, 2)
plt.imshow(spectrogram_np.T, aspect='auto', interpolation='nearest', origin='lower')

# Plot and label the model output scores for the top-scoring classes.
mean_scores = np.mean(scores, axis=0)
top_n = 10
top_class_indices = np.argsort(mean_scores)[::-1][:top_n]
plt.subplot(3, 1, 3)
plt.imshow(scores_np[:, top_class_indices].T, aspect='auto', interpolation='nearest', cmap='gray_r')

# patch_padding = (PATCH_WINDOW_SECONDS / 2) / PATCH_HOP_SECONDS
# values from the model documentation
patch_padding = (0.025 / 2) / 0.01
plt.xlim([-patch_padding-0.5, scores.shape[0] + patch_padding-0.5])
# Label the top_N classes.
yticks = range(0, top_n, 1)
plt.yticks(yticks, [class_names[top_class_indices[x]] for x in yticks])
_ = plt.ylim(-0.5 + np.array([top_n, 0]))

png