rainure

  • Description:

Le Groove MIDI Dataset (GMD) est composé de 13,6 heures de MIDI aligné et d'audio (synthétisé) de percussions expressives jouées par l'homme et alignées sur le tempo capturées sur un kit de batterie électronique Roland TD-11 V-Drum.

@inproceedings{groove2019,
    Author = {Jon Gillick and Adam Roberts and Jesse Engel and Douglas Eck and David Bamman},
    Title = {Learning to Groove with Inverse Sequence Transformations},
    Booktitle   = {International Conference on Machine Learning (ICML)}
    Year = {2019},
}

groove/full-midionly (configuration par défaut)

  • Description Config: jeu de données Groove sans audio, unsplit.

  • Taille du téléchargement: 3.11 MiB

  • Dataset Taille: 5.22 MiB

  • Auto-cache ( documentation ): Oui

  • scissions:

Diviser Exemples
'test' 129
'train' 897
'validation' 124
  • Caractéristiques:
FeaturesDict({
    'bpm': tf.int32,
    'drummer': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'id': tf.string,
    'midi': tf.string,
    'style': FeaturesDict({
        'primary': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
        'secondary': tf.string,
    }),
    'time_signature': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'type': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

rainure/plein-16000hz

  • Description Config: jeu de données Groove avec audio, unsplit.

  • Taille du téléchargement: 4.76 GiB

  • Taille Dataset: 2.33 GiB

  • Mis en cache automatique ( documentation ): Non

  • scissions:

Diviser Exemples
'test' 124
'train' 846
'validation' 120
  • Caractéristiques:
FeaturesDict({
    'audio': Audio(shape=(None,), dtype=tf.float32),
    'bpm': tf.int32,
    'drummer': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'id': tf.string,
    'midi': tf.string,
    'style': FeaturesDict({
        'primary': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
        'secondary': tf.string,
    }),
    'time_signature': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'type': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

groove/2bar-midionly

  • Description Config: jeu de données Groove sans audio, divisé en morceaux de 2 bar.

  • Taille du téléchargement: 3.11 MiB

  • Dataset Taille: 19.59 MiB

  • Auto-cache ( documentation ): Oui

  • scissions:

Diviser Exemples
'test' 2 204
'train' 18 163
'validation' 2 252
  • Caractéristiques:
FeaturesDict({
    'bpm': tf.int32,
    'drummer': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'id': tf.string,
    'midi': tf.string,
    'style': FeaturesDict({
        'primary': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
        'secondary': tf.string,
    }),
    'time_signature': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'type': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

rainure/2bar-16000hz

  • Description Config: jeu de données Groove avec audio, divisé en morceaux de 2 bar.

  • Taille du téléchargement: 4.76 GiB

  • Taille Dataset: 4.61 GiB

  • Mis en cache automatique ( documentation ): Non

  • scissions:

Diviser Exemples
'test' 1 873
'train' 14 390
'validation' 2.034
  • Caractéristiques:
FeaturesDict({
    'audio': Audio(shape=(None,), dtype=tf.float32),
    'bpm': tf.int32,
    'drummer': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'id': tf.string,
    'midi': tf.string,
    'style': FeaturesDict({
        'primary': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
        'secondary': tf.string,
    }),
    'time_signature': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'type': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

groove/4bar-midionly

  • Description Config: jeu de données Groove sans audio, divisé en morceaux de 4 bar.

  • Taille du téléchargement: 3.11 MiB

  • Dataset Taille: 27.32 MiB

  • Auto-cache ( documentation ): Oui

  • scissions:

Diviser Exemples
'test' 2.033
'train' 17 261
'validation' 2 121
  • Caractéristiques:
FeaturesDict({
    'bpm': tf.int32,
    'drummer': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'id': tf.string,
    'midi': tf.string,
    'style': FeaturesDict({
        'primary': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
        'secondary': tf.string,
    }),
    'time_signature': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'type': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})