12월 7일 Women in ML 심포지엄 참석 지금 등록

오디오 분류기 통합

컬렉션을 사용해 정리하기 내 환경설정을 기준으로 콘텐츠를 저장하고 분류하세요.

오디오 분류는 기계 학습의 일반적인 사용 사례로 소리 유형을 분류합니다. 예를 들어 노래로 새의 종을 식별할 수 있습니다.

작업 라이브러리 AudioClassifier API를 사용하여 사용자 지정 오디오 분류기 또는 사전 훈련된 분류기를 모바일 앱에 배포할 수 있습니다.

AudioClassifier API의 주요 기능

  • 입력 오디오 처리(예: PCM 16비트 인코딩을 PCM 부동 인코딩으로 변환 및 오디오 링 버퍼 조작).

  • 레이블 맵 로케일.

  • 멀티 헤드 분류 모델을 지원합니다.

  • 단일 레이블 및 다중 레이블 분류를 모두 지원합니다.

  • 결과를 필터링하기 위한 점수 임계값입니다.

  • Top-k 분류 결과.

  • 허용 목록 및 거부 목록에 레이블을 지정합니다.

지원되는 오디오 분류기 모델

다음 모델은 AudioClassifier API와 호환이 보장됩니다.

Java에서 추론 실행

Android 앱에서 AudioClassifier 를 사용하는 예는 오디오 분류 참조 앱 을 참조하세요.

1단계: Gradle 종속성 및 기타 설정 가져오기

.tflite 모델 파일을 모델이 실행될 Android 모듈의 자산 디렉토리에 복사합니다. 파일을 압축하지 않도록 지정하고 모듈의 build.gradle 파일에 TensorFlow Lite 라이브러리를 추가합니다.

android {
    // Other settings

    // Specify that the tflite file should not be compressed when building the APK package.
    aaptOptions {
        noCompress "tflite"
    }
}

dependencies {
    // Other dependencies

    // Import the Audio Task Library dependency (NNAPI is included)
    implementation 'org.tensorflow:tensorflow-lite-task-audio:0.4.0'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.0'
}

2단계: 모델 사용

// Initialization
AudioClassifierOptions options =
    AudioClassifierOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setMaxResults(1)
        .build();
AudioClassifier classifier =
    AudioClassifier.createFromFileAndOptions(context, modelFile, options);

// Start recording
AudioRecord record = classifier.createAudioRecord();
record.startRecording();

// Load latest audio samples
TensorAudio audioTensor = classifier.createInputTensorAudio();
audioTensor.load(record);

// Run inference
List<Classifications> results = audioClassifier.classify(audioTensor);

AudioClassifier 구성에 대한 추가 옵션은 소스 코드 및 javadoc 을 참조하십시오.

iOS에서 추론 실행

1단계: 종속성 설치

작업 라이브러리는 CocoaPods를 사용한 설치를 지원합니다. 시스템에 CocoaPods가 설치되어 있는지 확인하십시오. 지침은 CocoaPods 설치 가이드 를 참조하십시오.

Xcode 프로젝트에 포드를 추가하는 방법에 대한 자세한 내용은 CocoaPods 가이드 를 참조하세요.

Podfile에 TensorFlowLiteTaskAudio 포드를 추가합니다.

target 'MyAppWithTaskAPI' do
  use_frameworks!
  pod 'TensorFlowLiteTaskAudio'
end

추론에 사용할 .tflite 모델이 앱 번들에 있는지 확인하십시오.

2단계: 모델 사용

빠른

// Imports
import TensorFlowLiteTaskAudio
import AVFoundation

// Initialization
guard let modelPath = Bundle.main.path(forResource: "sound_classification",
                                            ofType: "tflite") else { return }

let options = AudioClassifierOptions(modelPath: modelPath)

// Configure any additional options:
// options.classificationOptions.maxResults = 3

let classifier = try AudioClassifier.classifier(options: options)

// Create Audio Tensor to hold the input audio samples which are to be classified.
// Created Audio Tensor has audio format matching the requirements of the audio classifier.
// For more details, please see:
// https://github.com/tensorflow/tflite-support/blob/master/tensorflow_lite_support/ios/task/audio/core/audio_tensor/sources/TFLAudioTensor.h
let audioTensor = classifier.createInputAudioTensor()

// Create Audio Record to record the incoming audio samples from the on-device microphone.
// Created Audio Record has audio format matching the requirements of the audio classifier.
// For more details, please see:
https://github.com/tensorflow/tflite-support/blob/master/tensorflow_lite_support/ios/task/audio/core/audio_record/sources/TFLAudioRecord.h
let audioRecord = try classifier.createAudioRecord()

// Request record permissions from AVAudioSession before invoking audioRecord.startRecording().
AVAudioSession.sharedInstance().requestRecordPermission { granted in
    if granted {
        DispatchQueue.main.async {
            // Start recording the incoming audio samples from the on-device microphone.
            try audioRecord.startRecording()

            // Load the samples currently held by the audio record buffer into the audio tensor.
            try audioTensor.load(audioRecord: audioRecord)

            // Run inference
            let classificationResult = try classifier.classify(audioTensor: audioTensor)
        }
    }
}

오브젝티브 C

// Imports
#import <TensorFlowLiteTaskAudio/TensorFlowLiteTaskAudio.h>
#import <AVFoundation/AVFoundation.h>

// Initialization
NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"sound_classification" ofType:@"tflite"];

TFLAudioClassifierOptions *options =
    [[TFLAudioClassifierOptions alloc] initWithModelPath:modelPath];

// Configure any additional options:
// options.classificationOptions.maxResults = 3;

TFLAudioClassifier *classifier = [TFLAudioClassifier audioClassifierWithOptions:options
                                                                          error:nil];

// Create Audio Tensor to hold the input audio samples which are to be classified.
// Created Audio Tensor has audio format matching the requirements of the audio classifier.
// For more details, please see:
// https://github.com/tensorflow/tflite-support/blob/master/tensorflow_lite_support/ios/task/audio/core/audio_tensor/sources/TFLAudioTensor.h
TFLAudioTensor *audioTensor = [classifier createInputAudioTensor];

// Create Audio Record to record the incoming audio samples from the on-device microphone.
// Created Audio Record has audio format matching the requirements of the audio classifier.
// For more details, please see:
https://github.com/tensorflow/tflite-support/blob/master/tensorflow_lite_support/ios/task/audio/core/audio_record/sources/TFLAudioRecord.h
TFLAudioRecord *audioRecord = [classifier createAudioRecordWithError:nil];

// Request record permissions from AVAudioSession before invoking -[TFLAudioRecord startRecordingWithError:].
[[AVAudioSession sharedInstance] requestRecordPermission:^(BOOL granted) {
    if (granted) {
        dispatch_async(dispatch_get_main_queue(), ^{
            // Start recording the incoming audio samples from the on-device microphone.
            [audioRecord startRecordingWithError:nil];

            // Load the samples currently held by the audio record buffer into the audio tensor.
            [audioTensor loadAudioRecord:audioRecord withError:nil];

            // Run inference
            TFLClassificationResult *classificationResult =
                [classifier classifyWithAudioTensor:audioTensor error:nil];

        });
    }
}];

TFLAudioClassifier 구성에 대한 추가 옵션은 소스 코드 를 참조하십시오.

Python에서 추론 실행

1단계: pip 패키지 설치

pip install tflite-support
  • Linux: sudo apt-get update && apt-get install libportaudio2
  • Mac 및 Windows: tflite-support pip 패키지를 설치할 때 PortAudio가 자동으로 설치됩니다.

2단계: 모델 사용

# Imports
from tflite_support.task import audio
from tflite_support.task import core
from tflite_support.task import processor

# Initialization
base_options = core.BaseOptions(file_name=model_path)
classification_options = processor.ClassificationOptions(max_results=2)
options = audio.AudioClassifierOptions(base_options=base_options, classification_options=classification_options)
classifier = audio.AudioClassifier.create_from_options(options)

# Alternatively, you can create an audio classifier in the following manner:
# classifier = audio.AudioClassifier.create_from_file(model_path)

# Run inference
audio_file = audio.TensorAudio.create_from_wav_file(audio_path, classifier.required_input_buffer_size)
audio_result = classifier.classify(audio_file)

AudioClassifier 구성에 대한 추가 옵션은 소스 코드 를 참조하십시오.

C++에서 추론 실행

// Initialization
AudioClassifierOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<AudioClassifier> audio_classifier = AudioClassifier::CreateFromOptions(options).value();

// Create input audio buffer from your `audio_data` and `audio_format`.
// See more information here: tensorflow_lite_support/cc/task/audio/core/audio_buffer.h
int input_size = audio_classifier->GetRequiredInputBufferSize();
const std::unique_ptr<AudioBuffer> audio_buffer =
    AudioBuffer::Create(audio_data, input_size, audio_format).value();

// Run inference
const ClassificationResult result = audio_classifier->Classify(*audio_buffer).value();

AudioClassifier 구성에 대한 추가 옵션은 소스 코드 를 참조하십시오.

모델 호환성 요구 사항

AudioClassifier API는 필수 TFLite 모델 메타데이터 가 있는 TFLite 모델을 예상합니다. TensorFlow Lite Metadata Writer API 를 사용하여 오디오 분류자에 대한 메타데이터를 생성하는 예를 참조하세요.

호환되는 오디오 분류기 모델은 다음 요구 사항을 충족해야 합니다.

  • 입력 오디오 텐서(kTfLiteFloat32)

    • [batch x samples] 크기의 오디오 클립.
    • 배치 추론은 지원되지 않습니다( batch 는 1이어야 함).
    • 다중 채널 모델의 경우 채널을 인터리브해야 합니다.
  • 출력 점수 텐서(kTfLiteFloat32)

    • N이 있는 [1 x N] N 은 클래스 번호를 나타냅니다.
    • TENSOR_AXIS_LABELS 유형의 AssociatedFile-s로 선택적인(하지만 권장되는) 레이블 맵으로, 한 줄에 하나의 레이블을 포함합니다. 첫 번째 AssociatedFile(있는 경우)은 결과의 label 필드(C++에서는 class_name 으로 명명됨)를 채우는 데 사용됩니다. display_name 필드는 생성 시 사용된 AudioClassifierOptionsdisplay_names_locale 필드와 로케일이 일치하는 AssociatedFile(있는 경우)에서 채워집니다(기본적으로 "en", 즉 영어). 사용할 수 없는 경우 결과의 index 필드만 채워집니다.