שלב מסווגי אודיו

סיווג אודיו הוא מקרה שימוש נפוץ של Machine Learning כדי לסווג את סוגי הצלילים. לדוגמה, הוא יכול לזהות את מיני הציפורים לפי השירים שלהם.

ניתן להשתמש ב-Task Library AudioClassifier API כדי לפרוס את סווגי האודיו המותאמים אישית שלך או כאלה שהוכשרו מראש באפליקציה לנייד שלך.

תכונות עיקריות של ה-API של AudioClassifier

• עיבוד אודיו קלט, למשל המרת קידוד PCM 16 סיביות לקידוד PCM Float ומניפולציה של מאגר טבעת האודיו.

• תווית אזור מפה.

• תומך במודל סיווג רב ראשי.

• תומך הן בסיווג של תווית אחת והן בסיווג רב תווית.

• ציון סף לסינון תוצאות.

• תוצאות הסיווג העליון-k.

• תווית רשימת היתרים ורשימת דחייה.

דגמי סיווג אודיו נתמכים

מובטח שהדגמים הבאים יהיו תואמים ל- AudioClassifier API.

• מודלים שנוצרו על ידי TensorFlow Lite Model Maker לסיווג אודיו .

• דגמי סיווג אירועי אודיו שהוכשרו מראש ב- TensorFlow Hub .

• דגמים מותאמים אישית העומדים בדרישות תאימות המודל .

הפעל הסקה ב-Java

עיין באפליקציית ההפניה לסיווג אודיו לקבלת דוגמה לשימוש ב- AudioClassifier באפליקציית Android.

שלב 1: ייבא תלות Gradle והגדרות אחרות

העתק את קובץ דגם ה-. .tflite הנכסים של מודול האנדרואיד שבו המודל יופעל. ציין שאין לדחוס את הקובץ, והוסף את ספריית TensorFlow Lite לקובץ build.gradle של המודול:

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'
}

שלב 2: שימוש במודל

// 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);

עיין בקוד המקור וב-javadoc לאפשרויות נוספות להגדרת AudioClassifier .

הפעל מסקנות ב- Python

שלב 1: התקן את חבילת ה-pip

pip install tflite-support

• לינוקס: הפעל sudo apt-get update && apt-get install libportaudio2
• Mac ו-Windows: PortAudio מותקן אוטומטית בעת התקנת tflite-support pip.

שלב 2: שימוש במודל

# Imports
from tflite_support.task import vision
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)

עיין בקוד המקור לקבלת אפשרויות נוספות להגדרת AudioClassifier .

הפעל מסקנות ב-C++

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

// Create input audio buffer from data.
int input_buffer_size = audio_classifier->GetRequiredInputBufferSize();
const std::unique_ptr<AudioBuffer> audio_buffer =
    AudioBuffer::Create(audio_data.get(), input_buffer_size, kAudioFormat).value();

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

עיין בקוד המקור לקבלת אפשרויות נוספות להגדרת AudioClassifier .

דרישות תאימות לדגם

ה-API של AudioClassifier מצפה למודל TFLite עם מטא נתונים חובה של מודל TFLite . ראה דוגמאות ליצירת מטא נתונים עבור מסווגי אודיו באמצעות TensorFlow Lite Metadata Writer API .

דגמי סיווג האודיו התואמים צריכים לעמוד בדרישות הבאות:

• טנזור אודיו קלט (kTfLiteFloat32)

  • קליפ אודיו בגודל [batch x samples] .
  • הסקת אצווה אינה נתמכת ( batch נדרשת להיות 1).
  • עבור דגמים רב-ערוציים, הערוצים צריכים להיות משולבים.

• טנזור ציון פלט (kTfLiteFloat32)

  • מערך [1 x N] עם N מייצג את מספר המחלקה.
  • מפות תוויות אופציונליות (אך מומלצות) כ-AssociatedFile-s עם סוג TENSOR_AXIS_LABELS, המכילות תווית אחת בכל שורה. ה-AssociatedFile הראשון שכזה (אם קיים) משמש למילוי שדה label (שמו של class_name ב-C++) של התוצאות. השדה display_name ממולא מה-AssociatedFile (אם קיים) שהמקום שלו תואם לשדה display_names_locale של AudioClassifierOptions המשמשים בזמן היצירה ("en" כברירת מחדל, כלומר אנגלית). אם אף אחד מאלה אינו זמין, רק שדה index של התוצאות יתמלא.