gtzan
קוד פתוחmarsyasרישיון לא דווח2022-03-14
אלף קטעי שמע קצרים באורך חצי דקה מחולקים שווה בשווה בין עשרה ז'אנרים. זה מאגר ותיק ומוכר שמתאים בעיקר לבדיקת מודלים לסיווג מוזיקה.
- 1,852הורדות בחודש
- 18לייקים
מה זה
המאגר כולל 1,000 קטעי שמע שונים באורך של 30 שניות כל אחד. כל הקבצים מגיעים כקבצי WAV בערוץ מונו יחיד, בקצב דגימה של 22,050 הרץ ובעומק 16 סיביות. הקטעים מחולקים לעשרה סגנונות מוזיקליים שונים: בלוז, מוזיקה קלאסית, קאנטרי, דיסקו, היפ הופ, ג'אז, מטאל, פופ, רגאיי ורוק. לכל אחד מהסגנונות האלה מוקצים בדיוק 100 קטעים.
במבנה הנתונים, כל רשומה כוללת את נתיב הקובץ, אובייקט שמע המכיל את המערך המפוענח יחד עם קצב הדגימה, ותגית ז'אנר מספרית. אין כאן חלוקה מובנית לסט אימון, בדיקה או ולידציה, וכל הדוגמאות מוגדרות כחלק מסט יחיד. כרטיס הדאטהסט לא מפרט מאיזה מקורות הוקלטו השירים, איך הם נדגמו או סוננו, ומיהם האנשים שאחראים על התיוג שלהם.
מתאים ל
- סיווג סגנונות מוזיקה
אימון ובדיקה של מודלים שמזהים ז'אנר מוזיקלי מתוך עשר קטגוריות שונות.
- בנצ'מרק של ארכיטקטורות קול
השוואת ביצועים של מודלי עיבוד שמע על בסיס נתונים ותיק ומוכר בתחום.
- חילוץ מאפייני אודיו
תרגול והערכה של חילוץ ספקטרוגרמות ומאפיינים אקוסטיים מקבצי קול קצרים.
איפה זה נופל
הכרטיס משאיר את רוב הסעיפים ריקים ולא מציין הטיות ידועות, שיטות איסוף או מגבלות טכניות. השפה המוגדרת היא אנגלית בלבד ואין בו מוזיקה בעברית או ייצוג מקומי. המאגר נשען על מאמר משנת 2001, כך שהסגנונות וההפקות המוזיקליות מייצגים תקופה ישנה מאוד ולא מוזיקה עכשווית. בנוסף, בהיעדר חלוקה מוגדרת מראש לאימון ולבדיקה, אתם חייבים לייצר חלוקה זהירה בעצמכם כדי למנוע זליגת מידע של קטעים מאותם יוצרים.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא דווח רישיון שימוש במאגר, ולכן אין אישור מפורש לשימוש מסחרי. מומלץ לאמן עליו מודלים רק לצורכי מחקר, הערכה ובדיקות פנימיות.
האם יש במאגר שירים בעברית או מוזיקה ישראלית?
לא. המאגר מוגדר לשפה האנגלית בלבד, וסגנונות המוזיקה מתמקדים בז'אנרים בינלאומיים ללא ייצוג ישראלי.
איך נאספו קטעי השמע והאם המידע אמין?
כרטיס המאגר משאיר את סעיפי האיסוף, הסינון והמתייגים ללא מידע. הפרטים היחידים שנמסרו הם שמדובר באלף קטעים של חצי דקה שחולקו שווה בשווה בין עשרה ז'אנרים.
האם יש חלוקה מובנית לסט אימון ובדיקה?
לא. הנתונים כולם יושבים תחת סט יחיד שמוגדר כאימון. אתם צריכים לפצל את הדוגמאות לבד לפני תחילת העבודה.
איך טוענים
טוענים את המאגר דרך הקוד המצורף gtzan.py שמושך את ארכיון הנתונים הדחוס genres.tar.gz מתוך ארבעת הקבצים במאגר. אין צורך לבקש אישור גישה מיוחד כדי להוריד אותו. השדות המרכזיים שתעבדו איתם הם audio שמכיל את מערך הדגימות וקצב הדגימה, ו־genre שמשמש כמטרת הסיווג. מכיוון שמדובר באודיו גולמי, כדאי לוודא שסביבת העבודה שלכם ערוכה לפריקת קבצי קול ושקצב הדגימה של המודל תואם לערך של 22,050 הרץ.
from datasets import load_dataset
ds = load_dataset("marsyas/gtzan")הרישיון
לא דווח רישיון עבור המאגר הזה. המשמעות היא שאין הרשאה ברורה להשתמש בו לצרכים מסחריים, ואי אפשר לדעת מה הזכויות המשפטיות שחלות על קטעי השמע עצמם. אם אתם בונים מוצר מסחרי, כדאי להימנע מאימון ישיר עליו עד שיתברר הסטטוס המשפטי, ולהגביל את השימוש למחקר ובדיקות פנימיות בלבד.