Audio-Classification-With-Deep-Learning

Bu proje micah5 adlı kullanıcının bizlere sunduğu kütüphanenin parçalanıp editlenip bir proje haline dönüştürülmesi ile oluşmuştur. Hızlı bir kullanım için üstte verdiğim linki kullanabilirsiniz. Modeller üzerinde değişiklik yapmak için, data üzerinde manipülasyonlar yapmak içinse attığım .ipynb uzantılı dosyayı kullanabilirsiniz.

Requirements

• Python 3
• Keras
• Tensorflow
• librosa
• NumPy
• Soundfile
• tqdm
• matplotlib

Step 1: Data

Ses veriniz herhangi bir uzantıya (.mp3,.wav,.ogg) sahip olabilir. Ben .ogg kullanılmasını öneriyorum. Karışık uzatılarda kullanabilirsiniz. Data klasörünüzün aşağıdaki hiyerarşide olması yeterlidir. Data için herhangi bir csv dosyasına ihtiyacınız yoktur.

data/
├── cat/
│   ├── cat1.ogg
│   ├── cat2.ogg
│   ├── cat3.wav
│   └── cat4.wav
└── dog/
    ├── dog1.ogg
    ├── dog2.ogg
    ├── dog3.wav
    └── dog4.wav

Step 2: Training

Aşağıdaki parametreleri train fonksyonuna gönderebilirsiniz. features, labels parametrelerini kesinlikle göndermeniz gerekmektedir. Diğer parametrelere deafult değerler atanmıştır.

• num_classes: Sınıf sayınız. Eğer parametre olarak göndermezseniz otomatik olarak hesaplanmaktadır.

• epochs: Epoch sayınız. Default 50.

• lr: Learning rate. Default 0.01.

• optimiser: Herhangi birini seçebilirsiniz. these. Default 'SGD'.

• print_summary: Modeliniz hakkında bilgiler verir. Default False.

• loss_type: Classification type. Default is categorical for >2 classes, and binary otherwise.

You can add any of these as optional arguments, for example train(features, labels, lr=0.05)

---

Eğer Modelenizi kaydetmek ve sonradan tekrar kullanmak isterseniz aşağıdaki kod parçacığını eklemeniz gerekmektedir.

from keras.models import load_model

model.save('my_model.h5')
model = load_model('my_model.h5')

Step 3: Prediction

leaderboard bütün sınıflara olan üyelik derecesini belirtir. Aşağıdaki gibi.

1. Cow 100.0% (index 2)
2. Rooster 0.0% (index 0)
3. Frog 0.0% (index 3)
4. Pig 0.0% (index 1)

pred = predict(model, '/home/munir/Desktop/pyAudioClassification-master/example/cow_test.wav')
print_leaderboard(pred, '/home/munir/Desktop/pyAudioClassification-master/example/data')

pred = predict(model, <data_path>)

Your <data_path> should point to a new, untested audio file.

References

• Large parts of the code (particularly the feature extraction) are based on mtobeiyf/audio-classification
• panotti