FMA完整音樂分析數據集106,574 首曲目與 917 GiB CC 音頻【免費下載鏈接】fmaFMA: A Dataset For Music Analysis項目地址: https://gitcode.com/gh_mirrors/fm/fmaFMA 是一個開源音樂分析數據集收錄 106,574 首 Creative Commons 授權的曲目、161 個流派標簽和預計算音頻特征。你在訓練音頻模型時缺數據它一次給齊。FMA 音樂分析數據集解決什么麻煩想訓練音頻模型先得弄到一批來路干凈的音頻自己收集的話版權沒法保證。只有 1,000 首、8 個標簽的老數據集模型一上就過擬合那 8 個流派。特征提取也是座大山自己用 librosa 跑 10 萬首曲目的特征光處理就要好幾天。能力速覽能力一句話說明≤15字典型場景CC 授權音頻106,574 首343 天時長流派識別、音頻模型訓練預計算特征librosa 提取即用跳過特征工程直接建模分層流派標簽161 個流派帶父子關系粗粒度分類、多標簽任務元數據與標簽藝術家、專輯、播放量、簡介推薦系統、多模態特征官方切分與基線train/val/test 附基線與社區論文對比數字最短上手路徑git clone https://gitcode.com/gh_mirrors/fm/fma cd fma pip install -r requirements.txt然后在data/目錄下載并解壓fma_metadata.zip342 MiB和fma_small.zip7.2 GiB下載命令和 sha1 校驗腳本都寫在 README.md 里照抄即可。再在倉庫根目錄的.env里把AUDIO_DIR指向解壓后的音頻目錄就可以跑第一個 cellimport utils tracks utils.load(data/fma_metadata/tracks.csv) features utils.load(data/fma_metadata/features.csv) print(tracks[track, genre_top].value_counts().head())立刻能看到曲目數最多的流派和對應特征。音頻共四種規格從小到大fma_small7.2 GiB—— 8,000 首 30 秒片段8 個平衡流派適合快速驗證fma_medium22 GiB—— 25,000 首 30 秒片段16 個流派適合中等規模實驗fma_large93 GiB—— 106,574 首 30 秒片段161 個流派適合全流派研究fma_full879 GiB—— 完整長度音頻適合全長序列建模三個真實用法跑通流派識別基線想知道現有數據和方法能到什么水平先跑官方基線模型。make baselines.ipynb它會分別用音頻和特征訓練兩組基線并給出準確率。驗證音頻加載鏈路寫訓練管線之前先確認第一首曲子的路徑和波形加載沒問題。import os import utils path utils.get_audio_path(os.environ[AUDIO_DIR], 2) y utils.LibrosaLoader().load(path)查看流派層級頂層分類只需要少數頂層流派時先看清父子結構再決定怎么歸并標簽。import utils from utils import Genres genres utils.load(data/fma_metadata/genres.csv) print(Genres(genres).find_roots())踩坑清單unzip 解壓到尾部報 unsupported compression 錯。換 7zip 解壓不放心就用 README 里的 sha1 先校驗壓縮包是否完整。pip install -r requirements.txt 報錯提示指向 numpy 或 resampy。先執行pip install numpy1.12.1再裝 requirements官方 README 明確這是繞過 resampy 的安裝問題。在 Python 3.10 以上環境tensorflow 1.0.1、librosa 0.5.0 這類老版本裝不上。用 Python 3.6 開獨立環境conda create -n fma python3.6如果只用元數據和特征也可以直接拿新版 pandas 讀 csv繞開整套老依賴。下一步usage.ipynb加載數據、訓練與評測模型的完整流程analysis.ipynb探索元數據、特征與流派層級分布baselines.ipynb流派識別基線數字進階方向用 fma_large 的 30 秒片段預訓練音頻表示模型再微調下游任務clone 下來解壓 fma_small你手里就是 8,000 首帶流派標簽的音頻。【免費下載鏈接】fmaFMA: A Dataset For Music Analysis項目地址: https://gitcode.com/gh_mirrors/fm/fma創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 FMA｜完整音樂分析數據集，106,574 首曲目與 917 GiB CC 音頻
FMA完整音樂分析數據集106,574 首曲目與 917 GiB CC 音頻【免費下載鏈接】fmaFMA: A Dataset For Music Analysis項目地址: https://gitcode.com/gh_mirrors/fm/fmaFMA 是一個開源音樂分析數據集收錄 106,574 首 Creative Commons 授權的曲目、161 個流派標簽和預計算音頻特征。你在訓練音頻模型時缺數據它一次給齊。FMA 音樂分析數據集解決什么麻煩想訓練音頻模型先得弄到一批來路干凈的音頻自己收集的話版權沒法保證。只有 1,000 首、8 個標簽的老數據集模型一上就過擬合那 8 個流派。特征提取也是座大山自己用 librosa 跑 10 萬首曲目的特征光處理就要好幾天。能力速覽能力一句話說明≤15字典型場景CC 授權音頻106,574 首343 天時長流派識別、音頻模型訓練預計算特征librosa 提取即用跳過特征工程直接建模分層流派標簽161 個流派帶父子關系粗粒度分類、多標簽任務元數據與標簽藝術家、專輯、播放量、簡介推薦系統、多模態特征官方切分與基線train/val/test 附基線與社區論文對比數字最短上手路徑git clone https://gitcode.com/gh_mirrors/fm/fma cd fma pip install -r requirements.txt然后在data/目錄下載并解壓fma_metadata.zip342 MiB和fma_small.zip7.2 GiB下載命令和 sha1 校驗腳本都寫在 README.md 里照抄即可。再在倉庫根目錄的.env里把AUDIO_DIR指向解壓后的音頻目錄就可以跑第一個 cellimport utils tracks utils.load(data/fma_metadata/tracks.csv) features utils.load(data/fma_metadata/features.csv) print(tracks[track, genre_top].value_counts().head())立刻能看到曲目數最多的流派和對應特征。音頻共四種規格從小到大fma_small7.2 GiB—— 8,000 首 30 秒片段8 個平衡流派適合快速驗證fma_medium22 GiB—— 25,000 首 30 秒片段16 個流派適合中等規模實驗fma_large93 GiB—— 106,574 首 30 秒片段161 個流派適合全流派研究fma_full879 GiB—— 完整長度音頻適合全長序列建模三個真實用法跑通流派識別基線想知道現有數據和方法能到什么水平先跑官方基線模型。make baselines.ipynb它會分別用音頻和特征訓練兩組基線并給出準確率。驗證音頻加載鏈路寫訓練管線之前先確認第一首曲子的路徑和波形加載沒問題。import os import utils path utils.get_audio_path(os.environ[AUDIO_DIR], 2) y utils.LibrosaLoader().load(path)查看流派層級頂層分類只需要少數頂層流派時先看清父子結構再決定怎么歸并標簽。import utils from utils import Genres genres utils.load(data/fma_metadata/genres.csv) print(Genres(genres).find_roots())踩坑清單unzip 解壓到尾部報 unsupported compression 錯。換 7zip 解壓不放心就用 README 里的 sha1 先校驗壓縮包是否完整。pip install -r requirements.txt 報錯提示指向 numpy 或 resampy。先執行pip install numpy1.12.1再裝 requirements官方 README 明確這是繞過 resampy 的安裝問題。在 Python 3.10 以上環境tensorflow 1.0.1、librosa 0.5.0 這類老版本裝不上。用 Python 3.6 開獨立環境conda create -n fma python3.6如果只用元數據和特征也可以直接拿新版 pandas 讀 csv繞開整套老依賴。下一步usage.ipynb加載數據、訓練與評測模型的完整流程analysis.ipynb探索元數據、特征與流派層級分布baselines.ipynb流派識別基線數字進階方向用 fma_large 的 30 秒片段預訓練音頻表示模型再微調下游任務clone 下來解壓 fma_small你手里就是 8,000 首帶流派標簽的音頻。【免費下載鏈接】fmaFMA: A Dataset For Music Analysis項目地址: https://gitcode.com/gh_mirrors/fm/fma創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考