GitHub - yeyupiaoling/AudioClassification-Pytorch: 基于Pytorch实现的声音分类

1.环境安装

1.先安装conda

Ubuntu 使用conda安装python虚拟环境并进行yolo-fast训练_Y_Hungry的博客-CSDN博客

 2. 创建虚拟环境

conda create -n v38 python=3.8

3.切换到conda环境

conda activate v38

4.安装libsora

conda install pytest-runner
conda install librosa==0.9.1

5.安装pydub

pip install pydub

2.测试环境

import librosa
import librosa.display
 
import matplotlib.pyplot as plt
data_path = "/root/AudioClassification-Pytorch/mos.mp3"
wav, sr = librosa.load(data_path, sr=16000)
melspec  = librosa.feature.melspectrogram(y=wav, sr=sr, n_fft=400, n_mels=80, hop_length=160, win_length=400)
logmelspec  = librosa.power_to_db(melspec, ref=1.0, amin=1e-10, top_db=None)
 
 
plt.figure()
# plot a wavform
plt.subplot(2, 1, 1)
librosa.display.waveshow(wav, sr)
plt.title('mos Beat wavform')
# plot mel spectrogram
plt.subplot(2, 1, 2)
librosa.display.specshow(logmelspec, sr=sr, x_axis='time', y_axis='mel')
plt.title('mos Mel spectrogram')
plt.tight_layout() #保证图不重叠
plt.show()

3.生成数据列表

生成数据列表，用于下一步的读取需要，audio_path为音频文件路径，用户需要提前把音频数据集存放在dataset/audio目录下，每个文件夹存放一个类别的音频数据，每条音频数据长度在3秒以上，如 dataset/audio/鸟叫声/······。audio是数据列表存放的位置，生成的数据类别的格式为 音频路径\t音频对应的类别标签，音频路径和标签用制表符 \t分开。读者也可以根据自己存放数据的方式修改以下函数。

Urbansound8K 是目前应用较为广泛的用于自动城市环境声分类研究的公共数据集，包含10个分类：空调声、汽车鸣笛声、儿童玩耍声、狗叫声、钻孔声、引擎空转声、枪声、手提钻、警笛声和街道音乐声。数据集下载地址：https://zenodo.org/record/1203745/files/UrbanSound8K.tar.gz。以下是针对Urbansound8K生成数据列表的函数。如果读者想使用该数据集，请下载并解压到 dataset目录下，把生成数据列表代码改为以下代码。

# 生成数据列表
def get_data_list(audio_path, list_path):
    sound_sum = 0
    audios = os.listdir(audio_path)
 
    f_train = open(os.path.join(list_path, 'train_list.txt'), 'w')
    f_test = open(os.path.join(list_path, 'test_list.txt'), 'w')
 
    for i in range(len(audios)):
        sounds = os.listdir(os.path.join(audio_path, audios[i]))
        for sound in sounds:
            if '.wav' not in sound:continue
            sound_path = os.path.join(audio_path, audios[i], sound)
            t = librosa.get_duration(filename=sound_path)
            # 过滤小于2.1秒的音频
            if t >= 2.1:
                if sound_sum % 100 == 0:
                    f_test.write('%s\t%d\n' % (sound_path, i))
                else:
                    f_train.write('%s\t%d\n' % (sound_path, i))
                sound_sum += 1
        print("Audio：%d/%d" % (i + 1, len(audios)))
 
    f_test.close()
    f_train.close()
 
 
if __name__ == '__main__':
    get_data_list('dataset/UrbanSound8K/audio', 'dataset')

4.训练模型

python3 train.py

可能会报错，将下面的代码修改一下，线程数量改为0

add_arg('num_workers',      int,    0,                        '读取数据的线程数量')