FMA完整音乐分析数据集106,574 首曲目与 917 GiB CC 音频【免费下载链接】fmaFMA: A Dataset For Music Analysis项目地址: https://gitcode.com/gh_mirrors/fm/fmaFMA 是一个开源音乐分析数据集收录 106,574 首 Creative Commons 授权的曲目、161 个流派标签和预计算音频特征。你在训练音频模型时缺数据它一次给齐。FMA 音乐分析数据集解决什么麻烦想训练音频模型先得弄到一批来路干净的音频自己收集的话版权没法保证。只有 1,000 首、8 个标签的老数据集模型一上就过拟合那 8 个流派。特征提取也是座大山自己用 librosa 跑 10 万首曲目的特征光处理就要好几天。能力速览能力一句话说明≤15字典型场景CC 授权音频106,574 首343 天时长流派识别、音频模型训练预计算特征librosa 提取即用跳过特征工程直接建模分层流派标签161 个流派带父子关系粗粒度分类、多标签任务元数据与标签艺术家、专辑、播放量、简介推荐系统、多模态特征官方切分与基线train/val/test 附基线与社区论文对比数字最短上手路径git clone https://gitcode.com/gh_mirrors/fm/fma cd fma pip install -r requirements.txt然后在data/目录下载并解压fma_metadata.zip342 MiB和fma_small.zip7.2 GiB下载命令和 sha1 校验脚本都写在 README.md 里照抄即可。再在仓库根目录的.env里把AUDIO_DIR指向解压后的音频目录就可以跑第一个 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())立刻能看到曲目数最多的流派和对应特征。音频共四种规格从小到大fma_small7.2 GiB—— 8,000 首 30 秒片段8 个平衡流派适合快速验证fma_medium22 GiB—— 25,000 首 30 秒片段16 个流派适合中等规模实验fma_large93 GiB—— 106,574 首 30 秒片段161 个流派适合全流派研究fma_full879 GiB—— 完整长度音频适合全长序列建模三个真实用法跑通流派识别基线想知道现有数据和方法能到什么水平先跑官方基线模型。make baselines.ipynb它会分别用音频和特征训练两组基线并给出准确率。验证音频加载链路写训练管线之前先确认第一首曲子的路径和波形加载没问题。import os import utils path utils.get_audio_path(os.environ[AUDIO_DIR], 2) y utils.LibrosaLoader().load(path)查看流派层级顶层分类只需要少数顶层流派时先看清父子结构再决定怎么归并标签。import utils from utils import Genres genres utils.load(data/fma_metadata/genres.csv) print(Genres(genres).find_roots())踩坑清单unzip 解压到尾部报 unsupported compression 错。换 7zip 解压不放心就用 README 里的 sha1 先校验压缩包是否完整。pip install -r requirements.txt 报错提示指向 numpy 或 resampy。先执行pip install numpy1.12.1再装 requirements官方 README 明确这是绕过 resampy 的安装问题。在 Python 3.10 以上环境tensorflow 1.0.1、librosa 0.5.0 这类老版本装不上。用 Python 3.6 开独立环境conda create -n fma python3.6如果只用元数据和特征也可以直接拿新版 pandas 读 csv绕开整套老依赖。下一步usage.ipynb加载数据、训练与评测模型的完整流程analysis.ipynb探索元数据、特征与流派层级分布baselines.ipynb流派识别基线数字进阶方向用 fma_large 的 30 秒片段预训练音频表示模型再微调下游任务clone 下来解压 fma_small你手里就是 8,000 首带流派标签的音频。【免费下载链接】fmaFMA: A Dataset For Music Analysis项目地址: https://gitcode.com/gh_mirrors/fm/fma创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考