К содержимому
Другое

canine-lexical-models

нейросети для анализа собачьих «фонем» и активности

2 мин чтенияобновлено

Набор предобученных весов от исследователей ArlingtonCL2 (UTA-ACL2) к научной статье EMNLP 2024 о фонетическом и лексическом анализе собачьих вокализаций. Комплект позволяет находить лай в аудиопотоке, раскладывать его на дискретные акустические единицы («фонемы») каждые 20 мс и классифицировать поведение животного по 16 категориям. В основе лежат аудиомодель hubert_base_ls960 (адаптированная в Dog-HuBERT), детектор событий PANNs, видеоклассификатор TSN-R50 и кластеризатор MiniBatchKMeans (алгоритм группировки признаков без учителя). В отличие от стандартных моделей распознавания речи человека, эти веса обучены специально на записях собак и пригодятся в биоакустике, поведенческих исследованиях и системах мониторинга животных.

Ключевые особенности

  • Dog-HuBERT (379 МБ): дообученная в два этапа версия HuBERT Base на 34 056 собачьих «предложениях» (более 20 часов записей из YouTube и AudioSet) с частотой меток 50 Гц.
  • Фонетическая кластеризация (0.4 МБ): модель MiniBatchKMeans делит признаки 11-го слоя Dog-HuBERT на 140 кластеров-«фонем», из которых 29 помечены авторами как шумовые.
  • Детектор звуков PANNs (323 МБ): файнтюн на 1 483 размеченных клипах для покадрового поиска собачьих вокализаций и нарезки «предложений».
  • Распознавание активности TSN-R50 (95 МБ): модель на базе mmaction2, обученная на 2 534 клипах для определения 16 классов действий собаки.

Что можно сделать

  • Изучать структуру вокализаций: извлекать последовательности кластеров из аудиозаписей лая и скуления, отфильтровывая 29 шумовых ID для лингвистического или биоакустического анализа.
  • Автоматически нарезать датасеты: использовать чекпоинт PANNs с порогом детекции 0.28, чтобы вырезать фрагменты со звуками собак из длинных видео или фоновых записей.
  • Классифицировать поведение по видео: подключить веса TSN-R50 в пайплайне mmaction2 для распознавания 16 типов активности питомцев.

Пример

import joblib, torch
from fairseq import checkpoint_utils

(model,), cfg, task = checkpoint_utils.load_model_ensemble_and_task(["dog_hubert.pt"])
model.eval()
km = joblib.load("kmeans_layer11_k140.pkl")
wav = torch.zeros(1, 16000)  # 16 kHz моно, без нормализации
feats, _ = model.extract_features(source=wav, padding_mask=None, mask=False, output_layer=11)
phones = km.predict(feats[0].detach().numpy())
ПодробнееОбучение Dog-HuBERT: 80k шагов на этапе 1 (100 кластеров) и 60k шагов на этапе 2 (150 кластеров), lr 1e-4.
Формат входа Dog-HuBERT: моно-аудио 16 кГц без нормализации; выход — ID кластера на каждые 20 мс.
Ограничения: 29 из 140 кластеров относятся к шуму; файл k-means сохранён в scikit-learn 1.3 (в новых версиях выдаёт предупреждение).
Для запуска PANNs и TSN требуются репозитории audioset_tagging_cnn и mmaction2 с конфигами из кода статьи.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.4 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # ArlingtonCL2/canine-lexical-models
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download ArlingtonCL2/canine-lexical-models --local-dir ~/models/canine-lexical-models
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к canine-lexical-models
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии canine-lexical-models — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

ArlingtonCL2/canine-lexical-models
Автор
ArlingtonCL2
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

scoredit-scan

scoredit-scan