ការរៀនម៉ាស៊ីនសម្រាប់សិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈ

ដំណឹង អ្នកវិទ្យាសាស្រ្តប្រើប្រព័ន្ធដោយស្វ័យប្រវត្តិដើម្បីស្រាវជ្រាវប្រព័ន្ធអ៊ីនធឺណិតធំទូលំទូលាយ។ ក្នុងករណីនៃឧស្សាហកម្មនិងឧស្សាហកម្ម វាត្រូវបានប្រើដើម្បីរក្សាទុករូបភាពដែលអាចត្រូវបានប្រើដើម្បីជួយដោះស្រាយប្រភេទផ្សេងគ្នានៃសត្វនិងសត្វ។ព័ត៌មាននេះអាចត្រូវបានប្រើដើម្បីអភិវឌ្ឍការយល់ដឹងល្អប្រសើរជាងមុនអំពីការផ្លាស់ប្តូរនៃសត្វក្នុងបរិស្ថានមួយ។ ក្នុងករណីនៃសត្វ Google ការស្រាវជ្រាវបាននិយាយនៅក្នុងអត្ថបទរបស់ពួកគេ នេះថា "អេឡិចត្រូនិកប្រើខ្មៅក្នុងការយល់ដឹងពីប្រព័ន្ធអាហារនិងសុខភាពខ្មៅ - ដូច្នេះប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែល autonomous recording units (ARUs) សត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វ សត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វសត្វ ឥឡូវនេះ, The ការប្រកួតបានចាប់ផ្តើមនៅលើ នៅក្រោមកញ្ចក់របស់ ImageCLEF អនុញ្ញាតឱ្យការស្រាវជ្រាវក្នុងការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះ BirdCLEF+ ឆ្នាំ 2025 Kaggle រូបភាព BirdCLEF+ ឆ្នាំ 2025 រូបភាព ជាលើកដំបូងវាត្រូវបានគេស្គាល់ថាវាត្រូវបានគេស្គាល់ថាវាត្រូវបានគេស្គាល់ថាវាត្រូវបាន វាត្រូវបានគេស្គាល់ថាជា ការកំណត់ GBV ត្រូវបានបណ្តុះបណ្តាលនៅលើប្រហែល 11,000 ប្រភេទខ្មៅហើយដូច្នេះគឺជាការជ្រើសរើសជាម៉ូដែលកំណត់។ ប្រព័ន្ធ ប្រតិបត្តិការ Google Bird Vocalization (GBV) Perch ប្រព័ន្ធ ប្រតិបត្តិការ Google Bird Vocalization (GBV) ទោះជាយ៉ាងណាក៏ដោយការប្រកួតប្រជែងនេះរួមបញ្ចូលគ្នានៃសត្វសត្វសត្វសត្វដែលនៅខាងក្រៅនៃការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្ត វគ្គបណ្តុះបណ្តាលនេះបានបង្ហាញពីវិធីសាស្រ្តដើម្បីបង្កើតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិតកម្រិត ការរចនាសម្ព័ន្ធនេះត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាលដោយក្រុមហ៊ុន BirdCLEF+ ឆ្នាំ 2025 ។ អត្ថបទ វិញ្ញាបនប័ត្រ នេះ , រួមបញ្ចូលទាំងឯកសារដែលគាំទ្រ, គឺមានទំហំប្រហែល 12 GB ។ កុំព្យូទ័រនិងឯកសារសំខាន់ដែលរួមបញ្ចូលទាំងរចនាសម្ព័ន្ធទិន្នន័យគឺ: ការសិក្សា BirdCLEF+ 2025 birdclef_2025 |__ train_audio |__ train_soundscapes |__ test_soundscapes recording_location.txt taxonomy.csv train.csv train_audio នេះ កុំព្យូទ័រនេះគឺជាផ្នែកសំខាន់បំផុតនៃកុំព្យូទ័រនេះដែលមាន 28,564 កុំព្យូទ័រក្នុងការបណ្តុះបណ្តាល។ ទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យ train_audio .ogg train_audio |__amakin1 |__ [AUDIO FILES] |__amekes |__ [AUDIO FILES] ... នេះ ឯកសារនេះអាចត្រូវបានប្រើដើម្បីស្វែងរកឈ្មោះវិទ្យាសាស្រ្តពិតប្រាកដនិងទូទៅនៃប្រភេទខ្មៅដែលបានបង្ហាញដោយឈ្មោះ sub-directory ដូចជា: taxonomy.csv SUB-DIRECTORY NAME SCIENTIFIC NAME COMMON NAME amakin1 Chloroceryle amazona Amazon Kingfisher amekes Falco sparverius American Kestrel ... ទិន្នន័យនៃការប្រកួតប្រជែងរួមបញ្ចូលទាំង 206 ប្រភេទខ្នាតតែមួយគត់, ដូចជា 206 ប្រភេទ។ ដូចដែលបានបង្ហាញនៅក្នុងការប្រកួតប្រជែងនេះ 63 នៃការសិក្សាទាំងនេះគឺជា ការគាំទ្រដោយ The នេះ សម្ភារៈទាំងនេះត្រូវបានប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់សម្ភារៈទាំងនេះ: Introduction មិន GBV Classifier Non-GBV 1139490, 1192948, 1194042, 126247, 1346504, 134933, 135045, 1462711, 1462737, 1564122, 21038, 21116, 21211, 22333, 22973, 22976, 24272, 24292, 24322, 41663, 41778, 41970, 42007, 42087, 42113, 46010, 47067, 476537, 476538, 48124, 50186, 517119, 523060, 528041, 52884, 548639, 555086, 555142, 566513, 64862, 65336, 65344, 65349, 65373, 65419, 65448, 65547, 65962, 66016, 66531, 66578, 66893, 67082, 67252, 714022, 715170, 787625, 81930, 868458, 963335, grasal4, verfly, y00678 មួយចំនួននៃ វគ្គសិក្សានេះមានលក្ខណៈពិសេសដោយ: Non-GBV Limited training data. Class , for example, only contains 2 audio recordings. By contrast, class , which is a “known” class, contains 89 recordings. 1139490 amakin1 GBV Poor recording quality. Highlighting class again, both training recordings are of poor quality with one being particularly difficult to discern. 1139490 ទាំងពីរតម្រូវការនេះធ្វើឱ្យមានការខុសគ្នានៃតម្រូវការសំខាន់ក្នុងចំណោមគុណភាពខុសគ្នានៃគុណភាពខុសគ្នានៃគុណភាពខុសគ្នានៃគុណភាពខុសគ្នានៃគុណភាពខុសគ្នា។ លក្ខណៈពិសេសនៃការសាកល្បងនៃការសាកល្បងសាកល្បងទាំងពីរ និង វគ្គសិក្សានិងរួមបញ្ចូលគ្នានៃការសរសេររបស់មនុស្ស, ជាមួយនឹងការសរសេរការសរសេរការសរសេរដែលមានលក្ខណៈពិសេសដូចជាប្រភេទនៃសត្វដែលត្រូវបានសរសេរនិងទីតាំងនៃការសរសេរ។ នៅភាគច្រើន - - លក្ខណៈសម្បត្តិ, សៀវភៅនេះបើយោងតាមការត្រួតពិនិត្យសៀវភៅសៀវភៅសៀវភៅ។ GBV Non-GBV ប៉ុន្តែមិនទាំងអស់ គោលបំណងដែលត្រូវបានប្រើដើម្បីបញ្ចូលគ្នានៃការអនុម័តអាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាសអាភាស ផ្នែក Building the Classifier train_soundscapes នេះ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ ទោះជាយ៉ាងណាក៏ដោយអ្នកអាចបញ្ចូលទិន្នន័យពិនិត្យឡើងវិញទាំងនេះទៅក្នុងទិន្នន័យបណ្តុះបណ្តាល។ . train_soundscapes unlabeled Building the Classifier pseudo-labeling test_soundscapes នេះ សៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅ សៀវភៅនេះត្រូវបានបណ្តុះបណ្តាលដោយក្រុមប្រឹក្សាភិបាលសាកល្បងដែលត្រូវបានបណ្តុះបណ្តាលនៅពេលដែលអ្នកបានផ្ញើផលិតផលសាកល្បងទៅនឹងសាកល្បង BirdCLEF+ 2025 ។ test_soundscapes readme.txt ការបង្កើតកម្រិតខ្ពស់ គោលបំណងសំខាន់និង背景 គោលបំណងសំខាន់ដែលបានប្រើដោយ ដើម្បីបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល គឺដូចខាងក្រោម: ការស្រាវជ្រាវរបស់ Google ទាញយករូបថតក្នុង 5 វិនាទី ការផ្លាស់ប្តូរផ្នែកខ្សែភាពយន្តទៅជាកម្រិតខ្សែភាពយន្ត។ ការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល គោលបំណងដូចគ្នានេះនឹងត្រូវបានអនុវត្តនៅក្នុងគោលបំណងនេះ។ គោលបំណងដែលនឹងត្រូវបានបណ្តុះបណ្តាលគឺគោលបំណងរបស់ Google ។ ប្រសិនបើអ្នកមានបទពិសោធន៍ជាមួយ ប្រភេទនៃម៉ូដែលអ្នកដឹងថាពួកគេត្រូវបានរចនាឡើងសម្រាប់ការដំណើរការរូបភាពដែលមានប្រសិទ្ធិភាព។ EfficientNet B0 EfficientNet លក្ខណៈពិសេស B0 ទោះជាយ៉ាងណាក៏ដោយមុនពេលដែលគំរូអូឌីយ៉ូអាចត្រូវបានផ្លាស់ប្តូរនិងផ្លាស់ប្តូរទៅជាអេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់។ ជាទូលំទូលាយបញ្ហាទាំងនេះនឹងត្រូវបានដោះស្រាយតាមរយៈការកើនឡើងទិន្នន័យនិងការកាត់បន្ថយគំរូអូឌីយ៉ូ។ Training Data មុនពេលដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយដោះស្រាយ ម៉ូដែលមានប្រសិទ្ធិភាព ការស្រាវជ្រាវរបស់ Google បានបង្ហាញក្រុមហ៊ុនរបស់ខ្លួន ម៉ូដែលក្នុងឆ្នាំ 2019 ជាប្រភេទនៃ ម៉ូដែលដែលបានកើនឡើងពីម៉ូដែលច្នៃប្រឌិតច្នៃប្រឌិតនៅពេលវេលាដោយសារតែទំហំនិងសមត្ថភាព។ EfficientNet convolutional neural network ម៉ូដែលដែលបានចេញផ្សាយក្នុងឆ្នាំ 2021 ផ្តល់នូវសម្តែងនិងប្រសិទ្ធិភាពទំហំល្អឥតខ្ចោះ។ សមត្ថភាព 2 ទោះបីជាការបណ្តុះបណ្តាល ទិន្នន័យ, ម៉ូដែល EfficientNet បានបង្ហាញនូវប្រសិទ្ធិភាពរបស់ពួកគេនៅពេលដែលបានផ្លាស់ប្តូរទៅលើទិន្នន័យផ្សេងទៀតដែលធ្វើឱ្យពួកគេជាការជ្រើសរើសដ៏អស្ចារ្យជាបច្ចេកវិទ្យាសម្រាប់គម្រោងនេះ។ រូបភាព ក្រុមហ៊ុន Mel Spectrograms កុំព្យូទ័រ Mel គឺជាការបង្ហាញគំនូរជីវចលនៃអេឡិចត្រូនិ។ វាអាចត្រូវបានប្រៀបធៀបល្អបំផុតទៅនឹងកុំព្យូទ័រកំដៅសម្រាប់សម្លេង។ The x-axis of a mel spectrogram represents the time dimension of the audio signal, and the y-axis represents the frequencies of the sounds within the signal. However, instead of displaying all frequencies along a continuous scale, frequencies are grouped into វាត្រូវបានកាត់បន្ថយការប្រើប្រាស់នេះដោយប្រើ កម្រិតខ្សែភាពយន្តនេះគឺ a នេះគឺជាកម្រិតដែលប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបធៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រៀបប្រ mel bands mel scale logarithmic ការរចនា គោលបំណងរបស់ខ្ញុំក្នុងការពិភាក្សាអំពីការរចនាសម្ព័ន្ធគឺដើម្បីផ្តល់នូវការពិនិត្យឡើងវិញដែលមានគុណភាពខ្ពស់នៃវិធីសាស្រ្តដោយមិនចូលទៅក្នុងលក្ខណៈពិសេសជាច្រើន។ គោលបំណងការបណ្តុះបណ្តាលសំខាន់ (ការត្រួតពិនិត្យ) ត្រូវបានកាត់បន្ថយនៅក្នុងនេះ សៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅ កុំព្យូទ័រ មាត្រា 1: ទាញយកទិន្នន័យអូឌីយ៉ូ ផ្នែកទី 2: ការដំណើរការទិន្នន័យអូឌីឌី។ : Mel spectrogram generation and input preparation. Section 3 មាត្រា 4: គំរូបណ្តុះបណ្តាល។ អ្នកនឹងមើលឃើញថាតើកុំព្យូទ័រទីពីរដំបូងនៃការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូល។ កុំព្យូទ័រដែលបានកំណត់កុំព្យូទ័រដែលត្រូវបានប្រើនៅក្នុងផ្នែកនេះនិងផ្នែកបន្ទាប់។ Config សៀវភៅសៀវភៅពិតប្រាកដចាប់ផ្តើមជាមួយ នៅទីនេះជាកញ្ចប់ Python base ដែលត្រូវបានប្រើនៅទូទាំងកញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់កញ្ចប់ ("WandB") សម្រាប់ការរក្សាទុកការបណ្តុះបណ្តាល។ អ្នកនឹងត្រូវការបណ្តុះបណ្តាល WandB របស់អ្នក សៀវភៅសៀវភៅ A using the name . Section 0 Weights & Biases API key Kaggle Secret WANDB_API_KEY ដូចដែលបាននិយាយនៅក្នុងការ ការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សាន។ ទោះជាយ៉ាងណាក៏ដោយ Kaggle មិនមានទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំ។ Training Data Section 3.5 - Pseudo-Labeling ម៉ូដែលដែលបានបណ្តុះបណ្តាលបន្ទាប់ពីការដំឡើងពិសោធន៍ដែលបានបង្ហាញនៅក្នុងផ្នែកខាងក្រោមនេះត្រូវបានបង្ហោះនៅលើ Kaggle នៅទីនេះ។ ប្រសិនបើអ្នកចង់ប្រើម៉ូដែលនេះដោយគ្មានការបណ្តុះបណ្តាលរបស់អ្នកហើយអ្នកអាចបិទដោយផ្ទាល់ទៅក្នុងផ្នែក Running Inference ដើម្បីដំឡើងការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ ម៉ូដែលដែលបានបណ្តុះបណ្តាលបន្ទាប់ពីការដំឡើងពិសោធន៍ដែលបានបង្ហាញនៅក្នុងផ្នែកខាងក្រោមត្រូវបានបង្ហោះនៅលើ Kaggle ប្រសិនបើអ្នកចង់, អ្នកអាចប្រើម៉ូដែលនេះដោយគ្មានការបណ្តុះបណ្តាលរបស់អ្នកនិងបិទផ្ទាល់ទៅ ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ការបោះពុម្ព ទីនេះ Running Inference ផ្នែក 1 - ទាញយកទិន្នន័យទូរទស្សន៍ នេះ ផ្នែកមួយនៃសៀវភៅ: Audio Data Loading វាត្រូវបានទាញយកកម្រិតទាំងអស់នៅក្នុងកំណត់ទិន្នន័យការប្រកួត BirdCLEF+ 2025 ដែលមិនត្រូវបានពិនិត្យឡើងវិញដោយការកំណត់ GBV ។ ទាញយកទិន្នន័យសូម្បីតែប្រព័ន្ធ load_training_audio ។ បានបង្កើតឯកសារ processed_audio និងរក្សាទុករូបរាងនៃទិន្នន័យអូឌីយ៉ូដែលត្រូវបានទាញយកជាឯកសារ .wav នៅក្នុងឯកសារនេះ។ នេះ cell of this section includes a វាត្រូវបានកំណត់ដោយមានតម្លៃខ្ពស់នៃការបញ្ចូលគ្នានៃការបញ្ចូលគ្នានៃការបញ្ចូលគ្នានៃការបញ្ចូលគ្នានៃការបញ្ចូលគ្នានៃការបញ្ចូលគ្នានៃការបញ្ចូលគ្នានៃការបញ្ចូលគ្នានៃការបញ្ចូល។ ដើម្បីធ្វើឱ្យប្រសិនបើឯកសារអូឌីយ៉ូទាំងអស់ត្រូវបានទាញយកសម្រាប់ អ្នកអាចត្រូវការកំណត់កំណត់កំណត់កំណត់កំណត់នេះសម្រាប់ការដំឡើងពិសោធន៍របស់អ្នក។ ឧទាហរណ៍, ប្រសិនបើអ្នកកំពុងទាញយកទិន្នន័យអូឌីយ៉ូពី អ្នកអាចត្រូវកំណត់កំណត់កំណត់កំណត់នេះទៅកំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់។ Config MAX_FILES 1000 non-GBV all នេះ គោលបំណងនេះអាចត្រូវបានគេស្គាល់ដោយ A វាត្រូវបានរៀបចំនៅលើគម្រោងនេះ, ដែលជាសៀវភៅនៃគម្រោងដែលនឹងត្រូវបានទាញយក។ សម្រាប់គម្រោងនេះ, សម្ភារៈនេះត្រូវបានរក្សាទុកជាសៀវភៅនិងត្រូវបានផ្លាស់ប្តូរទៅនឹងការផ្លាស់ប្តូរ វាត្រូវបានផ្លាស់ប្តូរទៅលើ គោលបំណងតាមរយៈ ផែនទី load_training_audio classes non-GBV missing_classes load_training_audio classes # `missing_classes` list ['1139490', '1192948', '1194042', '126247', '1346504', '134933', '135045', '1462711', '1462737', '1564122', '21038', '21116', '21211', '22333', '22973', '22976', '24272', '24292', '24322', '41663', '41778', '41970', '42007', '42087', '42113', '46010', '47067', '476537', '476538', '48124', '50186', '517119', '523060', '528041', '52884', '548639', '555086', '555142', '566513', '64862', '65336', '65344', '65349', '65373', '65419', '65448', '65547', '65962', '66016', '66531', '66578', '66893', '67082', '67252', '714022', '715170', '787625', '81930', '868458', '963335', 'grasal4', 'verfly', 'y00678'] អ្នកអាចទាញយកទាំង 206 សាកលវិទ្យាល័យ BirdCLEF+ 2025 ដោយផ្ញើគណនីសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យសាកលវិទ្យាល័យ។ អ្នកអាចទាញយកទាំង 206 សាកលវិទ្យាល័យ BirdCLEF+ 2025 ដោយផ្ញើអ៊ីនធឺណិតដោយ ផែនទី classes ឧបករណ៍ load_training_audio ក៏ទទួលបានឧបករណ៍ boolean use_slice ដែលមានលក្ខណៈពិសេស។ ឧបករណ៍នេះធ្វើការជាមួយឧបករណ៍ LOAD_SLICE ដែលមានលក្ខណៈពិសេសនៅក្នុងសត្វ Config ។ ឧបករណ៍ use_slice និងឧបករណ៍ LOAD_SLICE ដែលមានលក្ខណៈពិសេសមិនត្រូវបានប្រើនៅក្នុងការអនុវត្តនេះ។ ប៉ុន្តែពួកគេអាចត្រូវបានប្រើដើម្បីទាញយកបរិមាណតម្រូវការពីឯកសារទាំងអស់។ ដូច្នេះសម្រាប់ការទាញយកតម្រូវការតែ 5 វិនាទីនៃសត្វពីឯកសារសត្វទាំងអស់, ទាញយកឧបករណ៍ LOAD_SLICE ទៅ 160000 ដែលត្រូវបានកំណត់ជាលក្ខណៈពិសេស 5 ដងនៃលក្ខណៈពិសេស 32000 និងទាញយកឧបករណ៍ use ឧបករណ៍ load_training_audio ក៏ទទួលបានឧបករណ៍ boolean use_slice ដែលមានលក្ខណៈពិសេស។ ឧបករណ៍នេះធ្វើការជាមួយឧបករណ៍ LOAD_SLICE ដែលមានលក្ខណៈពិសេសនៅក្នុងសត្វ Config ។ ឧបករណ៍ use_slice និងឧបករណ៍ LOAD_SLICE ដែលមានលក្ខណៈពិសេសមិនត្រូវបានប្រើនៅក្នុងការអនុវត្តនេះ។ ប៉ុន្តែពួកគេអាចត្រូវបានប្រើដើម្បីទាញយកបរិមាណតម្រូវការពីឯកសារទាំងអស់។ ដូច្នេះសម្រាប់ការទាញយកតម្រូវការតែ 5 វិនាទីនៃសត្វពីឯកសារសត្វទាំងអស់, ទាញយកឧបករណ៍ LOAD_SLICE ទៅ 160000 ដែលត្រូវបានកំណត់ជាលក្ខណៈពិសេស 5 ដងនៃលក្ខណៈពិសេស 32000 និងទាញយកឧបករណ៍ use នេះ គោលបំណងទទួលបាន Boolean នៅពេលដែលគំរូនេះគឺ គោលនយោបាយនេះបានបង្កើត a វាត្រូវបានរក្សាទុកសៀវភៅមួយចំនួននៃសៀវភៅទាំងអស់ដូចជា a សៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅ វាត្រូវបានប្រើនៅក្នុងផ្នែកបន្ទាប់ដើម្បីរក្សាទុកគំរូសៀវភៅដែលបានផ្លាស់ប្តូរទៅលើដំណោះស្រាយដោយគ្មានការប្រសិទ្ធិភាពនៃដំណោះស្រាយដំណោះស្រាយទិន្នន័យ BirdCLEF+ 2025 ។ load_training_audio make_copy True processed_audio .wav processed_audio នេះ ប្រព័ន្ធ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ : load_training_audio (AUDIO_FILENAME, AUDIO_DATA) {'1139490': [('CSA36389.ogg', tensor([[-7.3379e-06, 1.0008e-05, -8.9483e-06, ..., 2.9978e-06, 3.4201e-06, 3.8700e-06]])), ('CSA36385.ogg', tensor([[-2.9545e-06, 2.9259e-05, 2.8138e-05, ..., -5.8680e-09, -2.3467e-09, -2.6546e-10]]))], '1192948': [('CSA36388.ogg', tensor([[ 3.7417e-06, -5.4138e-06, -3.3517e-07, ..., -2.4159e-05, -1.6547e-05, -1.8537e-05]])), ('CSA36366.ogg', tensor([[ 2.6916e-06, -1.5655e-06, -2.1533e-05, ..., -2.0132e-05, -1.9063e-05, -2.4438e-05]])), ('CSA36373.ogg', tensor([[ 3.4144e-05, -8.0636e-06, 1.4903e-06, ..., -3.8835e-05, -4.1840e-05, -4.0731e-05]])), ('CSA36358.ogg', tensor([[-1.6201e-06, 2.8240e-05, 2.9543e-05, ..., -2.9203e-04, -3.1059e-04, -2.8100e-04]]))], '1194042': [('CSA18794.ogg', tensor([[ 3.0655e-05, 4.8817e-05, 6.2794e-05, ..., -5.1450e-05, -4.8535e-05, -4.2476e-05]])), ('CSA18802.ogg', tensor([[ 6.6640e-05, 8.8530e-05, 6.4143e-05, ..., 5.3802e-07, -1.7509e-05, -4.8914e-06]])), ('CSA18783.ogg', tensor([[-8.6866e-06, -6.3421e-06, -3.1125e-05, ..., -1.7946e-04, -1.6407e-04, -1.5334e-04]]))] ...} The method also returns basic statistics describing the data loaded for each class as a comma-separated-value string. You can optionally export these statistics to inspect the data. class,sampling_rate,num_files,num_secs_loaded,num_files_loaded 1139490,32000,2,194,2 1192948,32000,4,420,4 1194042,32000,3,91,3 ... Section 2 - Audio Data Processing The section of the notebook: Audio Data Processing Optionally strips silent segments and slices audio to eliminate most human annotations from raw audio. Stripping silent segments eliminates irrelevant parts of the audio signal. Optionally augments audio for minority classes to help address the class imbalance. Audio augmentation consists of (1) adding a randomly generated noise signal, (2) changing the tempo of the raw audio, or (3) adding a randomly generated noise signal and changing the tempo of the raw audio. Section 2.1 - Detecting Silent Segments The method is used to "slide" over each raw audio sample and identify silent segments by comparing the ទោះជាយ៉ាងណាក៏ដោយប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើ កុំព្យូទ័ររបស់កុំព្យូទ័រនេះគ្រប់គ្រងការអនុវត្តរបស់ method: detect_silence root-mean square (RMS) Config detect_silence SIL_FRAME_PCT_OF_SR = 0.25 SIL_FRAME = int(SR * SIL_FRAME_PCT_OF_SR) SIL_HOP = int(1.0 * SIL_FRAME) SIL_THRESHOLD = 5e-5 SIL_REPLACE_VAL = -1000 # Value used to replace audio signal values within silent segments The និង constants can be modified to adjust how the method "slides" over the raw audio. Similarly, the តម្លៃអាចត្រូវបានផ្លាស់ប្តូរដើម្បីធ្វើឱ្យវិធីសាស្រ្តមានប្រសិទ្ធិភាពជាងមុនឬប្រសិទ្ធិភាពប្រសើរជាងមុនក្នុងចំណោមការកំណត់ផ្នែកគ្មានការចែកចាយ។ SIL_FRAME SIL_HOP SIL_THRESHOLD The method outputs a dictionary of silent segment markers for each file in each class. Audio files with no detected silent segments are identified by empty lists. {'1139490': {'CSA36389.ogg': [0, 8000, 16000, 272000, 280000, 288000, 296000, 304000], 'CSA36385.ogg': [0, 8000, 16000, 24000, 240000, 248000, 256000]}, '1192948': {'CSA36388.ogg': [0, 8000, 16000, 24000, 256000, 264000, 272000, 288000], 'CSA36366.ogg': [0, 8000, 16000, 24000, 256000, 264000, 272000, 280000, 288000], 'CSA36373.ogg': [0, 8000, 16000, 24000, 256000, 264000, 272000, 288000], 'CSA36358.ogg': [8000]}, '1194042': {'CSA18794.ogg': [], 'CSA18802.ogg': [], 'CSA18783.ogg': [0, 8000, 16000, 24000, 600000, 608000, 616000]}, '126247': {'XC941297.ogg': [], 'iNat1109254.ogg': [], 'iNat888527.ogg': [], 'iNat320679.ogg': [0], 'iNat888729.ogg': [], 'iNat146584.ogg': []}, '1346504': {'CSA18803.ogg': [0, 8000, 16000, 24000, 3000000, 3008000, 3016000], 'CSA18791.ogg': [], 'CSA18792.ogg': [], 'CSA18784.ogg': [0, 8000, 16000, 1232000, 1240000, 1248000], 'CSA18793.ogg': [0, 8000, 16000, 24000, 888000]} ...} Section 2.2 - Removing Silent Segments and Eliminating Human Annotations The constant defined in the កុំព្យូទ័ររបស់កុំព្យូទ័រនេះបានបញ្ជាក់ថាតើអ៊ីនធឺណិតគួរតែត្រូវបានបាត់បន្ថយពីផ្នែកស្អាត។ sliced to remove human annotations. USE_REMOVE_SILENCE_AND_HUMAN_ANNOT Config និង ដំបូង USE_REMOVE_SILENCE_AND_HUMAN_ANNOT = True នេះ ប្រព័ន្ធ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ លើសពីនេះទៀត, វាត្រូវបានអនុវត្តលក្ខណៈសម្បត្តិដើម្បីដំណើរការសៀវភៅរបស់មនុស្សដោយផ្អែកលើការស្ទើរតែមួយ: លក្ខណៈសម្បត្តិសៀវភៅជាច្រើនដែលមានសៀវភៅរបស់មនុស្ស។ to have the following structure: remove_silence_and_human_annot detect_silence tend | < 10s | ~1s | | | BIRDSONG | SILENCE | HUMAN ANNOTATION | The birdsong and human annotation sections themselves may contain silent segments. However, as seen in the diagram above, the bird vocalization recordings often occur within the first few seconds of audio. Therefore, a simple, if imperfect, approach to deal with human annotations is to slice audio samples at the first silent segment marker that occurs outside of a specified window, under the assumption that a human annotation follows that silent segment. The គោលបំណងនេះបានប្រើ constant in the សន្លឹកដើម្បីត្រួតពិនិត្យថាតើម៉ាស៊ីនបង្វិលបង្វិលបង្វិលគឺនៅខាងក្រៅនៃបង្វិលបង្វិលបង្វិលបង្វិល , expressed in number of seconds. If it does, the logic slices the raw audio at that marker and only retains the data that occurs before it. A manual inspection of processed audio during experimentation revealed this approach to be satisfactory. However, as mentioned in the section, there are audio recordings where the human annotation the birdsong recording. The logic described here does មានគំនិតមួយចំនួនដែលមានលក្ខណៈពិសេសក្នុងការបញ្ជាទំហំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទ remove_silence_and_human_annot ANNOT_BREAKPOINT Config ANNOT_BREAKPOINT Training Data some precedes not A second constant, , can be optionally used in a final processing step to return an even more refined slice of the processed audio. Set to the number of seconds of processed audio that you want to retain. SLICE_FRAME SLICE_FRAME The method saves processed audio to disk under the directory via the parameter, which is passed as . The method returns a dictionary of the seconds of processed audio for each class. remove_silence_and_human_annot processed_audio save_audio True សត្វ {'1139490': 14, '1192948': 29, '1194042': 24, '126247': 48, '1346504': 40, '134933': 32, '135045': 77, ...} The គោលបំណងនេះត្រូវបានប្រើដូចខាងក្រោម to get the average number of seconds of audio across all classes. get_audio_stats remove_silence_and_human_annot ផ្នែក 2.3 - ការគណនានៃការកែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រ As mentioned in the section, the classes are not balanced. Augmentation is used in this notebook section to help address the imbalance leveraging the average number of seconds of audio across all classes, as provided by the method. Classes with total seconds of processed audio the average are augmented. The method determines the number of augmentation turns for each minority class using the average number of seconds per processed audio sample. Training Data get_audio_stats below get_augmentation_turns_per_class TURNS = (AVG_SECS_AUDIO_ACROSS_CLASSES - TOTAL_SECS_AUDIO_FOR_CLASS)/AVG_SECS_PER_AUDIO_SAMPLE Minority classes further below the average will have more augmentation turns versus minority classes nearer the average which will have fewer augmentation turns. The includes a constant which can be used to adjust the value for get_augmentation_turns_per_class AVG_SECS_FACTOR average number of seconds of audio across all classes. The constant can be used to make the logic more conservative or aggressive when calculating the number of augmentation turns. The រួមទាំង A constant which can be used to adjust the value for get_augmentation_turns_per_class AVG_SECS_FACTOR average number of seconds of audio across all classes. The constant can be used to make the logic more conservative or aggressive when calculating the number of augmentation turns. Section 2.4 - Running Augmentations The constant defined in the cell of this section specifies if audio should be augmented. USE_AUGMENTATIONS Config USE_AUGMENTATIONS = True As mentioned earlier, audio augmentation consists of (1) adding a randomly generated noise signal, (2) changing the tempo of the raw audio, or (3) adding a randomly generated noise signal and changing the tempo of the raw audio. The and methods encapsulate the logic for adding a noise signal and changing the tempo respectively. The noise signal range and tempo change range can be adjusted via the following constants in the cell: add_noise change_tempo Config NOISE_RNG_LOW = 0.0001 NOISE_RNG_HIGH = 0.0009 TEMPO_RNG_LOW = 0.5 TEMPO_RNG_HIGH = 1.5 The method runs the augmentations using the output from the សម្រាប់គំនិតដែលនឹងត្រូវបានកើនឡើង, គោលបំណងនេះ: run_augmentations get_augmentations_turns_per_class ការជ្រើសរើសរើសរើសរើសគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូ Randomly selects the augmentation to perform: (1) adding noise, (2) changing the tempo, or (3) adding noise and changing the tempo. ការសរសេរការសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរសរសេរ While the notebook logic augments minority classes with total seconds of audio below the average, it ignores those classes with total seconds of audio above the average. This approach was taken to manage available memory and with the understanding that the class imbalance is further addressed through choice of the loss function. Section 3 - Mel Spectrogram Generation and Input Preparation នេះ ផ្នែកមួយនៃសៀវភៅ: Mel Spectrogram Generation and Input Preparation ការផ្លាស់ប្តូរទិន្នន័យអូឌីយ៉ូដែលត្រូវបានដំណើរការទៅក្នុងសៀវភៅបណ្តុះបណ្តាលនិងការត្រួតពិនិត្យ។ Splits audio into 5 second frames. Generates mel spectrograms for each 5 second audio frame. ទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំ (224, 224) Optionally loads pseudo-labeled data samples to augment training data. One-hot encodes training data and validation data labels. Constructs TensorFlow objects from training and validation data lists. Dataset Optionally uses MixUp logic to augment training data. Section 3.1 - Splitting Processed Audio Data Processed audio data is loaded from the ទិន្នន័យនេះត្រូវបានផ្លាស់ប្តូរទៅ 4 សៀវភៅ: processed_audio training_audio training_labels validation_audio validation_labels សៀវភៅនេះគឺជាសៀវភៅដែលមានសៀវភៅដែលមានសៀវភៅរបស់អ្នក។ សៀវភៅនេះ constant defined in the cell controls the split ratio between the training and validation data lists. Processed audio data is shuffled before splitting. SPLIT Config Section 3.2 - Splitting Audio into Frames Audio is split into 5 second segments using the method, which itself uses the TensorFlow method to split each audio example. The following constants in the ប្រព័ន្ធ ប្រតិបត្តិការ Split: frame_audio signal.frame Config FRAME_LENGTH = 5 FRAME_STEP = 5 Section 3.3 - Generating Mel Spectrograms Mel spectrograms are generated for each 5 second audio frame generated in via the method. The following constants in the កុំព្យូទ័របញ្ជាក់ទំហំដែលត្រូវបានប្រើក្នុងការបង្កើតកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រដូចជាទំហំកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រ: Section 3.2 audio2melspec Config # Mel spectrogram parameters N_FFT = 1024 # FFT size HOP_SIZE = 256 N_MELS = 256 FMIN = 50 # minimum frequency FMAX = 14000 # maximum frequency ការជ្រើសរើសកម្រិតនេះត្រូវបានជ្រើសរើសដើម្បីបង្ហាញ range of most bird vocalizations. However, some bird species can vocalize outside this range. potential Section 3.4 - Resizing Mel Spectrograms នេះ method is used to convert each mel spectrogram to a object. Each object is subsequently resized to which is the input dimension expected by the EfficientNet B0 model. to_melspectrogram_image pillow Image Image (224, 224) Section 3.5 - Loading Pseudo-Labeled Data ដូចដែលបាននិយាយនៅក្នុងការ section, the សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ សៀវភៅ audio recordings of birdsong. These audio recordings can be incorporated into the training data via . A simple process to create pseudo-labeled data is as follows: Training Data train_soundscapes unlabeled pseudo-labeling Train a classifier pseudo-labeled data. without សៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅ Segment each audio soundscape into 5 second frames. Generate mel spectrograms for each 5 second frame and resize to . (224, 224) Run predictions on each resized mel spectrogram using the classifier that you trained in the first step. Keep the predictions above a desired confidence level and save the mel spectrograms for those predictions to disk under the predicted class label. Train your classifier again using the psuedo-labeled data. Pseudo-labeled data can improve the performance of your classifier. If you want to generate your own pseudo-labeled data, you should continue with the remaining sections to train a classifier ទិន្នន័យ pseudo-labeled ។ បន្ទាប់មកប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រាប់ការប្រើសម្រើស។ មិន This implementation does not use pseudo-labeled data. However, you can modify the inference notebook referenced in the section to generate pseudo-labeled data. Running Inference ទាញយក ជាធម្មតានៅក្នុង ខ្សែភាពយន្ត ដើម្បីបាត់បង់ការប្រើប្រាស់នៃទិន្នន័យ pseudolabeled ។ USE_PSEUDO_LABELS Config False មាត្រា 3.6 - coding ស្លាក នេះ method is used to one-hot encode labels. One-hot encoded labels are returned as NumPy arrays and added to the training label and validation label lists. process_labels Section 3.7 - Converting Training and Validation Data Lists to TensorFlow Objects Dataset Dataset The TensorFlow គោលបំណងដើម្បីបង្កើត TensorFlow សៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅ គោលបំណងនេះត្រូវបានគេស្គាល់នៅលើការបណ្តុះបណ្តាល object to shuffle training data before batching. The គោលបំណងនេះត្រូវបានគេហៅនៅលើទាំងពីរ គោលបំណងនៃការធ្វើតេស្តនិងការធ្វើតេស្ត។ គោលបំណងនៃការ constant in the កុំព្យូទ័រគ្រប់គ្រងទំហំ batch ។ data.Dataset.from_tensor_slices Dataset shuffle Dataset batch Dataset BATCH_SIZE Config Section 3.8 - Using MixUp to Augment Training Data ដូចដែលអ្នកអាចដឹងថានៅពេលនេះ, MixUp គឺជាបច្ចេកទេសការបង្កើនទិន្នន័យដែលធ្វើឱ្យមានប្រសិទ្ធិភាពការរួមបញ្ចូលរូបភាពពីរដើម្បីបង្កើតគំរូទិន្នន័យថ្មី។ គម្រោងសម្រាប់រូបភាពរួមបញ្ចូលគឺជាការរួមបញ្ចូលគ្នានៃគម្រោងដែលភ្ជាប់ជាមួយរូបភាពដំបូង 2 ។ method, along with the ប្រព័ន្ធ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ mix_up sample_beta_distribution ការអនុវត្តនេះប្រើ MixUp ដើម្បីបង្កើនទិន្នន័យបណ្តុះបណ្តាល។ ដើម្បីប្រើ MixUp, ទាញយក ជាធម្មតានៅក្នុង ខ្សែភាពយន្ត . USE_MIXUP Config True ផ្នែកទី 4 - ម៉ូដែលការបណ្តុះបណ្តាល នេះ ផ្នែកមួយនៃសៀវភៅ: Model Training ការចាប់ផ្តើមនិងកំណត់គម្រោង WandB ដើម្បីរក្សាទុកទិន្នន័យដំណើរការបណ្តុះបណ្តាល។ ការបង្កើតនិងកំណត់គំរូ EfficientNet B0 ។ ការបណ្តុះបណ្តាលរបស់គំរូ ទាញយកម៉ូដែលដែលបានបណ្តុះបណ្តាលទៅលើដែក។ ផ្នែក 4.1 - ការចាប់ផ្តើមនិងការកំណត់រចនាសម្ព័ន្ធកម្មវិធី WandB សូមបញ្ជាក់ថាតើអ្នកបានបញ្ជាក់ថាតើអ្នកបានបញ្ជាក់ថាតើអ្នកបានបញ្ជាក់ថាតើអ្នកបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់ថាត្រូវបានបញ្ជាក់។ សូមបញ្ជាក់ថាតើអ្នកបានបញ្ជាក់ថាតើអ្នកបានបញ្ជាក់ថាតើអ្នកបានបញ្ជាក់ថាតើអ្នកបានបញ្ជាក់ថាតើអ្នកមាន នៅលើសៀវភៅនេះ និងនៅលើ WandB នេះ គោលដៅក្នុង of the notebook has returned . Kaggle Secret login Section 0 True The កុំព្យូទ័រនៅក្នុងផ្នែកនេះរួមបញ្ចូលគោលបំណងដើម្បីចាប់ផ្តើមនិងកំណត់គម្រោង WandB ថ្មី (ប្រសិនបើគម្រោងនេះមិនមាននៅពេលនេះ) ដែលនឹងរក្សាទុកទិន្នន័យដំណើរការបណ្តុះបណ្តាល: Config wandb.init(project="my-bird-vocalization-classifier") config = wandb.config config.batch_size = BATCH_SIZE config.epochs = 30 config.image_size = IMG_SIZE config.num_classes = len(LABELS) អ្នកអាចផ្លាស់ប្តូរឈ្មោះគម្រោង ទាញយកឈ្មោះគម្រោង WandB របស់អ្នក។ my-bird-vocalization-classifier ផ្នែក 4.2 - ការបង្កើតនិងបង្កើតម៉ូដែល EfficientNet B0 The គោលបំណងនេះត្រូវបានប្រើដើម្បីទាញយកម៉ូដែល EfficientNet B0 ដែលបានរៀនមុនដោយមានកម្រិត ImageNet និងដោយគ្មានកម្រិតកំពូល: build_model model = EfficientNetB0(include_top=False, input_tensor=inputs, weights="imagenet") ម៉ូដែលនេះត្រូវបានកាត់បន្ថយដើម្បីទទួលបានអត្ថប្រយោជន៍ពីទម្ងន់ ImageNet ដែលបានបណ្តុះបណ្តាលមុនដោយមានគោលបំណងដើម្បី (i.e. train) layers in the final stage of the model: ស្បែក # Unfreeze last `unfreeze_layers` layers and add regularization for layer in model.layers[-unfreeze_layers:]: if not isinstance(layer, layers.BatchNormalization): layer.trainable = True layer.kernel_regularizer = tf.keras.regularizers.l2(L2_RATE) សកម្មភាព Constant នៅក្នុង ទិន្នន័យថ្នាំកំដៅកំដៅកំដៅកំដៅកំដៅកំដៅកំដៅកំដៅកំដៅកំដៅកំដៅកំដៅ UNFREEZE_LAYERS Config The top of the model is rebuilt with a final ស្លាកដែលបង្ហាញពីការកំណត់ទំហំនៃសត្វសត្វសត្វសត្វ។ is chosen as the loss function to help address the class imbalance. The និង ជាធម្មតានៅក្នុង កុំព្យូទ័រត្រូវបានប្រើជាមួយនឹងការបាត់បន្ថយ។ Dense Categorical focal cross-entropy LOSS_ALPHA LOSS_GAMMA Config មាត្រា 4.3 - ម៉ូដែលការបណ្តុះបណ្តាល The method is called on the compiled ពី to run training. Note that a callback, វាត្រូវបានប្រើដោយផ្អែកលើកម្រិតអប់រំធម្មតា។ កម្រិតអប់រំដំបូងនៃការអប់រំធម្មតា វាត្រូវបានកាត់បន្ថយក្នុងរយៈពេល ២ វិនាទី ដោយផ្អែកលើអំឡុងពេលវេលា។ អំឡុងពេលវេលានេះត្រូវបានគ្រប់គ្រងដោយអំឡុងពេលវេលា ជាធម្មតានៅក្នុង ខ្សែភាពយន្ត fit model Section 4.2 learning rate scheduler lr_scheduler 4.0e-4 EPOCHS Config មាត្រា 4.4 - ម៉ូដែលការសុវត្ថិភាព នេះ method is called on the compiled following training to save the model to disk. save model model.save("bird-vocalization-classifier.keras") លទ្ធផលបណ្តុះបណ្តាល Running the notebook should produce the following training results, assuming you used the experimental setup that was described in the ផ្នែក : Building the Classifier ដូចដែលបានឃើញ, ការត្រឹមត្រូវគឺត្រឹមត្រូវជាង 90% និងការត្រឹមត្រូវការត្រឹមត្រូវនៃការត្រឹមត្រូវគឺប្រហែល 70% បន្ទាប់ពីការបណ្តុះបណ្តាលសម្រាប់អំឡុងពេល 30 ។ ទោះជាយ៉ាងណាក៏ដោយដូចដែលបានឃើញ, ការត្រឹមត្រូវនៃការត្រឹមត្រូវនៃការត្រឹមត្រូវខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខុសខ ការដំឡើង Inference នេះ នេះអាចត្រូវបានប្រើដើម្បីដំណើរការបញ្ជាក់។ គោលការណ៍បញ្ជាក់ប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្តិសាស្រ្តប្រវត្ត សៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅសៀវភៅ constant defined in the ខ្សែភាពយន្ត ប្រព័ន្ធ ប្រតិបត្តិការ Notebook Controls the number of soundcapes audio files that are loaded for inference. ប្រតិបត្តិការ Notebook Controls the number of soundcapes audio files that are loaded for inference. កុំព្យូទ័រ train_soundscapes MAX_FILES Config Section 0 The inference notebook first generates predictions using the GBV classifier. The predictions for the 143 BirdCLEF+ 2025 competition dataset classes known to the GBV classifier are isolated. If the maximum probability among the 143 "known" classes is above or equal to ទោះជាយ៉ាងណាក៏ដោយប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើ , it is assumed that the true class is among the 63 classes "unknown" to the GBV classifier - i.e. the classes used to train the model in the preceding section. The logic then runs predictions using the finetuned model. The predicted class from that prediction set is subsequently selected as the true class. GBV_CLASSIFIER_THRESHOLD GBV_CLASSIFIER_THRESHOLD នេះ វាត្រូវបានកំណត់នៅក្នុងការ ខ្សែភាពយន្ត of the inference notebook. Predictions are output to 2 files: GBV_CLASSIFIER_THRESHOLD Config Section 5 ឯកសារ preds.csv ដែលបានរក្សាទុកប្រសិទ្ធិភាពការអនុម័តនិងការអនុម័តសម្រាប់រយៈពេល 5 វិនាទី។ ឯកសារ submission.csv ដែលរក្សាទុកប្រសិទ្ធិភាពអតិបរមាទាំងអស់ក្នុងគំនិតសម្រាប់ការប្រកួត BirdCLEF+ 2025 ។ Set the path to your finetuned model in the first cell of of the inference notebook. Section 4 សូមបញ្ជាក់អំពីរបៀបដែលអ្នកកំពុងធ្វើនៅក្នុងគំរូដំបូងរបស់អ្នក សៀវភៅអំពី Inference Notebook Section 4 អាជីវកម្មចុងក្រោយ សៀវភៅការបណ្តុះបណ្តាលអាចត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាលម៉ូដែលនៅលើ 206 BirdCLEF+ 2025 កម្រិតទាំងអស់, ការបាត់បន្ថយការតម្រូវការសម្រាប់ការកំណត់ GBV, ទោះបីជាទូទាំងទិន្នន័យនៃការប្រកួតប្រជែង។ ដូចដែលបាននិយាយមុនពេលនេះ, ការផ្លាស់ប្តូរសៀវភៅបិទ, នៅលើ The ប្រព័ន្ធ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ ប្រតិបត្តិការ និង ទិន្នន័យធម្មតាអាចត្រូវបានប្រើដើម្បីកាត់បន្ថយទំហំនៃការទាញយកអូឌីយ៉ូដើម្បីធ្វើការក្នុងកំណត់នៃបរិស្ថានកុំព្យូទ័រ Kaggle ។ [] load_training_audio MAX_FILES LOAD_SLICE ជាការពិតប្រាកដ, ម៉ូដែលល្អប្រសើរជាងនេះអាចត្រូវបានបណ្តុះបណ្តាលដោយប្រើទិន្នន័យបណ្តុះបណ្តាលធំជាងនេះ។ ជាការល្អប្រសើរជាងនេះ, ទិន្នន័យបណ្តុះបណ្តាលធំជាងនេះនឹងត្រូវបានប្រើសម្រាប់ការបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តុះបណ្តាលបណ្តុះបណ្តុះបណ្តាលបណ្តុះបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តុះ