Skip to content

README.md

Latest commit

 

History

History
69 lines (40 loc) · 2.86 KB

README.md

File metadata and controls

69 lines (40 loc) · 2.86 KB
Raw

Urban Sounds Classification

Koç Holding ve Aygaz işbirliği ile düzenlenen ve Global AI Hub önderliğinde gerçekleştirilen Derin Öğrenme Bootcamp eğitimi bünyesinde aşağıdaki projeyi gerçekleştirmekten mutluluk duyuyorum.

Proje Künyesi

Proje Adı : Urban Sounds Classification

Proje Kapsamı : “UrbanSounds8K” veri setini kullanarak şehirlerde duyulan seslerin sınıflandırılması

Proje Hedefi : Derin öğrenme algoritmalarını kullanarak yapay zeka modeli hazırlamak

Proje Adımları :

  • Veri setini indirecek
  • Ses dosyalarından spectrogram oluşturacak
  • Spectrogamlar ait oldukları kategorilere göre bilgisayara kaydedilecek
  • Spectrogramlar üzerinde önişleme yaparak CNN modeli hazırlanacak
  • Hazırlanan model eğitilecek

Global AI Hub Proje Değerlendirme : Model performansı bir ölçüt olmayacak. Modelin hazırlanması, eğitilmesi ve hiperparametre optimizasyonunun yapılması aranacak.

Kullanılabilecek kütüphanelerin dokümanları :

* Librosa (Ses İşleme): https://librosa.org/doc/latest/index.html   
* OpenCV (Görüntü İşleme): https://docs.opencv.org/4.x/d6/d00/tutorial_py_root.html
* TensorFlow/Keras (Derin Öğrenme): https://www.tensorflow.org/api_docs/python/tf

Proje Prosedürü

  1. Veri Setinin İncelenmesi

    • “UrbanSounds8K” veri setini bilgisayarınıza indirin. (5,6 GB) https://urbansounddataset.weebly.com/urbansound8k.html
    • İndirdiğiniz .tar dosyasını açın. (Mentorlarınızdan destek alabilirsiniz )
    • README dosyasını okuyarak elimizdeki verinin ne olduğunu ve nasıl isimlendirildiğini iyice anlayın.

  2. Spectrogram Oluşturma

    • Ses dosyalarının spectrogramlarını oluşturun. Kolaylık olması için aşağıdaki fonksiyonu kullanabilirsiniz. create_spectrogram fonksiyonuna, okuduğunuz ses dosyasını gönderdiğinizde size hazırlanmış spectrogramı dönecektir.

    def create_spectrogram(y):

     spec = librosa.feature.melspectrogram(y=y)
 
 spec_conv = librose.amplitude_to_db(spec, ref=np.max)
 
 return spec_conv
    • Oluşturduğunuz spectrogramları ait olduğu sınıfın klasörüne kaydedin.

  3. Önişleme

    • Görüntüleri (spectrogramları) sırasıyla okuyarak, grayscale dönüşümü, resizing ve normalizasyon yapın.
    • Görüntüleri ait oldukları etiketlerle birlikte, [görüntü, etiket] formatında bir listeye ekleyin.
    • Bu listeyi kullanarak, X_train, y_train, X_val, y_val, X_test ve y_test veri setlerini oluşturun.
    • Bu veri setlerini bilgisayarınıza kaydedin.

  4. Model Hazırlanması ve Eğitimi

    • Bir CNN modeli hazırlayın.
    • Modeli hazırlamış olduğunuz veriyi kullanarak eğitin.
    • Modelin performans metriklerini, loss ve accuracy grafiklerini ekrana yazdırın.
    • Aldığınız sonuçlara göre hyperparameter optimization yapın.