基于Pytorch实现的声音分类

前言

本章我们来介绍如何使用Pytorch训练一个区分不同音频的基于分类模型，例如你有这样一个需求，实声音需要根据不同的分类鸟叫声识别是什么种类的鸟，这时你就可以使用这个方法来实现你的基于需求了。

源码地址：https://github.com/yeyupiaoling/AudioClassification-Pytorch

环境准备

主要介绍libsora，实声音PyAudio，分类pydub的基于安装，其他的实声音依赖包根据需要自行安装。

Python 3.7
Pytorch 1.10.0

安装libsora

最简单的分类方式就是使用pip命令安装，如下：

pip install pytest-runnerpip install librosa==0.9.1

注意：如果pip命令安装不成功，基于那就使用源码安装，实声音下载源码：https://github.com/librosa/librosa/releases/，分类 windows的基于可以下载zip压缩包，方便解压。实声音

pip install pytest-runnertar xzf librosa-<版本号>.tar.gz 或者 unzip librosa-<版本号>.tar.gzcd librosa-<版本号>/python setup.py install

如果出现 libsndfile64bit.dll': error 0x7e错误，分类请指定安装版本0.6.3，如 pip install librosa==0.6.3

安装ffmpeg，下载地址：http://blog.gregzaal.com/how-to-install-ffmpeg-on-windows/，笔者下载的是64位，static版。
然后到C盘，笔者解压，修改文件名为 ffmpeg，存放在 C:\Program Files\目录下，并添加环境变量 C:\Program Files\ffmpeg\bin

最后修改源码，路径为 C:\Python3.7\Lib\site-packages\audioread\ffdec.py，修改32行代码，如下：

COMMANDS = ('C:\\Program Files\\ffmpeg\\bin\\ffmpeg.exe', 'avconv')

安装PyAudio

使用pip安装命令，如下：

pip install pyaudio

在安装的时候需要使用到C++库进行编译，如果读者的系统是windows，Python是3.7，可以在这里下载whl安装包，下载地址：https://github.com/intxcc/pyaudio_portaudio/releases

安装pydub

使用pip命令安装，如下：

pip install pydub

训练分类模型

把音频转换成训练数据最重要的是使用了librosa，使用librosa可以很方便得到音频的梅尔频谱（Mel Spectrogram），使用的API为 librosa.feature.melspectrogram()，输出的是numpy值。关于梅尔频谱具体信息读者可以自行了解，跟梅尔频谱同样很重要的梅尔倒谱（MFCCs）更多用于语音识别中，对应的API为 librosa.feature.mfcc()。同样以下的代码，就可以获取到音频的梅尔频谱。

wav, sr = librosa.load(data_path, sr=16000)features = librosa.feature.melspectrogram(y=wav, sr=sr, n_fft=400, n_mels=80, hop_length=160, win_length=400)features = librosa.power_to_db(features, ref=1.0, amin=1e-10, top_db=None)

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')

创建 reader.py用于在训练时读取数据。编写一个 CustomDataset类，用读取上一步生成的数据列表。

class CustomDataset(Dataset):    def __init__(self, data_list_path, model='train', sr=16000, chunk_duration=3):        super(CustomDataset, self).__init__()        with open(data_list_path, 'r') as f:            self.lines = f.readlines()        self.model = model        self.sr = sr        self.chunk_duration = chunk_duration    def __getitem__(self, idx):        try:            audio_path, label = self.lines[idx].replace('\n', '').split('\t')            spec_mag = load_audio(audio_path, mode=self.model, sr=self.sr, chunk_duration=self.chunk_duration)            return spec_mag, np.array(int(label), dtype=np.int64)        except Exception as ex:            print(f"[{ ex}", file=sys.stderr)            rnd_idx = np.random.randint(self.__len__())            return self.__getitem__(rnd_idx)    def __len__(self):        return len(self.lines)

下面是在训练时或者测试时读取音频数据，训练时对转换的梅尔频谱数据随机裁剪，如果是测试，就取前面的，最好要执行归一化。

def load_audio(audio_path, mode='train', sr=16000, chunk_duration=3):    # 读取音频数据    wav, sr_ret = librosa.load(audio_path, sr=sr)    if mode == 'train':        # 随机裁剪        num_wav_samples = wav.shape[0]        # 数据太短不利于训练        if num_wav_samples < sr:            raise Exception(f'音频长度不能小于1s，实际长度为：{ (num_wav_samples / sr):.2f}s')        num_chunk_samples = int(chunk_duration * sr)        if num_wav_samples >num_chunk_samples + 1:            start = random.randint(0, num_wav_samples - num_chunk_samples - 1)            stop = start + num_chunk_samples            wav = wav[start:stop]            # 对每次都满长度的再次裁剪            if random.random() >0.5:                wav[:random.randint(1, sr // 2)] = 0                wav = wav[:-random.randint(1, sr // 2)]    elif mode == 'eval':        # 为避免显存溢出，只裁剪指定长度        num_wav_samples = wav.shape[0]        num_chunk_samples = int(chunk_duration * sr)        if num_wav_samples >num_chunk_samples + 1:            wav = wav[:num_chunk_samples]    features = librosa.feature.melspectrogram(y=wav, sr=sr, n_fft=400, n_mels=80, hop_length=160, win_length=400)    features = librosa.power_to_db(features, ref=1.0, amin=1e-10, top_db=None)    # 归一化    mean = np.mean(features, 0, keepdims=True)    std = np.std(features, 0, keepdims=True)    features = (features - mean) / (std + 1e-5)    features = features.astype('float32')    return features

训练

接着就可以开始训练模型了，创建 train.py。我们搭建简单的卷积神经网络，如果音频种类非常多，可以适当使用更大的卷积神经网络模型。通过把音频数据转换成梅尔频谱。然后定义优化方法和获取训练和测试数据。要注意 args.num_classes参数的值，这个是类别的数量，要根据你数据集中的分类数量来修改。

def train(args):    # 获取数据    train_dataset = CustomDataset(args.train_list_path, model='train')    train_loader = DataLoader(dataset=train_dataset, batch_size=args.batch_size, shuffle=True, collate_fn=collate_fn, num_workers=args.num_workers)    test_dataset = CustomDataset(args.test_list_path, model='eval')    test_loader = DataLoader(dataset=test_dataset, batch_size=args.batch_size, collate_fn=collate_fn, num_workers=args.num_workers)    # 获取分类标签    with open(args.label_list_path, 'r', encoding='utf-8') as f:        lines = f.readlines()        class_labels = [l.replace('\n', '') for l in lines]    # 获取模型    device = torch.device("cuda")    model = EcapaTdnn(num_classes=args.num_classes)    model.to(device)    # 获取优化方法    optimizer = torch.optim.Adam(params=model.parameters(),                                 lr=args.learning_rate,                                 weight_decay=5e-4)    # 获取学习率衰减函数    scheduler = CosineAnnealingLR(optimizer, T_max=args.num_epoch)    # 恢复训练    if args.resume is not None:        model.load_state_dict(torch.load(os.path.join(args.resume, 'model.pth')))        state = torch.load(os.path.join(args.resume, 'model.state'))        last_epoch = state['last_epoch']        optimizer_state = torch.load(os.path.join(args.resume, 'optimizer.pth'))        optimizer.load_state_dict(optimizer_state)        print(f'成功加载第 { last_epoch} 轮的模型参数和优化方法参数')    # 获取损失函数    loss = torch.nn.CrossEntropyLoss()

最后执行训练，每100个batch打印一次训练日志，训练一轮之后执行测试和保存模型，在测试时，把每个batch的输出都统计，最后求平均值。

for epoch in range(args.num_epoch):        loss_sum = []        accuracies = []        for batch_id, (spec_mag, label) in enumerate(train_loader):            spec_mag = spec_mag.to(device)            label = label.to(device).long()            output = model(spec_mag)            # 计算损失值            los = loss(output, label)            optimizer.zero_grad()            los.backward()            optimizer.step()            # 计算准确率            output = torch.nn.functional.softmax(output, dim=-1)            output = output.data.cpu().numpy()            output = np.argmax(output, axis=1)            label = label.data.cpu().numpy()            acc = np.mean((output == label).astype(int))            accuracies.append(acc)            loss_sum.append(los)            if batch_id % 100 == 0:                print(f'[{ len(train_loader)}, '                      f'lr: { sum(loss_sum) / len(loss_sum):.8f}, '                      f'accuracy: { sum(accuracies) / len(accuracies):.8f}')        scheduler.step()

每轮训练结束之后都会执行一次评估，和保存模型。评估会出来输出准确率，还保存了混合矩阵图片，如下。
在这里插入图片描述

预测

在训练结束之后，我们得到了一个模型参数文件，我们使用这个模型预测音频，在执行预测之前，需要把音频转换为梅尔频谱数据，最后输出的结果即为预测概率最大的标签。

parser = argparse.ArgumentParser(description=__doc__)add_arg = functools.partial(add_arguments, argparser=parser)add_arg('audio_path',       str,    'dataset/UrbanSound8K/audio/fold5/156634-5-2-5.wav', '图片路径')add_arg('num_classes',      int,    10,                        '分类的类别数量')add_arg('label_list_path',  str,    'dataset/label_list.txt',  '标签列表路径')add_arg('model_path',       str,    'models/model.pth',        '模型保存的路径')args = parser.parse_args()# 获取分类标签with open(args.label_list_path, 'r', encoding='utf-8') as f:    lines = f.readlines()class_labels = [l.replace('\n', '') for l in lines]# 获取模型device = torch.device("cuda")model = EcapaTdnn(num_classes=args.num_classes)model.to(device)model.load_state_dict(torch.load(args.model_path))model.eval()def infer():    data = load_audio(args.audio_path, mode='infer')    data = data[np.newaxis, :]    data = torch.tensor(data, dtype=torch.float32, device=device)    # 执行预测    output = model(data)    result = torch.nn.functional.softmax(output, dim=-1)    result = result.data.cpu().numpy()    # 显示图片并输出结果最大的label    lab = np.argsort(result)[0][-1]    print(f'音频：{ class_labels[lab]}')if __name__ == '__main__':    infer()

其他

为了方便读取录制数据和制作数据集，这里提供了两个程序，首先是 record_audio.py，这个用于录制音频，录制的音频帧率为44100，通道为1，16bit。

import pyaudioimport waveimport uuidfrom tqdm import tqdmimport oss = input('请输入你计划录音多少秒：')CHUNK = 1024FORMAT = pyaudio.paInt16CHANNELS = 1RATE = 44100RECORD_SECONDS = int(s)WAVE_OUTPUT_FILENAME = "save_audio/%s.wav" % str(uuid.uuid1()).replace('-', '')p = pyaudio.PyAudio()stream = p.open(format=FORMAT,                channels=CHANNELS,                rate=RATE,                input=True,                frames_per_buffer=CHUNK)print("开始录音, 请说话......")frames = []for i in tqdm(range(0, int(RATE / CHUNK * RECORD_SECONDS))):    data = stream.read(CHUNK)    frames.append(data)print("录音已结束!")stream.stop_stream()stream.close()p.terminate()if not os.path.exists('save_audio'):    os.makedirs('save_audio')wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')wf.setnchannels(CHANNELS)wf.setsampwidth(p.get_sample_size(FORMAT))wf.setframerate(RATE)wf.writeframes(b''.join(frames))wf.close()print('文件保存在：%s' % WAVE_OUTPUT_FILENAME)os.system('pause')

创建 crop_audio.py，在训练是只是裁剪前面的3秒的音频，所以我们要把录制的硬盘安装每3秒裁剪一段，把裁剪后音频存放在音频名称命名的文件夹中。最后把这些文件按照训练数据的要求创建数据列表和训练数据。

import osimport uuidimport wavefrom pydub import AudioSegment# 按秒截取音频def get_part_wav(sound, start_time, end_time, part_wav_path):    save_path = os.path.dirname(part_wav_path)    if not os.path.exists(save_path):        os.makedirs(save_path)    start_time = int(start_time) * 1000    end_time = int(end_time) * 1000    word = sound[start_time:end_time]    word.export(part_wav_path, format="wav")def crop_wav(path, crop_len):    for src_wav_path in os.listdir(path):        wave_path = os.path.join(path, src_wav_path)        print(wave_path[-4:])        if wave_path[-4:] != '.wav':            continue        file = wave.open(wave_path)        # 帧总数        a = file.getparams().nframes        # 采样频率        f = file.getparams().framerate        # 获取音频时间长度        t = int(a / f)        print('总时长为 %d s' % t)        # 读取语音        sound = AudioSegment.from_wav(wave_path)        for start_time in range(0, t, crop_len):            save_path = os.path.join(path, os.path.basename(wave_path)[:-4], str(uuid.uuid1()) + '.wav')            get_part_wav(sound, start_time, start_time + crop_len, save_path)if __name__ == '__main__':    crop_len = 3    crop_wav('save_audio', crop_len)

创建 infer_record.py，这个程序是用来不断进行录音识别，录音时间之所以设置为6秒，所以我们可以大致理解为这个程序在实时录音识别。通过这个应该我们可以做一些比较有趣的事情，比如把麦克风放在小鸟经常来的地方，通过实时录音识别，一旦识别到有鸟叫的声音，如果你的数据集足够强大，有每种鸟叫的声音数据集，这样你还能准确识别是那种鸟叫。如果识别到目标鸟类，就启动程序，例如拍照等等。

# 录音参数CHUNK = 1024FORMAT = pyaudio.paInt16CHANNELS = 1RATE = 44100RECORD_SECONDS = 6WAVE_OUTPUT_FILENAME = "infer_audio.wav"# 打开录音p = pyaudio.PyAudio()stream = p.open(format=FORMAT,                channels=CHANNELS,                rate=RATE,                input=True,                frames_per_buffer=CHUNK)# 获取录音数据def record_audio():    print("开始录音......")    frames = []    for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):        data = stream.read(CHUNK)        frames.append(data)    print("录音已结束!")    wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')    wf.setnchannels(CHANNELS)    wf.setsampwidth(p.get_sample_size(FORMAT))    wf.setframerate(RATE)    wf.writeframes(b''.join(frames))    wf.close()    return WAVE_OUTPUT_FILENAME# 预测def infer(audio_path):    data = load_audio(audio_path, mode='infer')    data = data[np.newaxis, :]    data = torch.tensor(data, dtype=torch.float32, device=device)    # 执行预测    output = model(data)    result = torch.nn.functional.softmax(output, dim=-1)    result = result.data.cpu().numpy()    # 显示图片并输出结果最大的label    lab = np.argsort(result)[0][-1]    return class_labels[lab]if __name__ == '__main__':    try:        while True:            # 加载数据            audio_path = record_audio()            # 获取预测结果            label = infer(audio_path)            print(f'预测的标签为：{ label}')    except Exception as e:        print(e)        stream.stop_stream()        stream.close()        p.terminate()