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

0. 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.

1. 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.

2. 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.

3. 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.