fmagot01/gtzan_all_preprocessed

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
dataset_info:
features:
- name: label
dtype:
class_label:
names:
'0': blues
'1': classical
'2': country
'3': disco
'4': hiphop
'5': jazz
'6': metal
'7': pop
'8': reggae
'9': rock
- name: input_values
sequence: float32
- name: attention_mask
sequence: int32
splits:
- name: train
num_bytes: 3452159816
num_examples: 899
- name: test
num_bytes: 384000696
num_examples: 100
download_size: 1923103923
dataset_size: 3836160512
---
# Dataset Card for "gtzan_all_preprocessed"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
dataset_info:
features:
- name: label
dtype:
class_label:
names:
'0': 蓝调
'1': 古典
'2': 乡村
'3': 迪斯科
'4': 嘻哈
'5': 爵士
'6': 金属
'7': 流行
'8': 雷鬼
'9': 摇滚
- name: input_values
sequence: float32

原始信息汇总

数据集概述

数据集配置

• 配置名称: default
• 数据文件:
  • 训练集: data/train-*
  • 测试集: data/test-*

数据集信息

• 特征:

  • 标签:
    • 名称: label
    • 数据类型: 类别标签
    • 类别名称:
      • 0: blues
      • 1: classical
      • 2: country
      • 3: disco
      • 4: hiphop
      • 5: jazz
      • 6: metal
      • 7: pop
      • 8: reggae
      • 9: rock
  • 输入值:
    • 名称: input_values
    • 数据类型: 浮点数序列
  • 注意力掩码:
    • 名称: attention_mask
    • 数据类型: 整数序列

• 数据分割:

  • 训练集:
    • 名称: train
    • 字节数: 3452159816
    • 样本数: 899
  • 测试集:
    • 名称: test
    • 字节数: 384000696
    • 样本数: 100

• 下载大小: 1923103923

• 数据集大小: 3836160512

搜集汇总

数据集介绍

构建方式

在音乐信息检索领域，GTZAN数据集是音乐流派分类研究的经典基准，fmagot01/gtzan_all_preprocessed在其基础上进行了系统化预处理。该数据集将原始音频通过特征提取流程转化为可直接用于深度学习模型的张量形式，包含input_values（浮点型序列）和attention_mask（整型序列）两个核心字段，分别存储音频的声学特征表示与注意力掩码。数据按8:1的比例划分为训练集（899条）和测试集（100条），涵盖布鲁斯、古典、乡村、迪斯科、嘻哈、爵士、金属、流行、雷鬼和摇滚共10个音乐流派类别，标签以整数编码形式存储。

特点

该数据集的核心优势在于其高度标准化的预处理流程，消除了原始音频在采样率、时长和编码格式上的差异，使研究者可直接聚焦于模型架构设计与训练策略优化。input_values字段经过归一化处理，保持特征分布的一致性，而attention_mask字段则有效支持变长序列的批处理计算。数据集规模适中，训练集与测试集的划分比例经过精心设计，既保证了模型训练的充分性，又提供了可靠的评估基准。所有音频特征均已预计算并存储为高效的内存格式，显著降低了数据加载与预处理的计算开销。

使用方法

研究者可通过HuggingFace的datasets库直接加载该数据集，使用load_dataset函数指定数据集名称即可获取预划分的训练集与测试集。加载后的数据可直接用于基于Transformer架构的音频分类模型训练，如Wav2Vec2、HuBERT等预训练模型的微调。input_values字段可作为模型输入，attention_mask用于处理填充序列，label字段提供监督信号。推荐使用PyTorch或TensorFlow框架构建数据加载器，配合DataLoader进行批量化训练。该数据集特别适合进行音乐流派分类的基准测试、特征表示学习研究以及跨数据集泛化能力评估。

背景与挑战

背景概述

音乐流派分类作为音频信息检索领域的一项核心任务，长期以来受到研究者的广泛关注。GTZAN数据集自2002年由George Tzanetakis创建以来，便成为该领域最为经典的基准测试平台之一，涵盖了布鲁斯、古典、乡村、迪斯科、嘻哈、爵士、金属、流行、雷鬼与摇滚十类音乐样本。该数据集的诞生标志着自动音乐分类研究从理论探索走向标准化评测，极大地推动了基于特征工程与早期机器学习方法的流派识别模型发展。由fmagot01发布的gtzan_all_preprocessed版本，对原始音频进行了预处理，提取了包含input_values和attention_mask在内的特征表示，并划分了899条训练样本与100条测试样本，为后续深度学习模型的训练提供了更为便捷、统一的数据基础。

当前挑战

GTZAN数据集所面临的挑战首先体现在流派分类任务本身：音乐流派边界模糊，不同风格间存在显著重叠，如布鲁斯与摇滚、爵士与古典等类别间区分难度较高，单一音频片段常包含多流派元素，导致模型泛化能力受限。其次，数据构建过程中原始版本存在音频时长不统一、采样率差异及部分样本重复等质量缺陷，尽管预处理版本进行了标准化处理，但样本总量仅999条，训练数据稀缺且类别分布不均，容易引发过拟合与类别偏差问题。此外，原始录音中可能包含版权音乐与噪声干扰，影响特征提取的纯净度，进一步加大了模型对音色、节奏与和声等本质特征学习的难度。

常用场景

经典使用场景

在音乐信息检索（MIR）领域，GTZAN数据集作为最经典的基准之一，常被用于音乐流派分类任务。该预处理版本将原始音频转换为浮点型序列特征与注意力掩码，便于直接输入深度学习模型。研究者通常利用其预分割的训练集（899条样本）与测试集（100条样本），验证卷积神经网络（CNN）、循环神经网络（RNN）或Transformer架构在区分布鲁斯、古典、乡村等十种音乐流派上的性能表现。这一场景已成为评估音频表示学习与分类算法有效性的标准流程。

实际应用

在实际应用中，基于该数据集训练的流派分类模型可嵌入音乐流媒体平台（如Spotify、网易云音乐）的智能推荐系统，实现歌曲自动标签化与歌单聚类。同时，它也能辅助音乐档案管理，为海量音频库提供自动化元数据标注，降低人工编录成本。此外，模型可迁移至音乐教育工具中，实时分析用户演奏风格并提供反馈，或用于版权监测领域，快速识别翻唱作品与原曲的流派归属。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于时频图与CNN的流派分类模型（如MusicCNN）、利用注意力机制捕捉长程依赖的Transformer架构（如AST），以及结合对比学习的自监督预训练方法（如CLMR）。此外，研究者还基于其变体探索了多模态融合（如歌词与音频联合建模）与域适应技术，以提升跨数据集泛化能力。这些工作不仅深化了对音乐信号的理解，也为通用音频表示学习奠定了方法论基础。