bvallegc/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)

配置项：
- 配置名称：default
数据文件：
- 拆分集：训练集（train），路径：data/train-*
- 拆分集：测试集（test），路径：data/test-*
数据集信息：
特征：
- 标签（label）：数据类型为类别标签（class_label），其类别映射如下：
'0'：布鲁斯（blues）
'1'：古典乐（classical）
'2'：乡村乐（country）
'3'：迪斯科（disco）
'4'：嘻哈（hiphop）
'5'：爵士乐（jazz）
'6'：金属乐（metal）
'7'：流行乐（pop）
'8'：雷鬼（reggae）
'9'：摇滚乐（rock）
- 输入值（input_values）：序列类型，数据类型为float32
- 注意力掩码（attention_mask）：序列类型，数据类型为int32
拆分集详情：
- 训练集（train）：占用字节数3452159816，样本总数899
- 测试集（test）：占用字节数384000696，样本总数100
下载总大小：1923103923
数据集总占用大小：3836160512

# 「gtzan_all_preprocessed」数据集卡片
[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

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: class_label
    • 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: sequence: float32
  • 注意力掩码:
    • 名称: attention_mask
    • 数据类型: sequence: int32

• 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任务的经典基准。bvallegc/gtzan_all_preprocessed数据集基于原始GTZAN音频数据，经过预处理流程构建而成。其核心构建方式包括对原始音频进行特征提取，将音频信号转换为固定长度的浮点序列（input_values），并生成对应的注意力掩码（attention_mask）以适配深度学习模型。数据集划分为训练集（899个样本）和测试集（100个样本），标签覆盖布鲁斯、古典、乡村等10种音乐流派，确保类别均衡分布。

特点

该数据集具备显著的结构化特点，适用于端到端的音频分类任务。每个样本包含三个字段：标签（label）以整数编码表示音乐流派，input_values为预处理后的音频特征序列，attention_mask则用于标记有效音频区域。数据集总大小约3.8GB，训练集与测试集规模合理，可支撑模型训练与评估的完整性。预处理后的数据格式直接兼容Transformer架构（如Wav2Vec2、HuBERT），无需用户额外进行特征工程。

使用方法

使用该数据集时，可通过HuggingFace的datasets库加载，指定配置为'default'即可获取预划分的训练集和测试集。加载后，input_values可直接输入音频编码模型，attention_mask用于动态填充处理。标签需通过class_label映射还原为文本名称。建议结合PyTorch或TensorFlow框架，利用DataLoader进行批量化训练。由于数据已预处理，用户仅需关注模型架构设计与超参数调优，无需处理原始音频的采样、归一化等步骤。

背景与挑战

背景概述

音乐信息检索（MIR）领域长期致力于从音频信号中自动识别音乐类型，而GTZAN数据集作为该领域的奠基性基准，自2002年由George Tzanetakis在加拿大维多利亚大学创建以来，始终是评估音乐分类算法的黄金标准。该数据集涵盖布鲁斯、古典、乡村等十种音乐流派，共1000首30秒时长的音频片段，其核心研究问题在于探索音频特征与流派标签间的映射关系。bvallegc/gtzan_all_preprocessed版本进一步对原始数据进行了标准化预处理，通过提取梅尔频谱特征并构建训练集（899样本）与测试集（100样本）的划分，为深度学习模型提供了可直接输入的低维表征，显著降低了特征工程的重复性劳动，推动了卷积神经网络在音乐分类任务中的广泛应用。

当前挑战

当前数据集面临的核心挑战在于其长期存在的领域局限性与构建过程中的技术瓶颈。一方面，GTZAN仅包含十种传统流派，无法覆盖当代电子音乐、世界音乐等新兴类别，且每类样本量均衡但总数有限，导致模型在真实场景中面临流派混淆与过拟合风险；另一方面，原始音频的版权限制与30秒固定时长削弱了跨数据集泛化能力，而预处理阶段中梅尔频谱参数的选取（如帧长、跳步长）可能引入信息损失，加之训练集与测试集之间潜在的录音设备或编码差异，使得模型难以学习到鲁棒的流派本质特征。

常用场景

经典使用场景

GTZAN数据集作为音乐信息检索领域的基准测试集，其预处理版本bvallegc/gtzan_all_preprocessed延续了经典的音乐流派分类任务。该数据集包含blues、classical、country等十种音乐流派，通过提取音频的梅尔频谱特征（input_values）并配备注意力掩码（attention_mask），为深度学习模型提供了标准化的输入格式。研究者可基于此数据集训练卷积神经网络或Transformer架构，实现对音乐风格的自动判别与归类。

衍生相关工作

基于GTZAN数据集衍生出众多经典工作，包括Lopardo等人提出的对比学习框架用于鲁棒的流派表征提取，以及使用频谱图增强与自监督预训练的音乐分类模型。此外，该数据集还催生了跨数据集泛化研究，如将GTZAN训练的模型迁移至FMA或MagnaTagATune等更大规模数据集，推动了音乐领域迁移学习与领域自适应方向的发展。这些工作共同构建了音乐信息检索领域的理论基石。

数据集最近研究

最新研究方向

在音乐信息检索领域，bvallegc/gtzan_all_preprocessed数据集作为GTZAN数据集的预处理版本，正推动着音频分类研究的精细化发展。当前前沿研究方向聚焦于利用预训练音频模型（如Wav2Vec2、HuBERT）对该数据集中10类音乐流派（布鲁斯、古典、乡村等）进行端到端特征提取与分类，探索自监督学习在有限标注样本下的泛化能力。该数据集提供的input_values和attention_mask字段，便于直接适配Transformer架构，支持对注意力机制的深入分析。随着音乐流媒体平台个性化推荐需求的激增，该数据集在自动标签生成、音乐相似性检索等热点应用中扮演基准角色，其标准化预处理流程显著降低了实验复现门槛，推动了音频表示学习与跨模态对齐研究的进展，对构建更鲁棒的音乐理解系统具有重要学术与工业价值。