音乐深度学习数据集快速指南：从55个音乐数据集中选对数据

音乐深度学习数据集快速指南从55个音乐数据集中选对数据【免费下载链接】awesome-deep-learning-musicList of articles related to deep learning applied to music项目地址: https://gitcode.com/gh_mirrors/aw/awesome-deep-learning-musicawesome-deep-learning-musicDL4M是一个深度学习音乐研究资源库整理了167篇论文和55个音乐数据集覆盖流派分类、作曲生成、源分离等任务。对刚开始接触音乐数据集的研究者和开发者来说它可以帮你跳过去哪找数据的摸索阶段。 按研究任务选音乐数据集场景速选流派识别MGRGTzan1000条30秒音频、10个流派该领域最常用的基准Magnatagatune带自动标签适合音频打标签任务音乐生成JSB Chorales巴赫四声部圣咏符号音乐生成入门首选Lakh MIDI大规模MIDI集合适合学习风格源分离MUSDB18干声分轨混音该任务标准测试集MedleyDB多乐器多轨录音含人声分离标注和弦识别RWC多乐器、多风格录音标注齐全 音乐数据集完整清单音频类与符号类音频类GTzan1000段30秒音频、10个流派适合流派分类基准实验RWC音乐数据库多种乐器独奏与歌唱录音适合乐器识别、和弦识别、记谱AudioSetGoogle发布、632个音频事件类别适合通用音频事件分类MUSDB18完整歌曲的混音与分轨干声适合源分离与混音研究MedleyDB多乐器多轨录音适合源分离与乐器识别符号类JSB Chorales巴赫四声部圣咏的符号表示适合复调音乐生成Lakh MIDI大规模MIDI文件集合适合作曲生成与风格建模MusicNet带节拍与段落标注的古典音乐录音适合音乐结构分析Nottingham数据集民歌旋律集合适合旋律风格学习与分类更多条目共55个含DSD100、Bach10、Bach Corpus等见 datasets.md。 音乐深度学习数据洞察图表告诉你什么任务分布流派识别占23.2%23篇、作曲占20.2%20篇源分离只有9.1%9篇。意味着什么分类与生成任务论文密集公开基准GTzan、JSB成熟容易对齐对比源分离论文少但MUSDB18已是事实标准做这方向时优先选它。架构分布CNN占45%45篇RNN占12%12篇DNN占7%7篇。意味着什么近半数工作把音频转成频谱图后交给CNN。复现实验时输入表示频谱图还是MIDI事件要和对标论文保持一致否则结果不可比。年度趋势论文量从2015年的21篇升到2017年峰值75篇2018年后骤降至每年个位数。意味着什么这份清单的收录到2021年就基本停了近年新进展如Transformer方向需自行补充检索不要假设清单是最新的。 上手建议预处理、特征与评估预处理统一采样率与音频裁剪长度按论文同样方式划分训练/验证/测试集特征表示音频任务主流是mel频谱图配CNN符号任务直接用MIDI音符事件序列评估指标分类看accuracy/F1源分离看SDR沿用各任务的标准指标避免自造指标结尾DL4M用167篇论文的结构化数据dl4m.tsv把音乐数据集、任务、架构关联起来是选数据、对标实验的实用起点。建议按场景速选→查清单→对照趋势图的顺序使用再自行检索2018年后的新论文补齐盲区。【免费下载链接】awesome-deep-learning-musicList of articles related to deep learning applied to music项目地址: https://gitcode.com/gh_mirrors/aw/awesome-deep-learning-music创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考