CCMusic Dashboard代码实例：Streamlit前端+PyTorch后端完整调用示例-深圳市維司達科技有限公司

CCMusic Dashboard代码实例：Streamlit前端+PyTorch后端完整调用示例

1. 项目概述

CCMusic Audio Genre Classification Dashboard是一个创新的音乐风格分类平台，它将音频信号转换为视觉图像，然后使用计算机视觉模型进行分析。这个项目完美结合了Streamlit的交互式前端和PyTorch的强大后端能力。

核心创新点：

采用频谱图技术将音频信号可视化
使用预训练计算机视觉模型进行风格分类
提供直观的交互式界面展示分析结果

2. 环境准备与安装

2.1 系统要求

在开始之前，请确保您的系统满足以下要求：

Python 3.7或更高版本
支持CUDA的GPU（推荐但不必须）
至少4GB可用内存

2.2 安装依赖

pip install streamlit torch torchaudio torchvision librosa matplotlib

2.3 项目结构

ccmusic-dashboard/ ├── models/ # 存放预训练模型权重 ├── examples/ # 示例音频文件 ├── utils.py # 工具函数 ├── app.py # Streamlit主程序 └── requirements.txt # 依赖列表

3. 核心功能实现

3.1 音频预处理

音频预处理是将声音信号转换为频谱图的关键步骤：

import librosa import numpy as np def audio_to_spectrogram(audio_path, mode='cqt', sr=22050): # 加载音频文件 y, _ = librosa.load(audio_path, sr=sr) if mode == 'cqt': # 恒定Q变换 cqt = librosa.cqt(y, sr=sr) spectrogram = librosa.amplitude_to_db(np.abs(cqt)) else: # 梅尔频谱 mel = librosa.feature.melspectrogram(y=y, sr=sr) spectrogram = librosa.amplitude_to_db(mel) # 归一化到0-255范围 spectrogram = (spectrogram - spectrogram.min()) / (spectrogram.max() - spectrogram.min()) * 255 return spectrogram.astype(np.uint8)

3.2 模型加载与推理

import torch from torchvision import models def load_model(model_name, weight_path): # 根据模型名称创建模型结构 if model_name.startswith('vgg'): model = models.vgg19_bn(pretrained=False) elif model_name.startswith('resnet'): model = models.resnet50(pretrained=False) else: model = models.densenet121(pretrained=False) # 加载自定义权重 state_dict = torch.load(weight_path) model.load_state_dict(state_dict) model.eval() return model def predict(model, spectrogram): # 将频谱图转换为模型输入格式 input_tensor = torch.from_numpy(spectrogram).unsqueeze(0).float() # 执行推理 with torch.no_grad(): outputs = model(input_tensor) probs = torch.nn.functional.softmax(outputs, dim=1) return probs.numpy()

4. Streamlit前端实现

4.1 主界面布局

import streamlit as st import matplotlib.pyplot as plt def main(): st.title("CCMusic Audio Genre Classification") # 侧边栏控制面板 with st.sidebar: st.header("控制面板") model_name = st.selectbox("选择模型", ["vgg19_bn_cqt", "resnet50_mel", "densenet121_mel"]) audio_file = st.file_uploader("上传音频文件", type=["wav", "mp3"]) # 主内容区 if audio_file is not None: # 音频处理 spectrogram = audio_to_spectrogram(audio_file, mode=model_name.split('_')[-1]) # 显示频谱图 st.subheader("音频频谱图") fig, ax = plt.subplots() ax.imshow(spectrogram, aspect='auto', origin='lower') st.pyplot(fig) # 执行预测 model = load_model(model_name.split('_')[0], f"models/{model_name}.pt") probs = predict(model, spectrogram) # 显示预测结果 st.subheader("风格预测结果") genres = ["摇滚", "流行", "古典", "爵士", "电子"] st.bar_chart(dict(zip(genres, probs[0])))