Ai创想实验室是专门为中小学AI教育开发的教学平台包含了值计算、图像分类、音频分类、文本分类、数值回归、图像回归、图像分类回归、平衡杆、手写数字生成、文本生成等中小学人工智能学习类项目。无需编程基础、无需添加硬件、无需购买算力、无隐私担忧、无需师资培训即可进行教学实践。在Ai创想实验室中可以使用后台管理功能快速定义已有项目类型的实例。之前我们介绍了如何使用0-9音频数据集来进行音频分类实验现在我们介绍如何在后台构建一个类型相同而数据不同的实例以实现“个性化”实验教学。一、构建新项目实例进入管理后台→项目管理选项卡→点击“新建项目”填写必填内容而后点击“创建项目”这样就得到了一个新的项目在前台可以看到该项目。在后台项目管理页中点击该项目的“编辑”按钮进入编辑界面在这里我们可以更改相关信息当我们完成示例数据构建之后也从该页面上传数据。修改后点击“保存更改”即可。可见如果不制作示例数据只需不到一分钟就可以创建一个项目实例。一般来说在教学中我们会跑完整个流程再回来上传示例数据上传过程也不会超过一分钟。二、在管理页面构建示例数据和在项目页面相同在后台项目管理中点击该项目后的“项目工具”按钮打开工具页面该页面和项目页面底部的工具完全一致。对于音频分类模型通常我们先对数据进行清洗——因为我们需要知道梅尔谱图的大小来确定模型输入参数。当然对于普通数据来说使用界面上的默认设置完全可行即使用none,64,59,1这样的参数——批次大小由训练器决定图像宽度为64高度为59单通道而后我们需要获取数据并进行清洗。如果你使用相同的方法那么搜索TinySOL数据集并下载而后用以下脚本进行清洗即可脚本重建了文件夹并汉化提取声音较强的ff数据import os import shutil from pathlib import Path # 乐器英文名到中文名的映射表完整版 INSTRUMENT_MAP { # 弦乐器 (Strings) Violin: 小提琴, Viola: 中提琴, Violoncello: 大提琴, Contrabass: 低音提琴, DoubleBass: 低音提琴, Guitar: 吉他, Harp: 竖琴, Mandolin: 曼陀林, Banjo: 班卓琴, Ukulele: 尤克里里, # 木管乐器 (Winds) Flute: 长笛, Piccolo: 短笛, Oboe: 双簧管, EnglishHorn: 英国管, Clarinet: 单簧管, Clarinet_Bb: 降B调单簧管, BassClarinet: 低音单簧管, Saxophone: 萨克斯, Sax_Alto: 中音萨克斯, Sax_Tenor: 次中音萨克斯, Sax_Baritone: 上低音萨克斯, Sax_Soprano: 高音萨克斯, Bassoon: 巴松管, Recorder: 竖笛, # 铜管乐器 (Brass) Trumpet: 小号, Trumpet_C: C调小号, Cornet: 短号, FrenchHorn: 圆号, Horn: 圆号, Trombone: 长号, BassTrombone: 低音长号, Tuba: 大号, Bass_Tuba: 低音大号, Euphonium: 上低音号, BaritoneHorn: 中音号, # 打击乐器 (Percussion) Percussion: 打击乐, Timpani: 定音鼓, Xylophone: 木琴, Marimba: 马林巴, Vibraphone: 颤音琴, Glockenspiel: 钟琴, Chimes: 管钟, Cymbal: 钹, Gong: 锣, Drum: 鼓, SnareDrum: 小军鼓, BassDrum: 大鼓, TomTom: 通通鼓, Bongo: 邦戈鼓, Conga: 康加鼓, Tambourine: 铃鼓, Triangle: 三角铁, Castanets: 响板, # 键盘乐器 (Keyboards) Piano: 钢琴, Harpsichord: 羽管键琴, Organ: 管风琴, Accordion: 手风琴, Celesta: 钢片琴, Synthesizer: 合成器, ElectricPiano: 电钢琴, Clavichord: 翼琴, # 人声 Voice: 人声, Soprano: 女高音, Alto: 女低音, Tenor: 男高音, Bass: 男低音, Choir: 合唱团, # 中国乐器 Erhu: 二胡, Pipa: 琵琶, Guzheng: 古筝, Dizi: 笛子, Xiao: 萧, Sheng: 笙, Suona: 唢呐, Yangqin: 扬琴, Ruan: 阮, Liuqin: 柳琴, # 其他 Guitar: 吉他, ElectricGuitar: 电吉他, BassGuitar: 贝斯吉他, Banjo: 班卓琴, Mandolin: 曼陀林, } # 文件夹级别名映射用于非乐器名但需要翻译的文件夹 FOLDER_MAP { Strings: 弦乐器, Winds: 木管乐器, Brass: 铜管乐器, Keyboards: 键盘乐器, Percussion: 打击乐器, Voice: 人声, Chinese: 中国乐器, Plucked: 弹拨乐器, Bowed: 弓弦乐器, } def get_chinese_name(path_parts): 根据路径部分转换为中文名称 返回转换后的路径列表 chinese_parts [] for part in path_parts: # 1. 先检查是否在文件夹映射中如 Strings - 弦乐器 if part in FOLDER_MAP: chinese_parts.append(FOLDER_MAP[part]) # 2. 再检查是否在乐器映射中 elif part in INSTRUMENT_MAP: chinese_parts.append(INSTRUMENT_MAP[part]) else: # 不在映射表中的保留原名 chinese_parts.append(part) return chinese_parts def copy_ff_files_with_chinese(source_dir, target_dir): 复制所有包含-ff-的wav文件到目标目录并将文件夹名转换为中文 # 支持的音频格式 audio_extensions {.wav, .flac, .mp3, .aiff, .ogg} # 统计信息 total_files 0 copied_files 0 skipped_files 0 not_found_in_map set() print( 开始复制并转换文件夹名...) print(*60) for root, dirs, files in os.walk(source_dir): for file in files: # 检查是否为音频文件 ext os.path.splitext(file)[1].lower() if ext not in audio_extensions: continue total_files 1 # 检查文件名是否包含 -ff- if -ff- in file: # 源文件完整路径 source_path os.path.join(root, file) # 获取相对于源目录的路径并分割成路径组件 rel_path os.path.relpath(root, source_dir) path_parts rel_path.split(os.sep) # 记录未映射的路径组件用于调试 for part in path_parts: if part not in FOLDER_MAP and part not in INSTRUMENT_MAP: if part not in [ordinario, .., .]: # 忽略常见操作符 not_found_in_map.add(part) # 将路径组件中的英文名转换为中文 chinese_parts get_chinese_name(path_parts) # 构建中文目标路径 chinese_rel_path os.path.join(*chinese_parts) target_path os.path.join(target_dir, chinese_rel_path) # 创建目标目录 os.makedirs(target_path, exist_okTrue) # 构建目标文件路径 dest_path os.path.join(target_path, file) # 复制文件 try: shutil.copy2(source_path, dest_path) copied_files 1 # 显示转换信息只显示有变化的 if rel_path ! chinese_rel_path: print(f✓ 复制: {rel_path}/{file}) print(f ↳ 转换为: {chinese_rel_path}/{file}) else: print(f✓ 复制: {chinese_rel_path}/{file}) except Exception as e: print(f✗ 复制失败: {source_path} - {e}) else: skipped_files 1 # 打印统计信息 print(\n *60) print(f 统计结果:) print(f 总音频文件数: {total_files}) print(f 已复制 -ff- 文件: {copied_files}) print(f 跳过的文件: {skipped_files}) print(f 目标目录: {target_dir}) # 如果有未映射的路径提示用户 if not_found_in_map: print(f\n⚠️ 以下路径组件未找到映射已保留原名:) for item in sorted(not_found_in_map): print(f - {item}) print( 提示: 可以在 INSTRUMENT_MAP 或 FOLDER_MAP 中添加这些项) print(*60) def preview_conversion(source_dir): 预览功能显示哪些文件夹名会被转换 print( 预览文件夹名转换效果:) print(-*60) # 收集所有将被转换的路径 conversion_examples [] all_parts set() for root, dirs, files in os.walk(source_dir): rel_path os.path.relpath(root, source_dir) if rel_path . or rel_path.startswith(..): continue path_parts rel_path.split(os.sep) # 找一个包含ff文件的路径作为示例 has_ff any(-ff- in f for f in files) if has_ff and len(path_parts) 2: chinese_parts get_chinese_name(path_parts) if path_parts ! chinese_parts: conversion_examples.append((path_parts, chinese_parts)) # 收集所有路径组件 for part in path_parts: all_parts.add(part) # 显示哪些会被转换 mapped_parts {p for p in all_parts if p in FOLDER_MAP or p in INSTRUMENT_MAP} unmapped_parts {p for p in all_parts if p not in FOLDER_MAP and p not in INSTRUMENT_MAP} if mapped_parts: print(✅ 会被转换的文件夹名:) for part in sorted(mapped_parts): chinese FOLDER_MAP.get(part, INSTRUMENT_MAP.get(part)) print(f {part} - {chinese}) if unmapped_parts: print(\n⚠️ 未找到映射将保留原名的文件夹名:) for part in sorted(unmapped_parts): if part not in [ordinario, .., .]: print(f {part}) # 显示几个转换示例 if conversion_examples: print(\n 转换示例:) for original, chinese in conversion_examples[:5]: print(f {/.join(original)}) print(f - {/.join(chinese)}) print() print(-*60) if __name__ __main__: # 配置路径 source_directory . # 当前目录 target_directory ./tinySOL_ff_only_中文 # 目标目录中文文件夹名 print(f源目录: {os.path.abspath(source_directory)}) print(f目标目录: {os.path.abspath(target_directory)}) print(-*60) # 先预览转换效果 preview_conversion(source_directory) # 询问是否继续 print(\n⚠️ 即将开始复制文件确认继续(y/n)) confirm input().strip().lower() if confirm in [y, yes, 是]: # 执行复制 copy_ff_files_with_chinese(source_directory, target_directory) print(\n✅ 处理完成) else: print(❌ 已取消操作)清洗数据之后和在项目页面使用相同先设置一个维度且含4个标签而后选择一个标签点击“导入音频”按钮给该标签导入数据即可将数据导出并重命名。三、模型构建我们使用“音频数字分类”模型相同的模型仅修改输入、输出参数即可将XML和JSON均导出并重命名。四、训练和在项目中训练相同导入模型、数据打开数据增强的全部选项开始训练。为了得到稍好的已训练模型我们可以选择多训练几轮或者训练一些轮次之后点击“继续训练”使用上述数据和模型训练20轮可以使得损失降低到0.4左右模型可以表现出较高的准确率导出已训练模型在预测器中进行验证如果能够达到较为理想的效果就可以回到项目编辑界面上传保存的数据。而后回到前台的项目中点击打开该项目即可看到完整的项目实例在Ai创想实验室中通过建立已有项目类型的实例可以非常便捷的实现“个性化”、“校本化”的AI实验项目。这为中小学开展“个性化”的AI教学提供了极大便利。在AI创想实验室中我们无需编程基础不用学习框架不用配置环境无需购买费用高昂的显卡更不用为云端算力付费使用当前已有的各种硬件仅有核显的个人、办公、机房电脑希沃白板等都能达到理想的教学效果。操作简单但AI核心知识样样俱全无需师资培训就可以进行教学且能取得理想的教学效果。如果加入试点或合作方那么只需要一台局域网服务器无需显卡、服务器不用供算力即可一次投入永久使用全部项目和功能通过后台管理一分钟即可创建一个本地化、校本化的项目实例。有任何问题欢迎留言或发送邮件至helloAiEduLab.tech