Pytorch实现婴儿哭声检测和识别
Pytorch实现婴儿哭声检测和识别
目录
Pytorch实现婴儿哭声检测识别
1. 项目说明
2. 数据说明
（1）婴儿哭声语音数据集
（2）自定义数据集
3. 模型训练
（1）项目安装
（2）准备Train和Test数据
（3）配置文件：config.yaml
（4）开始训练
（5）可视化训练过程
（6）一些优化建议
（7）一些运行错误处理方法
4. 模型测试效果
5. 项目源码下载
1. 项目说明
婴儿哭声是其表达需求、不适或潜在健康问题的重要信号。在宝宝健康监护中，通过智能化的哭声识别与分析技术，不仅可以提升育儿效率，还能为早期疾病筛查和健康预警提供关键依据。现代AI哭声识别系统能够精准检测到宝宝的哭声，准确率可达98%以上。即使父母外出时，也可通过手机APP接收实时警报，系统会自动分析哭声特征并推送具体建议。更智能的系统还能联动家庭摄像头，让家长远程查看婴儿状态，或自动调节室内温湿度、启动摇篮等智能设备。这种全天候的智能监护，既减轻了育儿压力，又能及时发现异常情况，为婴幼儿健康保驾护航。
本项目基于深度学习Pytorch，开发一个婴儿(宝宝、新生儿)哭声检测和识别的系统，可以精准检测识别婴儿哭声；项目网络模型支持CNN模型MobileNet和ResNet，也支持时延神经网络TDNN、ECAPA-TDNN以及LSTM等常见的模型，用户也可以自定义其他模型进行训练和测试，语音特征支持MelSpectrogram（梅尔频谱图）、 Spectrogram（频谱图）、MFCC（Mel-Frequency Cepstral Coefficients，梅尔频率倒谱系数）、Fbank（Filter Bank，滤波器组能量)等多种音频特征。采用ECAPA-TDNN模型，在婴儿哭声语音数据集上，验证集的准确率97.8295%，采用resnet18模型，准确率可以达到98.9147%。
关键词： 婴儿哭声、婴儿哭叫声、宝宝哭叫声、哭闹声、检测识别、TDNN、MelSpectrogram梅尔频谱
| 模型 | 准确率 |
| TDNN | 98.1395% |
| ECAPA-TDNN | 97.8295% |
| resnet18 | 98.9147% |
【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/149812361
2. 数据说明
（1）婴儿哭声语音数据集
项目数据主要来源于网上收集的婴儿哭声语音数据集，数据集名称baby-cry，其中训练集，正样本数据(类别cry)共918个音频样本，主要通过手机或者监控录制的宝宝哭叫声，时长2秒~15秒不等，负样本数据2202个音频样本(类别others)，包含人说话声，鸟叫声、汽笛声等非婴儿哭叫声。测试集共645个样本，主要用于模型指标测试。
（2）自定义数据集
如果需要新增类别数据，或者需要自定数据集进行训练，可以参考如下进行处理
- 收集Train和Test数据集：要求相同类别的数据，放在同一个文件夹下；且子目录文件夹命名为类别名称，如
- 如，
A、B、C、D四个类别，则数据文件结构如下
- 类别文件：一行一个列表：class_name.txt
(最后一行,请多回车一行)
A
B
C
D- 修改配置文件的数据路径：config.yaml
train_data: # 可添加多个数据集- 'data/dataset/train1' - 'data/dataset/train2'
test_data: 'data/dataset/test'
class_name: 'data/dataset/class_name.txt'
...
...3. 模型训练
（1）项目安装
整套工程基本框架结构如下：
.
├── classifier # 训练模型核心代码
├── configs # 训练配置文件
├── data # 项目相关数据
├── libs # 项目依赖的相关库
├── demo.py # 模型推理demo
├── README.md # 项目工程说明文档
├── requirements.txt # 项目相关依赖包
└── train.py # 训练文件项目依赖python包请参考requirements.txt，使用pip安装即可：
# python3.10
albumentations==1.4.13
Cython==3.0.11
easydict==1.13
ffmpy==0.4.0
Flask==3.0.3
flask-babel==4.0.0
flatbuffers==24.3.25
imageio==2.34.2
insightface==0.7.3
ipython==8.29.0
kaldi-native-fbank==1.20.1
librosa==0.10.2.post1
loguru==0.7.2
matplotlib==3.9.1.post1
matplotlib-inline==0.1.7
numba==0.60.0
numpy==1.26.4
onnx==1.16.2
opencv-contrib-python==4.8.1.78
opencv-python==4.8.0.76
opencv-python-headless==4.10.0.84
pandas==2.2.3
pillow==10.4.0
playsound==1.3.0
PyAudio==0.2.14
pybaseutils
pycparser==2.22
pycryptodome==3.21.0
pydantic==2.8.2
pydantic_core==2.20.1
pydub==0.25.1
Pygments==2.18.0
pypandoc==1.14
pyparsing==3.1.2
PyQt5==5.13.2
PyQt5_sip==12.15.0
PySocks==1.7.1
python-dateutil==2.9.0.post0
pytz==2024.2
PyYAML==6.0.2
scikit-image==0.24.0
scikit-learn==1.5.1
scipy==1.14.0
soundfile==0.12.1
tensorboard==2.17.0
tensorboardX==2.6.2.2
toolz==0.12.1
torchinfo==1.8.0
# torch==2.0.0+cu117
# torchaudio==2.0.1+cu117
# torchvision==0.15.1+cu117
tqdm==4.66.4
typing_extensions==4.12.2
urllib3==2.2.2
visualdl==2.5.3
xmltodict==0.13.0
yeaudio==0.0.6
项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：
- 项目开发使用教程和常见问题和解决方法
- 视频教程：1 手把手教你安装CUDA和cuDNN(1)
- 视频教程：2 手把手教你安装CUDA和cuDNN(2)
- 视频教程：3 如何用Anaconda创建pycharm环境
- 视频教程：4 如何在pycharm中使用Anaconda创建的python环境
（2）准备Train和Test数据
项目自带训练数据和测试数据，语音数据增强方式主要采用：音量增强、噪声增强等处理方式
修改配置文件数据路径：config.yaml
data_type: "folder"
# 训练数据集，可支持多个数据集(不要出现中文路径)
train_data:- '/home/user/dataset/baby-cry/train'
# 测试数据集(不要出现中文路径)
test_data:- '/home/user/dataset/baby-cry/test'
# 类别文件
class_name: 'data/class_name.txt'
# 数据增强
augment_config: "configs/augmentation.yml"（3）配置文件：config.yaml
- 模型支持TDNN、EcapaTdnn、CAMPPlus以及mobilenet_v2、resnet18等模型
等模型，用户也可以自定义模型，进行模型训练和测试。- 语音特征：支持MelSpectrogram（梅尔频谱图）、 Spectrogram（频谱图）、MFCC（Mel-Frequency Cepstral Coefficients，梅尔频率倒谱系数）、Fbank（Filter Bank，滤波器组能量)等多种音频特征
- 训练参数可以通过(configs/config.yaml)配置文件进行设置
- 损失函数支持交叉熵CrossEntropy，LabelSmooth以及FocalLoss等损失函数
配置文件：config.yaml说明如下：
data_type: "folder"
# 训练数据集，可支持多个数据集(不要出现中文路径)
train_data:- '/home/user/dataset/baby-cry/train'
# 测试数据集(不要出现中文路径)
test_data:- '/home/user/dataset/baby-cry/test'
# 类别文件
class_name: 'data/class_name.txt'
# 数据增强
augment_config: "configs/augmentation.yml"flag: ""
work_dir: "work_space" # 保存输出模型的目录
feature_method: "Fbank" # 语音特征：MelSpectrogram、Spectrogram、MFCC、Fbank
net_type: "TDNN" # 骨干网络,支持：TDNN、EcapaTdnn、CAMPPlus、LSTM
width_mult: 1.0 # 模型宽度因子
input_size: [ 256,128 ] # (Depth,Time,FeatureSize) or (seq_size, dim_size) or (Time,n_mfcc)
batch_size: 64 # batch_size
lr: 0.01 # 初始学习率
optim_type: "Adam" # 选择优化器，SGD,Adam
loss_type: "CrossEntropyLoss" # 选择损失函数：支持CrossEntropyLoss,LabelSmooth
momentum: 0.9 # SGD momentum
num_epochs: 120 # 训练循环次数
num_warn_up: 8 # warn-up次数
num_workers: 8 # 加载数据工作进程数
weight_decay: 0.0005 # weight_decay，默认5e-4
scheduler: "cosine" # 学习率调整策略
milestones: [ 60,100 ] # 下调学习率方式
gpu_id: [ 0 ] # GPU ID
log_freq: 50 # LOG打印频率
progress: True # 是否显示进度条
pretrained: True # 是否使用pretrained模型
finetune: False # 是否进行finetune（4）开始训练
整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。
python train.py -c configs/config.yaml
训练完成后，在婴儿哭声语音数据集baby-cry上，采用TDNN模型，验证集的准确率98.1395%，采用resnet18模型，准确率可以达到98.9147%。下表给出TDNN，ECAPA-TDNN和resnet18等常用模型验证集的准确率：
| 模型 | 准确率 |
| TDNN | 98.1395% |
| ECAPA-TDNN | 97.8295% |
| resnet18 | 98.9147% |
（5）可视化训练过程
训练过程可视化工具是使用Tensorboard，使用方法，可参考这里：项目开发使用教程和常见问题和解决方法(cuda cudnn安装教程)
Tensorboard使用方法，需要在终端输入：
# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=work_space/EcapaTdnn_Fbank_CrossEntropyLoss_20250730_193758_0316/log可视化效果
（6）一些优化建议
如果想进一步提高准确率，可以尝试：
- 样本均衡： 建议进行样本均衡处理，避免长尾问题
- 调超参： 比如学习率调整策略，优化器（SGD,Adam等）
- 音频特征：目前支持MelSpectrogram、Spectrogram、MFCC、Fbank等多种语音特征，可以尝试不同的语音特征组合。
- 损失函数： 目前训练代码已经支持：交叉熵CrossEntropy，LabelSmoothing，可以尝试FocalLoss等损失函数
（7）一些运行错误处理方法
-
项目不要出现含有中文字符的目录文件或路径，否则可能会出现很多异常！！！！！！！！
-
一些常见的错误和解决方法，请参考这里：项目开发使用教程和常见问题和解决方法
4. 模型测试效果
demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试数据即可运行测试了
#!/usr/bin/env bash
# Usage:
# python demo.py -c "path/to/config.yaml" -m "path/to/model.pth" --audio_dir "path/to/data_dir"python demo.py --config_file work_space/TDNN_Fbank_CrossEntropyLoss_20250730_171739_7128/config.yaml --model_file work_space/TDNN_Fbank_CrossEntropyLoss_20250730_171739_7128/model/best_model_096_98.1395.pth --audio_dir data/test_audio
运行测试结果：
| 频谱图 | 预测结果 |
 | file:data/test_audio/baby-cry01.wav name:['cry'],label:[0],score:[0.9999933242797852]
|
 | file:data/test_audio/baby-cry02.wav name:['cry'],label:[0],score:[0.999161958694458] |
 | file:data/test_audio/other02.wav name:['others'],label:[1],score:[0.9999972581863403] |
 | file:data/test_audio/other03.wav name:['others'],label:[1],score:[0.9989004135131836] |
5. 项目源码下载
整套项目源码内容包含：
【源码下载】请关注【AI吃大瓜】，回复关键字【婴儿哭声】
- 项目提供婴儿哭声语音数据集(baby-cry): 其中训练集3120个语音样本，测试集645个样本
- 项目提供网络模型支持CNN模型MobileNet和ResNet，也支持时延神经网络TDNN、ECAPA-TDNN以及LSTM等常见的模型，用户也可以自定义其他模型进行训练和测试，
- 项目提供多种语音特征，支持MelSpectrogram、Spectrogram、MFCC、Fbank等多种音频特征提取。
- 项目提供训练代码，损失函数支持交叉熵CrossEntropy，LabelSmoothing以及FocalLoss等损失函数，提供Log可视化等效果。
- 项目提供测试代码，运行demo.py，可以直接测试音频文件识别效果
- 项目提供已经训练好的模型，无需重新训练，配置好Pytorch环境，可运行demo.py测试效果