DDMD
DDMD: Detector de música digital con drogas
Qué hace
El objetivo del proyecto DDMD es proporcionar una solución potenciada por IA para detectar música digital sobre drogas. El proceso comienza con la recopilación de 3,176 archivos MP3 sin derechos de autor, de los cuales 1,676 se clasifican como música digital sobre drogas y 1,500 como música no digital sobre drogas.
Estos archivos se usan para desarrollar un modelo basado en Random Forest que puede clasificar los archivos de audio como música digital sobre drogas o no. El modelo utiliza 34 atributos extraídos de estos archivos de audio, que abarcan las características de frecuencia y de dominio de tiempo, y ha logrado resultados muy alentadores.
Para que los resultados sean accesibles y fáciles de usar, desarrollamos una aplicación web. Esta aplicación aprovecha el modelo de bosque aleatorio entrenado para clasificar archivos de audio a través de una interfaz simple e intuitiva. La aplicación web de DDMD se compila con Flask para el backend y HTML/CSS para el frontend. Utiliza el modelo de bosque aleatorio previamente entrenado para realizar predicciones, acepta varios formatos de archivos de audio, convierte archivos que no son MP3 a MP3 y permite la entrada a través de una URL de YouTube.
Además, para mejorar la precisión de la clasificación, estamos explorando formas de mejorar la aplicación de DDMD ajustando el modelo Gemini-1.5-flash. Proponemos dos enfoques: primero, preparamos un conjunto de datos JSON basado en los resultados del clasificador de bosque aleatorio para ajustar el modelo Gemini-1.5-flash. En el segundo enfoque, usamos la API de Gemini y experimentamos con diferentes formatos de entrada, incluidos CSV y JSON, para ajustar este modelo de Gemini.
Con la tecnología de
- Web/Chrome
- Google Colab
- Presentaciones de Google
- IA de voz a texto de Google
Equipo
De
Argelia