DDMD
DDMD: Digital Drug Music Detector
Description
Le projet DDMD vise à fournir une solution basée sur l'IA pour détecter la musique numérique liée aux drogues. Le processus commence par la collecte de 3 176 fichiers MP3 non protégés par des droits d'auteur, dont 1 676 sont classés comme de la musique digitale à drogue et 1 500 comme de la musique non digitale à drogue.
Ces fichiers sont utilisés pour développer un modèle basé sur la forêt aléatoire qui peut classer les fichiers audio comme de la musique digitale à drogue ou non. Le modèle utilise 34 caractéristiques extraites de ces fichiers audio, couvrant à la fois les caractéristiques de fréquence et de domaine temporel. Il a obtenu des résultats très encourageants.
Pour rendre les résultats accessibles et conviviaux, nous avons développé une application Web. Cette application exploite le modèle Random Forest entraîné pour classer les fichiers audio via une interface simple et intuitive. L'application Web DDMD est créée à l'aide de Flask pour le backend et de HTML/CSS pour l'interface. Il utilise le modèle Random Forest pré-entraîné pour effectuer des prédictions, accepte différents formats de fichiers audio, convertit les fichiers autres que MP3 au format MP3 et permet d'importer des données via une URL YouTube.
De plus, pour améliorer la précision de la classification, nous étudions des moyens d'améliorer l'application DDMD en ajustant le modèle Gemini-1.5-flash. Nous avons proposé deux approches: d'abord, nous avons préparé un ensemble de données JSON basé sur les résultats du classificateur Random Forest pour affiner le modèle Gemini-1.5-flash. Dans la deuxième approche, nous utilisons l'API Gemini et testons différents formats d'entrée, y compris CSV et JSON, pour affiner ce modèle Gemini.
Conçu avec
- Web/Chrome
- Google Colab
- Google Slides
- IA de Google pour la conversion de la parole en texte
Équipe
De
Algérie