1st_semester

개요

• 부산대학교 전자공학과 졸업과제 소스 코드입니다.
• 프로젝트 기간: 2022년 1학기 (2022.01 ~ 2022.06)
• 주요 내용: Music Genre Classification과 Music Recommendation 시스템 개발
• 본 프로젝트는 Andrada Olteanu, 빵형의 개발도상국를 바탕으로 작성됐습니다.
• 기존 프로젝트 소스 코드는 여기를 참고해주세요.

데이터 및 모델

모델

• Music Genre Classification
  • XGBoost
  • LightGBM
  • CatBoost
• Music Recommendation
  • Cosine Similarity
  • Euclidean Distance
  • K-Nearest Neighbor (Manhattan 기반)
  • Singular Value Decomposition

데이터

• GTZAN Dataset: 10개 장르별로 30초 길이의 100곡, 총 1000곡의 음원 사용
• 전처리 기법:
  • Chroma STFT
  • RMS
  • Spectral Centroid
  • Spectral Bandwidth
  • Rolloff
  • Zero Crossing Rate
  • Harmony Mean
  • Tempo
  • Mel-frequency cepstral coefficients (MFCC)

---

실행 방법

가상환경 설정

프로젝트의 종속성을 격리시키고 관리하기 위해 Python venv 모듈을 사용하여 가상 환경을 설정하는 것이 좋습니다.

python3 -m venv venv
source venv/bin/activate  # macOS 또는 Linux

Windows에서는 다음 명령어를 사용합니다.

.\venv\Scripts\activate

종속성 설치

가상 환경이 활성화된 상태에서, 다음 명령어로 필요한 Python 패키지를 설치합니다.

pip install -r requirements.txt

데이터 준비

GTZAN: https://www.kaggle.com/andradaolteanu/gtzan-dataset-music-genre-classification

GTZAN 데이터셋을 다운 받을 경우

• 프로젝트 디렉토리에 GTZAN 데이터셋 파일 압축을 푸세요.

GTZAN 데이터셋을 다운 받지 않은 경우

• 데이터셋을 다운로드하기 위해서는 Kaggle 계정이 필요합니다. Kaggle 계정을 생성하고 API 키와 사용자 이름을 .env 파일에 입력하고 저장하세요.(.env_sample 참고)

분석할 음원 파일 준비

• 분석할 음원 파일을 Data 디렉토리에 저장합니다. graduation_final.ipynb 실행 시 Data 디렉토리가 자동으로 생성됩니다.

• 주의: 현재 시스템은 한 번에 1개의 음원 파일만 처리합니다. 추후 여러 파일을 동시에 처리할 수 있는 기능으로 업데이트될 예정입니다.

참고 자료 및 기록

• 참고 코드: 링크
• 2022.01 ~ 2022.06: 참고 코드에 사용자 음원에 대해 장르 구분 및 유사 음원 추천(결과는 docs/final_presentation.pdf 참고.).
• 2023.03 ~ 2024.02: 장르 구분 모델 / 유사 음원 추천 종류 다각화.