Update README.md

README.md

@@ -11,4 +11,198 @@ tags:
 - classification
 - decalage
 - problème de rythme
----
+---
+
+# 🩷🌸 Musica 🌸🩷
+
+![Musica](http://www.image-heberg.fr/files/17601659081539728277.jpg)
+
+## 🦋 **c'est quoi** ? 
+
+Musica est un projet de machine learning,
+de type classification d'audio,
+il a été conçu pour classifier les chansons au niveau de leur rythme (calé ou décalé),
+C'est-à-dire de percevoir les décalages rythmiques dans les chansons.
+
+## ❤️ Comment utiliser ? 
+
+Pour utiliser Musica,
+Qui a été crée from scratch sur la dataset Clemylia/Tempo,
+Vous devez reconstruire le code d'inférence,
+Voici un exemple de code d'utilisation :
+
+```
+import torch
+import torch.nn as nn
+import torch.nn.functional as F
+import torchaudio
+import numpy as np
+from huggingface_hub import hf_hub_download
+from datasets import load_dataset, Audio # On garde l'import au cas où
+
+# =============================================================================
+# PARTIE 1 : DÉFINITION DE L'ARCHITECTURE (inchangée)
+# =============================================================================
+
+NUM_CLASSES = 2
+N_MELS = 128
+
+class AudioClassifier(nn.Module):
+    """Réseau de Neurones Convolutionnels (CNN) que nous avons entraîné."""
+    def __init__(self):
+        super(AudioClassifier, self).__init__()
+        self.conv1 = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=(5, 5), padding=2)
+        self.bn1 = nn.BatchNorm2d(32)
+        self.pool1 = nn.MaxPool2d(kernel_size=(2, 2))
+        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=(3, 3), padding=1)
+        self.bn2 = nn.BatchNorm2d(64)
+        self.pool2 = nn.MaxPool2d(kernel_size=(2, 2))
+        self.conv3 = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=(3, 3), padding=1)
+        self.bn3 = nn.BatchNorm2d(128)
+        self.pool3 = nn.MaxPool2d(kernel_size=(2, 2))
+        self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
+        self.fc1 = nn.Linear(128 * 1 * 1, NUM_CLASSES)
+
+    def forward(self, x):
+        x = self.pool1(F.relu(self.bn1(self.conv1(x))))
+        x = self.pool2(F.relu(self.bn2(self.conv2(x))))
+        x = self.pool3(F.relu(self.bn3(self.conv3(x))))
+        x = self.avgpool(x)
+        x = torch.flatten(x, 1)
+        return self.fc1(x)
+
+
+# =============================================================================
+# PARTIE 2 : FONCTIONS DE PRÉPARATION POUR L'INFÉRENCE (inchangée)
+# =============================================================================
+
+SAMPLING_RATE = 16000
+N_FFT = 400
+HOP_LENGTH = 160
+MAX_TIME_STEPS = 300
+
+def prepare_spectrogram(audio_path):
+    """
+    Charge un fichier audio, calcule le Log-Mel Spectrogramme, et le prépare
+    pour le modèle.
+    """
+    # 1. Charger et Rééchantillonner
+    waveform, sr = torchaudio.load(audio_path)
+    if sr != SAMPLING_RATE:
+        resampler = torchaudio.transforms.Resample(orig_freq=sr, new_freq=SAMPLING_RATE)
+        waveform = resampler(waveform)
+
+    if waveform.shape[0] > 1:
+        waveform = torch.mean(waveform, dim=0, keepdim=True)
+
+    # 2. Calculer le Log-Mel Spectrogramme
+    mel_spectrogram_transform = torchaudio.transforms.MelSpectrogram(
+        sample_rate=SAMPLING_RATE,
+        n_fft=N_FFT,
+        hop_length=HOP_LENGTH,
+        n_mels=N_MELS,
+    )
+    mel_spectrogram = mel_spectrogram_transform(waveform.squeeze(0))
+    log_mel_spectrogram = torchaudio.transforms.AmplitudeToDB()(mel_spectrogram)
+
+    # 3. Tronquer
+    if log_mel_spectrogram.shape[1] > MAX_TIME_STEPS:
+        log_mel_spectrogram = log_mel_spectrogram[:, :MAX_TIME_STEPS]
+
+    # 4. Ajouter les dimensions Batch et Channel : [1, 1, N_MELS, Time_Steps]
+    input_tensor = log_mel_spectrogram.unsqueeze(0).unsqueeze(0)
+
+    return input_tensor
+
+
+def predict_audio(model, audio_tensor):
+    """
+    Effectue la prédiction et retourne l'étiquette.
+    """
+    model.eval()
+    device = next(model.parameters()).device
+
+    with torch.no_grad():
+        audio_tensor = audio_tensor.to(device)
+        outputs = model(audio_tensor)
+
+        probabilities = F.softmax(outputs, dim=1)
+        predicted_index = torch.argmax(probabilities, dim=1).item()
+
+        # Décodeur des classes (assumant 0 = Calé, 1 = Décalé)
+        class_labels = {0: "Calé (On Beat)", 1: "Décalé (Off Beat)"}
+
+        return class_labels[predicted_index], probabilities[0].cpu().numpy()
+
+
+# =============================================================================
+# PARTIE 3 : CHARGEMENT DU MODÈLE ET EXÉCUTION DU TEST (CORRIGÉE)
+# =============================================================================
+
+# --- Configuration Hugging Face ---
+REPO_ID = "Clemylia/Musica"
+MODEL_FILENAME = "pytorch_model.bin"
+
+# 1. Télécharger les poids du modèle
+print(f"1. Téléchargement des poids du modèle depuis {REPO_ID}...")
+try:
+    model_path = hf_hub_download(repo_id=REPO_ID, filename=MODEL_FILENAME)
+except Exception as e:
+    print(f"Erreur de téléchargement : {e}. Vérifiez le nom du dépôt et les permissions.")
+    exit()
+
+# 2. Charger le modèle
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+model = AudioClassifier()
+
+try:
+    model.load_state_dict(torch.load(model_path, map_location=device))
+    model.to(device)
+    print(f"2. Modèle chargé avec succès sur {device}.")
+except Exception as e:
+    print(f"Erreur lors du chargement des poids : {e}")
+    exit()
+
+# 3. Préparer une donnée de test
+
+# *** CORRECTION MAJEURE ***
+# Veuillez remplacer le chemin ci-dessous par un chemin valide sur votre système !
+# Exemple : "C:/Users/Clemylia/Desktop/mes_sons/calé_test.wav" ou "./data/audio_test.mp3"
+# ----------------------------------------------------------------------------------
+AUDIO_TEST_FILE = input("Veuillez entrer le chemin complet d'un fichier audio (ex: /path/to/test.wav): ")
+# ----------------------------------------------------------------------------------
+
+print(f"\n3. Préparation d'un échantillon de test à partir de: {AUDIO_TEST_FILE}...")
+
+try:
+    input_tensor = prepare_spectrogram(AUDIO_TEST_FILE)
+    audio_test_path = AUDIO_TEST_FILE # Pour l'affichage final
+
+except Exception as e:
+    print(f"Erreur lors de la préparation de l'échantillon de test (le fichier existe-t-il ? le format est-il pris en charge par torchaudio ?) : {e}")
+    input_tensor = None
+
+
+# 4. Exécuter la prédiction
+if input_tensor is not None:
+    print(f"\n4. Exécution de la prédiction sur l'échantillon...")
+
+    prediction, probabilities = predict_audio(model, input_tensor)
+
+    # Affichage des résultats
+    print("\n-------------------------------------------")
+    print(f"FICHIER TESTÉ: {audio_test_path}")
+    print(f"PRÉDICTION: {prediction}")
+    print(f"PROBABILITÉS: Calé={probabilities[0]:.4f}, Décalé={probabilities[1]:.4f}")
+    print("-------------------------------------------")
+else:
+    print("Test annulé faute de pouvoir traiter le fichier audio.")
+```
+## ❤️🔥 Informations sur Musica
+
+**nom** : Musica
+**version** : 1 (entraînement sur un tout petit dataset)
+**développeur** : Clemylia
+**Tache** : détecter si une chanson est dans le rythme où pas 
+
+❤️**amusez vous bien à détecter si vos chansons d'anniversaire, vos bruits de bouches, vos cover de chansons ou autre sont calé et si vous avez le rythme !**❤️