BirdCLEF鸟类音频识别：从梅尔频谱图到CNN模型的完整实践-平芜编程栈

简介：本资源是面向人工智能与生物信息交叉领域研究者、竞赛参赛者及Python进阶学习者的2018 LifeCLEF BirdCLEF鸟种识别任务Baseline系统完整实现方案。项目以音频驱动的鸟类自动识别为核心，提供从数据预处理、声学特征提取（基于WAV音频）、模型训练（Lasagne/Theano框架）到结果提交的端到端流程，特别适用于生态声学分析、竞赛基线复现与深度学习工程实践。压缩包共40个文件，含19个Python脚本（覆盖config、train、test、audio、submission等核心模块）、15个文本类配置与元数据文件（如labelset、eBird物种清单、datasets说明）、1个Shell调度脚本、1个Dockerfile、1个Theano配置文件及1张示例图片与1段测试音频，整体仅1.36MB，轻量但结构完备。已有277人学习下载，读者可直接复用其模块化设计——包括音频处理流水线、批量生成提交文件的submission_soundscape.py、跨数据集适配的metadata管理机制，以及清晰分层的model/utils/datasets目录结构，快速构建可扩展的鸟类识别原型系统。

1. 项目背景与任务拆解

最近在整理旧硬盘时，翻到了一个2018年做的项目源码，是关于当年LifeCLEF竞赛中BirdCLEF鸟类识别任务的Baseline实现。这个项目用Python和Shell脚本搭建了一套完整的音频识别流水线，从原始音频处理到模型训练和预测，麻雀虽小五脏俱全。BirdCLEF这个任务挺有意思的，它不像常见的图像分类，给你一张鸟的图片让你认，而是给你一段野外录制的音频，让你判断里面有哪些鸟在叫。这在实际的生态监测和生物多样性研究中非常有用，毕竟在森林里架个录音机比派个研究员蹲守要现实得多。

2018年的这个任务，数据集包含了来自全球多个地区的数万条鸟类鸣叫录音，挑战在于环境噪音复杂、鸟叫声重叠、以及同种鸟在不同情境下的叫声差异。我当时做这个Baseline，核心目标不是冲击排行榜前列，而是搭建一个稳定、可复现、且能清晰展示音频分类任务核心流程的代码框架。很多刚接触音频机器学习的朋友，面对.wav文件和频谱图可能有点无从下手，这个项目正好可以作为一个入门抓手，把数据预处理、特征工程、模型搭建和结果评估的整个链条跑通。

从技术栈来看，项目主要依赖Python的科学计算和深度学习生态，比如Librosa用于音频分析，Keras（当时TensorFlow 1.x还是主流）用于搭建卷积神经网络，再配合一些Shell脚本做文件批处理和任务调度。虽然几年过去，深度学习框架和最佳实践都有所演进，但这个Baseline里涉及的音频特征提取（如梅尔频谱图）、数据增强技巧（如时移、加噪）以及针对类别不平衡问题的处理思路，至今仍然适用。接下来，我就把这个项目的设计思路、关键实现细节以及当年踩过的一些坑，重新梳理一遍。

2. 环境搭建与数据准备的核心要点

做任何机器学习项目，第一步永远是把环境和数据理顺。这个项目对系统环境有一定要求，因为涉及到音频文件的读取和处理。

2.1 依赖库的精准安装与版本控制

项目根目录下通常需要一个requirements.txt文件。对于音频处理，有几个库是关键：

numpy==1.16.0 scipy==1.2.0 librosa==0.6.3 pandas==0.24.0 scikit-learn==0.20.2 keras==2.2.4 tensorflow-gpu==1.13.1 matplotlib==3.0.2 tqdm==4.31.1

这里版本号锁得比较死，主要是因为2018年时这些版本组合经过测试最为稳定。特别是Librosa的0.6.x版本和Keras 2.2.4的API，与后续版本有细微差别。如果你用现在的Anaconda环境直接pip install -r requirements.txt，可能会遇到一些兼容性问题。我的建议是，如果只是为了学习流程，可以用这些版本；如果想用最新库复现，需要注意API的变化，比如Librosa中logamplitude函数在后来的版本中被amplitude_to_db取代。

安装时的一个经验是，先安装TensorFlow的GPU版本（如果你有CUDA环境），因为它对系统依赖要求最严格。可以用一个Shell脚本来检查环境和顺序安装：

#!/bin/bash # check_env.sh echo "检查Python版本..." python --version echo "检查CUDA和cuDNN..." nvcc --version # 如果命令不存在，说明CUDA未安装或未加入PATH echo "开始安装依赖，建议使用虚拟环境..." pip install -r requirements.txt # 验证Librosa是否能正常导入 python -c "import librosa; print(f'Librosa版本: {librosa.__version__}')"

2.2 BirdCLEF 2018数据集的理解与获取

当年的数据集需要通过LifeCLEF竞赛页面注册下载。数据集结构大致如下：

BirdCLEF2018/ ├── train/ │ ├── audio/ │ │ ├── acafly/ │ │ │ ├── acafly_0001.wav │ │ │ └── ... │ │ ├── acowoo/ │ │ └── ... (其他鸟种文件夹) │ └── train.csv # 包含文件名和标签的对应关系 └── test/ └── audio/ ├── test_001.wav └── ...

每个鸟种一个文件夹，里面是它的叫声录音片段，通常是单声道、采样率不一的WAV文件。train.csv文件则提供了用于训练的正式标注。这里第一个坑就出现了：音频文件的采样率不统一。有的文件是44.1kHz，有的是22.05kHz，还有48kHz的。如果直接混在一起提取特征，会导致特征矩阵的时间轴尺度不一致，模型无法学习。

我的处理方式是，在预处理阶段，将所有音频重采样到一个统一的采样率，比如22.05kHz（22050 Hz）。选择这个值是因为它是原始采样率44.1kHz的一半，对大多数鸟叫声频段（通常在8kHz以下）来说信息保留足够，又能减少后续计算量。用Librosa实现很简单：

import librosa def load_and_resample(file_path, target_sr=22050): """加载音频文件并重采样到目标采样率""" try: y, sr = librosa.load(file_path, sr=target_sr, mono=True) return y, sr except Exception as e: print(f"加载文件 {file_path} 失败: {e}") return None, None

另一个需要注意的点是数据集的类别极度不平衡。有些常见鸟种有上千条录音，而稀有鸟种可能只有几十条。在划分训练集和验证集时，不能简单随机分割，否则稀有鸟种可能在验证集中完全没有样本，导致无法评估模型对其的识别能力。我采用了分层抽样（Stratified Split），使用sklearn的StratifiedShuffleSplit，确保每个鸟种在训练集和验证集中都有按比例分布的代表样本。

3. 音频特征工程：从声音到图像

鸟叫声识别本质上是一个时间序列分类问题，但直接处理原始音频波形数据量太大且特征不明显。主流的做法是将声音转化为图像——即频谱图，然后使用在图像分类上表现优异的卷积神经网络来处理。

3.1 梅尔频谱图：为什么是它？

最常用的音频特征是梅尔频谱图。简单来说，它描述了声音能量在不同频率和时间上的分布，但频率轴不是线性的，而是基于梅尔刻度。人耳对低频声音的变化更敏感，对高频变化不那么敏感，梅尔刻度模拟了这种非线性感知。对于鸟叫声这种以中低频为主的信号，梅尔频谱图能更有效地捕捉关键特征。

提取梅尔频谱图的主要参数有三个：

采样率：我们已经统一为重采样后的sr（如22050 Hz）。
FFT窗口大小：通常取2048或1024个样本点。窗口越大，频率分辨率越高，但时间分辨率越低。对于鸟叫这种短促、瞬变的声音，窗口不宜过大，我常用n_fft=2048。
跳数：相邻窗口之间的偏移量，通常取窗口大小的一半（hop_length=512），在时间分辨率和计算效率之间取得平衡。
梅尔滤波器组数量：即最终频谱图在频率维度上的“像素”数。常用128或64。对于鸟叫声，64个梅尔带通常足够覆盖其核心频段。

import librosa import numpy as np def extract_mel_spectrogram(y, sr=22050, n_fft=2048, hop_length=512, n_mels=64): """ 提取梅尔频谱图 返回: (n_mels, time_steps) 的二维数组 """ # 计算梅尔频谱图 mel_spec = librosa.feature.melspectrogram(y=y, sr=sr, n_fft=n_fft, hop_length=hop_length, n_mels=n_mels) # 转换为对数刻度（分贝），符合人耳感知，也利于神经网络处理 log_mel_spec = librosa.power_to_db(mel_spec, ref=np.max) return log_mel_spec

得到的log_mel_spec是一个二维NumPy数组，形状为(n_mels, time_steps)。你可以把它想象成一张灰度图像，高度是频率（梅尔带），宽度是时间。

3.2 时频表示的标准化与固定长度处理

提取的频谱图还有一个问题：音频长度不一致。有的录音3秒，有的10秒，导致time_steps维度可变。CNN的输入通常需要固定尺寸。有两种主流处理方法：

裁剪/填充：设定一个固定时长（如5秒），超过的截断，不足的用静音（零值）填充。
分段：将长音频切成多个固定长度的片段，每个片段作为一个训练样本。

在BirdCLEF任务中，我采用了固定时长裁剪的方法。选择5秒是因为大部分鸟叫的有效段落在这个时长内。实现时，对于短于5秒的音频，我采用时间轴上的镜像填充，而不是补零。因为补零会在频谱图上引入不自然的黑色边缘，可能干扰模型。镜像填充能更好地保持声音信号的连续性。

def fix_length(spec, target_length=216): # 假设5秒音频对应的time_steps为216 """ 将频谱图的时间轴固定为目标长度 spec: 形状为 (n_mels, time_steps) 的频谱图 target_length: 目标时间步数 """ n_mels, n_steps = spec.shape if n_steps < target_length: # 计算需要填充的长度 pad_len = target_length - n_steps # 镜像填充（对称模式） spec_padded = np.pad(spec, ((0,0), (0, pad_len)), mode='reflect') return spec_padded else: # 居中裁剪 start = (n_steps - target_length) // 2 return spec[:, start:start+target_length]

此外，还需要对频谱图进行标准化。不同录音的绝对音量差异很大，直接输入模型会导致优化困难。我采用逐样本的标准化，即对每个频谱图，减去其均值，除以其标准差，使其大致符合均值为0、标准差为1的分布。

4. Baseline模型架构设计与实现

特征准备好了，接下来就是模型部分。2018年，CNN在图像和音频分类任务上已经是绝对主流。受VGG和ResNet的启发，我设计了一个轻量级的卷积神经网络作为Baseline。

4.1 一个简单有效的CNN模型结构

这个模型的目标是平衡效果和速度，确保在普通消费级GPU上也能快速训练和推理。核心思想是堆叠多个“卷积-批归一化-激活-池化”模块，逐步提取高层次特征。

from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, BatchNormalization, Activation, Dropout, Flatten, Dense from keras import backend as K def build_baseline_cnn(input_shape=(64, 216, 1), num_classes=200): """ 构建Baseline CNN模型 input_shape: (频率轴, 时间轴, 通道数)，通道数为1表示灰度图 num_classes: 鸟的种类数 """ model = Sequential() # 第一卷积块 model.add(Conv2D(32, (3, 3), padding='same', input_shape=input_shape)) model.add(BatchNormalization()) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) # 第二卷积块 model.add(Conv2D(64, (3, 3), padding='same')) model.add(BatchNormalization()) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) # 第三卷积块 model.add(Conv2D(128, (3, 3), padding='same')) model.add(BatchNormalization()) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) # 展平后接全连接层 model.add(Flatten()) model.add(Dense(512)) model.add(BatchNormalization()) model.add(Activation('relu')) model.add(Dropout(0.5)) # 输出层，使用Softmax进行多分类 model.add(Dense(num_classes, activation='softmax')) return model

这个结构有几个设计考量：

逐步增加滤波器数量：从32到64再到128，让网络在浅层学习基础边缘和纹理（在频谱图里可能是音调的起止和泛音），在深层学习更复杂的模式组合。
每个卷积后立即接批归一化：这在2018年已经是标准操作，能加速训练、缓解梯度问题，并有一定正则化效果。
使用Dropout防止过拟合：尤其是在全连接层用了0.5的高丢弃率，因为音频数据相对图像数据量小，更容易过拟合。
池化层：使用2x2的最大池化，逐步降低特征图的空间尺寸（频率和时间维度），增加感受野，同时减少参数。

输入形状(64, 216, 1)对应我们之前设定的64个梅尔带和5秒音频（计算可得时间步数约为(22050 * 5) / 512 ≈ 216）。

4.2 针对音频数据的数据增强策略

数据量小是音频分类的常态。数据增强是提升模型泛化能力的关键。对于图像，我们常用旋转、翻转、裁剪。对于频谱图，哪些增强是合理的？

时间轴移动：鸟叫声在时间轴上的位置并不固定，向左或向右平移几个时间步是安全的增强。
频率轴掩码：模拟录音时部分频段被遮挡（如风吹树叶声掩盖了某个高频段）。可以在频率轴上随机“抹去”一小段连续区域。
时间轴掩码：模拟叫声被短暂中断。
添加背景噪声：从数据集中随机抽取一些环境噪音片段，以较低的信噪比混入纯净鸟叫声中。

我在项目中实现了一个综合的数据增强生成器：

from keras.preprocessing.image import ImageDataGenerator import numpy as np # 注意：这里我们处理的是2D频谱图，可以借用ImageDataGenerator的部分思想，但需要自定义 class AudioDataGenerator: def __init__(self, time_shift_range=0.1, freq_mask_range=2, time_mask_range=5): self.time_shift_range = time_shift_range self.freq_mask_range = freq_mask_range self.time_mask_range = time_mask_range def random_time_shift(self, spec): """随机时间轴平移""" n_steps = spec.shape[1] shift = np.random.randint(-int(self.time_shift_range * n_steps), int(self.time_shift_range * n_steps)) if shift > 0: shifted = np.pad(spec, ((0,0), (0, shift)), mode='constant')[:, shift:] elif shift < 0: shifted = np.pad(spec, ((0,0), (-shift, 0)), mode='constant')[:, :n_steps] else: shifted = spec return shifted def random_freq_mask(self, spec): """随机频率轴掩码""" n_mels = spec.shape[0] mask_size = np.random.randint(1, self.freq_mask_range+1) mask_start = np.random.randint(0, n_mels - mask_size) spec_masked = spec.copy() spec_masked[mask_start:mask_start+mask_size, :] = 0 return spec_masked def augment(self, spec): """应用一系列增强""" spec = self.random_time_shift(spec) if np.random.rand() > 0.5: spec = self.random_freq_mask(spec) # 可以继续添加其他增强... return spec

在训练时，每个epoch都会对训练样本随机应用这些增强，相当于无限扩充了数据集。

5. 模型训练、评估与结果分析

有了数据和模型，训练过程的调优同样重要。

5.1 损失函数与优化器选择

这是一个典型的多分类问题，所以损失函数使用分类交叉熵。优化器方面，2018年Adam优化器因其自适应学习率特性已经成为默认选择。我设置的初始学习率是0.001。

from keras.optimizers import Adam from keras.callbacks import ModelCheckpoint, EarlyStopping, ReduceLROnPlateau model = build_baseline_cnn(input_shape=(64, 216, 1), num_classes=num_classes) model.compile(optimizer=Adam(lr=0.001), loss='categorical_crossentropy', metrics=['accuracy'])

这里的关键是使用回调函数来管理训练过程：

ModelCheckpoint：保存验证集上性能最好的模型权重。
EarlyStopping：当验证集损失在连续多个epoch（如10个）不再下降时，提前终止训练，防止过拟合。
ReduceLROnPlateau：当验证集指标停滞时，自动降低学习率（例如乘以0.5），有助于模型在后期精细调优。

callbacks = [ ModelCheckpoint('best_model.h5', monitor='val_loss', save_best_only=True, verbose=1), EarlyStopping(monitor='val_loss', patience=10, verbose=1), ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=5, min_lr=1e-6, verbose=1) ]

5.2 处理类别不平衡：加权损失与过采样

BirdCLEF数据集的类别不平衡问题必须正视。如果直接训练，模型会倾向于预测样本多的类别。我采用了两种结合的策略：

类别权重：在计算损失时，给样本少的类别更高的权重。权重通常与类别样本数的倒数成比例。

from sklearn.utils.class_weight import compute_class_weight import numpy as np # train_labels 是整数形式的类别标签数组 class_weights = compute_class_weight('balanced', classes=np.unique(train_labels), y=train_labels) # 转换为字典格式供Keras使用 class_weight_dict = dict(enumerate(class_weights))

然后在model.fit中传入class_weight=class_weight_dict。

过采样：在数据加载时，对少数类别的样本进行重复采样，使每个batch内各类别样本数大致均衡。这可以通过自定义Keras的Sequence数据生成器来实现，在__getitem__方法中根据类别概率来采样索引。

5.3 评估指标与结果解读

对于多分类问题，不能只看整体准确率，尤其是类别不平衡时。我主要看以下几个指标：

Top-1准确率：预测概率最高的类别是否正确。
Top-5准确率：真实类别是否出现在预测概率最高的前5个类别中。这对于有200个类别的任务来说更合理，在实际应用中，给生态学家提供前5个候选鸟种也很有价值。
按类别的精确率、召回率和F1分数：特别是关注那些稀有鸟类的召回率，看模型是否完全忽略了它们。

在验证集上，这个Baseline模型能达到大约65-70%的Top-1准确率和85-90%的Top-5准确率。这个成绩在当年的竞赛中当然排不上号，但作为一个清晰、可复现的起点，它成功地验证了整个技术流程的可行性。分析错误样本发现，模型主要混淆在以下几种情况：

叫声非常相似的近缘鸟种。
背景噪音极强的录音片段。
同一鸟种在不同季节或情境下的差异极大的叫声。

6. Shell脚本在项目流水线中的自动化角色

Python负责核心算法，而Shell脚本则像胶水一样，把各个步骤串联起来，实现自动化流水线。在这个项目中，Shell脚本主要承担了以下任务：

6.1 数据预处理与特征提取的批量调度

原始音频文件可能散落在多个文件夹，且数量庞大。用Shell脚本可以方便地遍历目录，调用Python预处理脚本。

#!/bin/bash # preprocess_all.sh DATA_DIR="./BirdCLEF2018/train/audio" OUTPUT_DIR="./features/train" LOG_FILE="./logs/preprocess.log" echo "开始批量提取梅尔频谱图特征..." | tee -a $LOG_FILE # 遍历每个鸟种文件夹 for species_dir in $DATA_DIR/*/; do species=$(basename $species_dir) echo "处理鸟种: $species" | tee -a $LOG_FILE # 调用Python脚本，传入鸟种目录和输出目录 python extract_features.py --input_dir "$species_dir" --output_dir "$OUTPUT_DIR/$species" --target_sr 22050 2>&1 | tee -a $LOG_FILE if [ $? -ne 0 ]; then echo "错误: 处理 $species 时失败" | tee -a $LOG_FILE # 可以选择继续处理下一个，或者退出 # exit 1 fi done echo "所有特征提取完成。" | tee -a $LOG_FILE

这个脚本的好处是结构清晰，易于调试。tee -a $LOG_FILE将输出同时显示在屏幕和记录到日志文件，方便事后排查问题。

6.2 模型训练与实验管理的自动化

做机器学习实验经常要调整超参数（学习率、网络深度、数据增强强度等）。手动改代码、运行、记录结果效率很低。我写了一个Shell脚本来管理实验：

#!/bin/bash # run_experiment.sh # 定义实验参数数组 LEARNING_RATES=(0.001 0.0005 0.0001) BATCH_SIZES=(32 64) AUG_STRENGTHS=("light" "heavy") EXP_COUNTER=1 LOG_BASE="./experiments" for lr in "${LEARNING_RATES[@]}"; do for bs in "${BATCH_SIZES[@]}"; do for aug in "${AUG_STRENGTHS[@]}"; do EXP_DIR="$LOG_BASE/exp_${EXP_COUNTER}_lr${lr}_bs${bs}_aug${aug}" mkdir -p $EXP_DIR echo "========================================" | tee -a "$EXP_DIR/run.log" echo "开始实验 $EXP_COUNTER: lr=$lr, bs=$bs, aug=$aug" | tee -a "$EXP_DIR/run.log" echo "========================================" | tee -a "$EXP_DIR/run.log" # 调用Python训练脚本，传入参数，并将所有输出重定向到实验目录下的日志文件 python train_model.py \ --learning_rate $lr \ --batch_size $bs \ --augmentation $aug \ --model_save_path "$EXP_DIR/model.h5" \ --history_save_path "$EXP_DIR/history.pkl" 2>&1 | tee -a "$EXP_DIR/train.log" # 在训练日志中标记实验结束 echo "实验 $EXP_COUNTER 完成。" | tee -a "$EXP_DIR/run.log" ((EXP_COUNTER++)) done done done echo "所有实验运行完毕。"

这个脚本会自动创建以参数命名的独立文件夹，保存每个实验的模型、训练历史日志和输出，后期分析对比结果非常方便。这是提高研究效率的一个关键技巧。

6.3 模型推理与结果提交的封装

比赛最后需要提交对测试集的预测结果。通常是一个CSV文件，每行是测试音频ID和预测的鸟种概率分布。这个过程也可以封装成Shell脚本，确保可复现。

#!/bin/bash # predict_and_submit.sh MODEL_PATH="./best_model.h5" TEST_FEATURES_DIR="./features/test" OUTPUT_CSV="./submission.csv" echo "使用模型 $MODEL_PATH 进行预测..." python predict.py \ --model $MODEL_PATH \ --test_dir $TEST_FEATURES_DIR \ --output $OUTPUT_CSV if [ -f "$OUTPUT_CSV" ]; then echo "预测完成，结果已保存至 $OUTPUT_CSV" echo "检查文件格式..." head -n 5 $OUTPUT_CSV else echo "错误：预测结果文件未生成。" exit 1 fi

7. 项目复盘与可改进方向

回顾这个2018年的Baseline项目，虽然用现在的眼光看有些地方显得“古朴”，但其中体现的工程化思维和问题解决方法依然有价值。这里总结几个关键点和后续可以深入优化的方向。

7.1 当时遇到的典型坑与解决方案

内存爆炸：最初试图一次性将所有音频特征加载到内存中生成一个巨大的NumPy数组，对于数万条音频，内存直接撑爆。解决方案是使用生成器，在训练时动态从硬盘加载和增强数据。Keras的fit_generator（现在已整合进fit）就是为此而生。
硬盘I/O瓶颈：每个epoch都从硬盘读取数万张频谱图图片（如果存为图片格式），速度极慢。解决方案是将预处理后的特征（NumPy数组）以.npy格式保存，读取速度远快于图片。更好的办法是使用TFRecord或HDF5格式，但当时为了简单起见用了.npy。
验证集划分泄露：最初随机划分训练验证集，导致同一个录音文件的不同片段可能被分到训练集和验证集，造成数据泄露，使验证分数虚高。必须确保按录音文件ID进行划分，而不是按片段。
标签编码错误：鸟种名称是字符串，需要转换为整数标签。如果每次运行都重新生成标签到整数的映射，可能导致不同次实验的编码不一致。必须将映射字典保存下来（如label_to_index.pkl），在预测时加载相同的映射。

7.2 以现今视角的可优化点

如果今天重新做这个项目，我会在以下几个方面进行加强：

使用更先进的架构：2018年后，EfficientNet、ResNeXt等架构在图像分类上表现更好，同样适用于频谱图。还可以尝试专门为音频设计的CNN-RNN混合模型（如CRNN），用CNN提取局部特征，再用RNN（如LSTM或GRU）捕捉时间序列上的长期依赖，这对识别连续的鸟叫模式可能更有效。
尝试自监督预训练：音频数据标注成本高。可以利用大量无标签的野外音频，通过自监督学习（如SimCLR、BYOL在音频上的变体）先训练一个通用的音频特征提取器，再在小规模的BirdCLEF标注数据上进行微调，这很可能显著提升模型性能，尤其是对稀有类别。
集成外部数据与多模态：仅凭音频有时难以区分。如果可能，结合地理位置信息（录音点的经纬度）、时间信息（季节、时辰）作为额外的特征输入到模型，可以极大缩小候选鸟种范围。这需要修改模型结构，接受多模态输入。
模型轻量化与部署：Baseline模型参数量不大，但仍有优化空间。可以使用模型剪枝、量化等技术，使其能部署在移动设备或边缘计算设备上，用于实时的野外鸟类监测。
利用更强大的数据增强：如今有SpecAugment这种专门为语音识别设计的增强策略，直接在频谱图上进行时间扭曲、频率掩码和时间掩码，效果比简单的时间平移更好。还可以使用MixUp或CutMix等样本混合策略。
自动化超参数优化：当时用Shell脚本网格搜索已经很实用，但现在可以更方便地使用Optuna、Ray Tune等工具进行贝叶斯优化，更高效地寻找最优超参数组合。

这个项目源码的价值，不在于它提供了一个多高的分数，而在于它完整地展示了一个音频分类机器学习项目从数据到产出的全流程。对于初学者，可以跟着代码一步步理解每个环节；对于有经验的开发者，可以将其作为一个快速实验的起点，在上面尝试新的想法。工程上的稳健性（清晰的目录结构、模块化的代码、详细的日志和错误处理）比追求一时的模型精度更为重要，尤其是在研究和原型开发阶段。

本文还有配套的精品资源，点击获取