TensorFlow中YAMNet模型部分音频识别准确率低问题咨询

• YAMNet的训练数据特性：YAMNet基于AudioSet数据集训练，该数据集不同类别样本量差异极大。猫叫声这类样本数量充足的类别，模型能学习到足够特征，准确率自然偏高；而样本稀缺的类别，模型训练不充分，识别准确率就会很低。
• 官方示例的局限性：官方示例仅为基础演示，未针对小众声音类别做适配优化，比如缺少额外的模型微调、数据增强等提升准确率的步骤。
• 音频输入的合规性检查：确认你测试的其他声音是否符合模型要求的输入标准——采样率需为16kHz、单声道，且音频时长至少达到0.975秒（YAMNet提取特征的最小时长要求）。若输入格式不匹配，也会直接导致识别准确率暴跌。

内容的提问来源于stack exchange，提问作者Thanos Rom