Session Handoff / 持续开发交接文档

更新：2026-06-02
目的：让新 session / 新代理进入仓库后，能在最短时间内理解项目现状并继续开发。

一页结论

这是一个正在从原型向工业化推进的 音乐 ACR / music retrieval 项目。
当前已经完成：

1. 原型可运行

   • synthetic 数据生成
   • 训练
   • 建索引
   • 识别
   • 评测

2. 开放数据接入链路完整闭环

   • inspect-local / inspect-batch
   • prepare-local
   • validate-local
   • train
   • build-index
   • evaluate
   • generate_artifacts

3. 文档已浓缩

   • docs 入口已分成 4 组
   • 相对路径支持跳转
   • 开放数据工作流有单页文档

当前最重要的下一步：

• 用真实本地 FMA / MTG-Jamendo 音频目录替换 synthetic stand-in
• 跑真实开放数据 smoke
• 继续优化准确率，尤其是 confused / humming_like

---

1. 项目是什么

这是一个面向音乐片段识别 / 音乐检索的 ACR 引擎，核心路线是：

• 指纹检索（Chromaprint-like）
• embedding 检索（ECAPA-derived）
• 可选 melody-aware 融合
• retrieval-first 评测与优化

它已经不是单纯的“分类模型训练脚本”，而是一个较完整的工程原型：

• 数据层
• 训练层
• 索引层
• 识别层
• 评测层
• 文档层
• 开放数据接入层
• 发布产物层

---

2. 你应该先看哪些文档

核心 4 组入口

• docs/README.md
• docs/open-dataset-workflow.md
• docs/dataset-spec.md
• docs/industrialization-roadmap.md

如果你是算法/模型方向

• docs/dataset-spec.md
• docs/sota-research-2026.md
• docs/industrial-benchmark-spec.md

如果你是数据接入方向

• docs/open-dataset-workflow.md
• docs/dataset-sources-and-licensing.md
• acr-engine/data/raw/README.md

如果你是工程/服务方向

• docs/service-api.md
• docs/CHANGELOG.md

---

3. 当前代码结构重点

训练与评测主入口

• acr-engine/train.py
• acr-engine/evaluate.py
• acr-engine/run_demo.py

数据层

• acr-engine/src/data/dataset.py
• acr-engine/src/data/synthetic.py
• acr-engine/src/data/manifest_tools.py
• acr-engine/src/data/external_adapters.py

检索与模型层

• acr-engine/src/engines/hybrid_engine.py
• acr-engine/src/engines/ecapa_embedder.py
• acr-engine/src/engines/chromaprint_matcher.py
• acr-engine/src/models/ecapa_tdnn.py
• acr-engine/src/models/losses.py

服务层

• acr-engine/src/service/app.py

---

4. 已经完成的关键能力

4.1 原型与 synthetic 数据

• synthetic dataset 可生成
• train.py --dry-run 可通过
• 可训练出 checkpoint
• 可 build-index
• 可 recognize
• 可 evaluate

4.2 开放数据接入

已经具备以下命令：

• inspect-local
• inspect-batch
• prepare-local
• validate-local
• smoke-local

这些都在：

• acr-engine/src/data/external_adapters.py

4.3 文档与发布产物

开放数据 smoke 也能生成：

• benchmark report
• model card
• release checklist
• artifact manifest

---

5. 开放数据当前的实际工作方式

真实音频应该放到哪里

• acr-engine/data/raw/fma_small_audio/
• acr-engine/data/raw/mtg_jamendo_audio/

说明文件：

• acr-engine/data/raw/README.md

当前最推荐的命令

FMA

/usr/local/miniconda3/bin/python src/data/external_adapters.py smoke-local fma data/raw/fma_small_audio --output-root data/external_smoke --eval-ratio 0.2 --query-duration 8.0 --train-epochs 1 --batch-size 2

MTG-Jamendo

/usr/local/miniconda3/bin/python src/data/external_adapters.py smoke-local mtg_jamendo data/raw/mtg_jamendo_audio --output-root data/external_smoke --eval-ratio 0.2 --query-duration 8.0 --train-epochs 1 --batch-size 2

当前 smoke-local 已验证能力

smoke-local 会自动跑：

1. inspect-local
2. prepare-local
3. validate-local
4. train
5. build-index
6. evaluate
7. generate_artifacts

---

6. 目前最重要的验证证据

6.1 synthetic-as-open-fixed（开放数据 stand-in）

已成功验证：

• prepare-local
• validate-local
• train.py
• build-index
• evaluate.py
• generate_artifacts.py

关键结果：

• num_queries=8
• top1=1.0
• topk=1.0

相关目录：

• acr-engine/data/external_ingested/synthetic_as_open_fixed/
• acr-engine/reports/open-smoke-fixed/fma/

6.2 一键 smoke-local

已验证：

/usr/local/miniconda3/bin/python src/data/external_adapters.py smoke-local fma data/synthetic_v2/songs --output-root data/external_smoke --eval-ratio 0.2 --query-duration 5.0 --train-epochs 1 --batch-size 2

关键结果：

• num_audio_files=24
• catalog=24
• train_queries=16
• test_queries=8
• top1=1.0
• topk=1.0

相关目录：

• acr-engine/data/external_smoke/

---

7. 当前最重要的待办

优先级 A：真实开放数据替换

目标：

• 用真实本地 FMA / MTG-Jamendo 音频替换 synthetic stand-in

操作：

1. 把真实音频放进：
   • acr-engine/data/raw/fma_small_audio/
   • 或 acr-engine/data/raw/mtg_jamendo_audio/
2. 直接运行 smoke-local
3. 记录：
   • inspect 规模
   • train/test query 数
   • top1/topk
   • artifact bundle

优先级 B：hard-case 精度继续优化

当前历史结论：

• naive oversampling：失败
• type-aware weighting：部分有效
• sample-level weighting：提升 confused
• retrieval fusion tuning：更稳定有效

下阶段重点：

• confused
• humming_like
• 真实开放数据上的 hard-case bucket

优先级 C：foundation model / SOTA baseline

已经在文档中记录：

• MERT
• MuQ
• 更强 retrieval-first 路线

后续可以做：

• frozen backbone baseline
• adapter fine-tune

---

8. 最新关键提交（便于新 session 快速定位）

近几次关键提交建议优先看：

• d221852 Add explicit drop zones for real open-music corpora
• eee15ac Automate the full open-dataset smoke workflow behind one command
• 8795907 Generate release artifacts for the open-dataset smoke path
• dc9ef1b Close the open-dataset smoke loop through evaluation
• b766c74 Make open-dataset manifests trainable end to end
• fa23144 Add a single-page open dataset workflow for training prep
• af33be3 Condense docs and add manifest validation before training

这些 commit 基本覆盖了当前开放数据与文档演进主线。

---

9. 新 session 接手时的推荐动作

如果你是新的 session，建议顺序：

1. 读：

   • docs/README.md
   • docs/open-dataset-workflow.md
   • docs/session-handoff.md
   • docs/current-capability-map.md
   • acr-engine/FIRST_RUN_CHECKLIST.md
   • 运行 acr-engine/scripts/status_snapshot.py
   • 或直接查看最新落盘快照：acr-engine/.omx/latest_status_snapshot.json

2. 检查真实数据是否已落位：

   • acr-engine/data/raw/fma_small_audio/
   • acr-engine/data/raw/mtg_jamendo_audio/

3. 如果已有真实音频：

   • 直接跑 smoke-local

4. 如果还没有真实音频：

   • 继续优化 synthetic-as-open-fixed
   • 或继续补开放数据下载/清洗自动化

5. 每完成一个阶段：

   • 更新 docs/CHANGELOG.md
   • git commit
   • git push

---

10. 注意事项

• 这个仓库里存在已跟踪的 __pycache__ 文件；提交时要小心不要让它们污染变更。
• 当前最稳定的改进方向不是盲目调训练权重，而是：
  • retrieval-time fusion
  • 更真实开放数据
  • 更真实评测
• 开放数据布局现在依赖“自包含输出根”：
  • audio/
  • manifests/ 这一点后续不要破坏。

---

Sources

• README.md
• open-dataset-workflow.md
• CHANGELOG.md