GargantuaZZZ/BirdSet_guangdong

Guangdong BirdSet Audio Package / 广东鸟类 BirdSet 音频包

生成时间：2026-06-04T22:24:09.511294+08:00

这个目录把“广东鸟类名单”和服务器 BirdSet/webird 中能匹配到的音频整理到一起。广东原始名单来自之前爬取的区域鸟类清单：

• —来源：https://avibase.bsc-eoc.org/checklist.jsp?region=CNgd&list=ebird&lang=EN
• —说明：Avibase regional checklist rendered with list=ebird; speciesCode values mapped with the eBird taxonomy endpoint.
• —广东来源物种数：692
• —BirdSet 中可用物种数：422
• —来源名单里但 BirdSet 没有的物种数：270

目录结构

• —audio_originals/：训练集使用的原始 OGG 录音，按 BirdSet 子集分目录，例如 XCL/XC768240.ogg。这里是软链接，不重复占用大空间。
• —val_clips_5s/：验证集已经切好的 5 秒 wav 片段，也是软链接。
• —metadata/train_segments_manifest.csv：训练片段清单。每一行是一个训练样本，包含原始音频、鸟种标签、vad_start_sec 和 vad_end_sec。
• —metadata/val_clips_manifest.csv：验证片段清单。验证文件已经是 5 秒片段，所以时间写成 0 到 5 秒。
• —metadata/audio_files_manifest.csv：这个包里每个音频链接对应的原始路径。
• —metadata/species_summary.csv：每个广东 BirdSet 物种有多少训练片段、多少原始录音、多少验证片段。
• —metadata/guangdong_matched_birdset_species.csv：广东名单中 BirdSet 有数据的物种。
• —metadata/guangdong_source_species_missing_from_birdset.csv：广东名单中 BirdSet 暂无数据的物种。
• —metadata/guangdong_广东_birdset_codes.json：原始整理出的广东/BirdSet 交集 JSON。

如何理解“哪个音频里什么时候有哪些鸟”

看 metadata/train_segments_manifest.csv：

• —package_audio_path：本包里的音频相对路径。
• —original_audio_path：服务器上原始 BirdSet 音频路径。
• —labels_ebird_codes：这个片段包含的 eBird 鸟种 code；多标签用 | 分隔。
• —labels_common_name_en：英文鸟名。
• —vad_start_sec / vad_end_sec：这个训练片段在原始录音里的起止秒数。

例如一行如果写 vad_start_sec=41.904, vad_end_sec=49.904，意思是使用该原始 OGG 的 41.904 到 49.904 秒作为一个广东鸟类训练样本。

规模

• —训练片段：163907
• —唯一训练原始录音：92326
• —验证 5 秒片段：2047

注意

这里默认使用软链接保存音频。这样目录独立、清单完整，但不会重复复制大量 OGG/WAV。如果要做成完全离线可搬运版本，可以根据 metadata/audio_files_manifest.csv 把软链接目标复制成实体文件。