MVSEP-MDX23容器构建详细教程
一、介绍
模型GitHub网址：MVSEP-MDX23-music-separation-model/README.md 在 main ·ZFTurbo/MVSEP-MDX23-音乐分离模型 ·GitHub 上
在音视频领域，把已经发布的混音歌曲或者音频文件逆向分离一直是世界性的课题。音波混合的物理特性导致在没有原始工程文件的情况下，将其还原和分离是一件很有难度的事情。
MVSEP-MDX23在音频分离的性能和精度上表现出色，尤其适合需要高质量音频分离的专业用户。MVSEP-MDX23音乐分离模型是基于 Demucs4、MDX 神经网络架构和 Ultimate Vocal Remover 项目中的一些 MDX 权重。该模型在MultiSong 数据集上执行的最佳分离模型进行质量比较，发现该模型在SDR（信噪比）中比Demucs HT 4、Demucs 3、MDX B模型效果好。该模型有图形用户界面，web界面，本容器主要运用web界面，如下图所示。
将对上传的音频文件进行声音分离及显示频谱信息，分为人声、仪器、器乐、低音、鼓、其他六部分，以及相应的频谱图：
二、容器构建说明
1. 安装miniconda
进入Anaconda官网：
Miniconda — Anaconda 文档
找到快速命令行安装，选择Linux系统，复制代码进入Web SSH中粘贴进行安装
等待安装完成
2. 安装并更新基础命令，供后续使用更快捷： wget、unzip、lsof、git、git-lfs
apt-get update
apt-get install -y wget
apt-get install -y unzip
apt-get install -y lsof
apt-get install -y git
apt-get install -y ffmpeg
3. 首先将仓库（GitHub）代码下载：直接输入
git clone https://github.com/ZFTurbo/MVSEP-MDX23-music-separation-model.git
MVSEP-MDX23-music-separation-model/README.md 在 main ·ZFTurbo/MVSEP-MDX23-音乐分离模型 ·GitHub 上
4. 安装项目运行所需的环境:（安装pytorch使用的清华源,可以将pip改为永久源）
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
（1）打开项目文件所在位置
cd MVSEP-MDX23-music-separation-model
（2）创建名为ck的虚拟环境python版本为3.10
conda create -n ck python=3.10
遇到下列代码行时输入y回车后将继续创建
（3）激活ck虚拟环境
conda activate ck
（4）安装所需的pytorch12.1版本，用了清华源镜像
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 -i https://pypi.tuna.tsinghua.edu.cn/simple
（5）安装依赖环境
pip install -r requirements.txt
（6）安装完成，指定端口即可启动项目，启动命令如下：
export GRADIO_SERVER_NAME=0.0.0.0
export GRADIO_SERVER_PORT=8080
python web-ui.py
出现以下页面代表运行成功：
三、网页演示
运行成功后获取访问链接，进入 webUI 界面后即可操作：
