GitHub功能全览：含AI代码创作、多解决方案及汽车故障诊断音频ML项目

导航菜单

切换导航
[ ](/)
[ 登录 ](/login?return_to=https%3A%2F%2Fgithub.com%2Fadam-s%2Fcar-diagnosis)
外观设置

平台

-AI 代码创作
- GitHub Copilot：借助 AI 编写更优质代码
- GitHub Copilot 应用：从问题到合并的直接代理
- MCP Registry 新功能：集成外部工具
-开发者工作流
- Actions：自动化任何工作流
- Codespaces：即时开发环境
- Issues：规划和跟踪工作
- Code Review：管理代码变更
-应用程序安全
- GitHub Advanced Security：查找并修复漏洞
- 代码安全：在构建过程中保障代码安全
- 密钥保护：防患于未然
-探索
- 为何选择 GitHub
- 文档
- 博客
- 更新日志
- 市场

查看所有功能

解决方案

-按公司规模划分
- 企业版
- 中小团队版
- 初创企业版
- 非营利组织版
-按用例划分
- 应用现代化
- DevSecOps
- DevOps
- CI/CD
- 查看所有用例
-按行业划分
- 医疗保健
- 金融服务
- 制造业
- 政府部门
- 查看所有行业

查看所有解决方案

资源

-按主题探索
- AI
- 软件开发
- DevOps
- 安全
- 查看所有主题
-按类型探索
- 客户案例
- 活动与网络研讨会
- 电子书与报告
- 商业洞察
- GitHub 技能
-支持与服务
- 文档
- 客户支持
- 社区论坛
- 信任中心
- 合作伙伴

查看所有资源

开源

-社区
- GitHub Sponsors：资助开源开发者
-项目
- 安全实验室
- 维护者社区
- 加速器
- GitHub Stars
- 存档计划
-仓库
- 主题
- 热门项目
- 集合

企业版

-企业解决方案
- 企业平台：由 AI 驱动的开发者平台
-可用附加组件
- GitHub Advanced Security：企业级安全功能
- Copilot for Business：企业级 AI 功能
- 高级支持：企业级 24/7 支持

[定价]

搜索或跳转到...

搜索代码、仓库、用户、问题、拉取请求...

搜索
清除
搜索语法提示

提供反馈

我们会阅读每一条反馈，并认真对待您的意见。
包含我的电子邮件地址，以便能与我联系
取消 提交反馈

保存的搜索

使用保存的搜索可以更快地筛选结果
名称
查询
要查看所有可用的限定符，请参阅我们的文档。
取消 创建保存的搜索
[ 登录 ](/login?return_to=https%3A%2F%2Fgithub.com%2Fadam-s%2Fcar-diagnosis)
[ 注册 ](/signup?ref_cta=Sign+up&ref_loc=header+logged+out&ref_page=%2F%3Cuser-name%3E%2F%3Crepo-name%3E&source=header-repo&source_repo=adam-s%2Fcar-diagnosis)
外观设置
重置焦点
您在另一个标签页或窗口中登录了。[重新加载]()以刷新您的会话。
您在另一个标签页或窗口中注销了。[重新加载]()以刷新您的会话。
您在另一个标签页或窗口中切换了账户。[重新加载]()以刷新您的会话。 关闭提醒
{{ message }}
[ adam-s ](/adam-s) /[car-diagnosis](/adam-s/car-diagnosis)公开
- 通知 您必须登录才能更改通知设置
- 分叉 0
- 加星 6
- 代码
- 问题 0
- 拉取请求 0
- 操作
- 项目
- 安全与质量 0
- 洞察

其他导航选项

- 代码
- 问题
- 拉取请求
- 操作
- 项目
- 安全与质量
- 洞察

adam-s/car-diagnosis

主分支
[分支][标签]

转到文件
代码
打开更多操作菜单

文件夹和文件

| 名称 | 名称 | 最后提交消息 | 最后提交日期 |
| --- | --- | --- | --- |

最新提交

历史记录

[71 次提交]
71 次提交
[.agent]
|
[.agent]
|
|
[.github/workflows]
|
[.github/workflows]
|
|
[docs]
|
[docs]
|
|
[models]
|
[models]
|
|
[scripts]
|
[scripts]
|
|
[src/cardiag]
|
[src/cardiag]
|
|
[tests]
|
[tests]
|
|
[.gitignore]
|
[.gitignore]
|
|
[.pre-commit-config.yaml]
|
[.pre-commit-config.yaml]
|
|
[AGENTS.md]
|
[AGENTS.md]
|
|
[CLAUDE.md]
|
[CLAUDE.md]
|
|
[LICENSE]
|
[LICENSE]
|
|
[README.md]
|
[README.md]
|
|
[pyproject.toml]
|
[pyproject.toml]
|
|
[uv.lock]
|
[uv.lock]
|
|
查看所有文件

仓库文件导航

- README
- MIT 许可证
更多项目

cardiag — 通过声音诊断汽车故障

`cardiag` 是一个端到端的音频机器学习（audio-ML）管道。它从 YouTube/TikTok 上抓取故障声音片段，对音频进行清理（将机械声音从语音、音乐和噪音中分离出来），使用预训练的 CLAP 模型进行嵌入，然后训练小型线性头部来对故障进行分类。它提供了命令行界面（CLI）和实时 Web 应用。
[cardiag-demo.mp4]
这是一个概念验证项目，并且明确说明了其局限性。通过手机录音诊断汽车故障确实很困难，因此 `cardiag` 被设计为一个经过校准的分类辅助工具，而非诊断工具：它能告诉你声音是否异常、大致在汽车的哪个部位出现问题，以及可能出现问题的部件的排名列表。当音频无法支持判断时，它会给出“不确定”的结果，而不是盲目猜测。

该项目真正的贡献在于音频清理和诚实训练的方法，这种方法可应用于其他音频数据集。这里的准确率不高反映了从粗糙的手机音频中解决问题的难度（我们达到了现有文献的上限）；同样的方法在干净的发动机音频上可达到 0.93 的 AUROC。详情见 [docs/DEFENSE.md]。

交互式演示

有两个页面展示了管道的前两个阶段：
- [分离发动机音频] — 交互式展示 `clean()` 级联如何从嘈杂的 YouTube 音频（语音、音乐、道路噪音）中提取短机械片段。
- [可视化 CLAP] — 展示预训练的 CLAP 模型如何将这些片段转换为线性头部用于分类的 512 维嵌入。

实际效果

通过样本外测量，保证数据无泄漏（对 1031 个视频组进行按视频分组的交叉验证；排列检验p = 0.0005）。这些数据是真实可靠的，并非排行榜上的虚假数据。
| 能力 | 结果 | 与随机猜测对比 |
| --- | --- | --- |
| 是否有问题？（故障/正常） |AUROC 0.79[0.76, 0.83] | 0.50 |
| 问题出在汽车的哪个部位？（6 个区域） |前 3 名中包含正确区域的概率约为 75%| 2 倍 |
| 是哪个部件出了问题？（12 个以上类别） |前 3 名中包含正确部件的概率约为 45 - 65%| 3 - 4 倍 |
| 知道何时无法做出判断 | 校准良好（ECE ≈ 0.04），返回 `UNCERTAIN` | — |
完整细节以及我们因样本外表现不佳而降级的一个头部（敲击声），请见 [docs/MODEL_CARD.md]。

快速开始：克隆仓库并进行推理

新克隆的仓库可立即使用。`models/` 目录中包含一个小型预训练模型，并且捆绑了一个合成演示片段，因此无需下载或抓取任何数据。

git clone <此仓库> && cd car-diagnosis
uv venv && source .venv/bin/activate
uv pip install -e ".[scrape,web,dev,viz]" # Python 3.11

cardiag doctor # 预检：查看已安装的内容
cardiag train --fixtures # 在约 2 秒内离线训练一个可用的模型（无需抓取数据，无需下载 2GB 文件）
cardiag diagnose # 给出诊断结果、问题所在位置和部件排名
cardiag serve --model models # 启动实时 Web 应用：上传音频片段或粘贴链接，查看“解释原因”

音频 ──► clean() 级联 ──► CLAP 嵌入 ──► 线性头部 ──► 诊断
(分离片段) (预训练，512 维) (故障/区域/ (经过校准，
部件/敲击声) 能识别“不确定”情况)

cardiag diagnose clip.wav # 完整模型：给出诊断结果、区域和部件排名
cardiag triage clip.wav # 校准后的发动机与传动装置分类
cardiag clean clip.wav # 分离机械声音（无需模型）
cardiag inspect clip.wav -o r.html # 查看/聆听管道处理过程：片段、频谱图、分数
cardiag ingest ./my_audio --kind fault --cause wheel_bearing # 导入您自己的音频
cardiag scrape youtube|tiktok # 构建数据集（Reddit 已弃用 — 噪音太大）
cardiag train # 在您的数据集上进行训练