sheatless 0.0.1

A python library for extracting information from sheetmusic pdfs

Hvordan installere sheetmusicengine

1. Klon repo:

git clone https://github.com/sigurdo/sheetmusicengine.git

2. Installer nødvendige programmer

• Python
• Poppler
  • Linux: sudo apt install poppler-utils
  • Windows: http://blog.alivate.com.au/poppler-windows/
• Tesseract
  • Linux: https://github.com/tesseract-ocr/tessdoc/blob/master/Installation.md
  • Windows: https://github.com/UB-Mannheim/tesseract/wiki

3. Lag virtual environment (må ikke, men det er ryddig og enkelt)

Lage:

python -m venv venv

Aktivere:

source venv/bin/activate

Deaktivere:

deactivate

4. Installer python-pakker

Dette må gjøres når virtual environmentet er aktivert

pip install -r requirements.txt

5. Kjøre koden

Scriptet kjører du med (virtual environment må forstatt være aktivert)

python splitter.py

Det vil nå bli lagd noen undermapper i mappa du kjører det fra. Putt pdfene du vil analysere i mappa som heter input_pdfs og så kjør scriptet på nytt. Scriptet bruker noen få sekunder på hver side som skal analyseres, så det tar relativt lang tid. Når hver pdf er ferdig analysert vil de ligge ferdig splitta i output_pdfs.

Forbedre presisjonen til tesseract

Etter litt research viser det seg at man relativt enkelt kan forbedre presisjonen til tesseract ved å bytte ut OCR engine mode fra legacy til lstm, og laste ned et trent datasett kalt tessdata_best.

1. Last ned og unzip https://github.com/tesseract-ocr/tessdata_best/archive/refs/tags/4.1.0.zip.
2. Når du kjører splitter.py legger du til følgende argumenter:

   --use-lstm --tessdata-dir "path/to/tessdata_best"