Update README.md

README.md

@@ -1,3 +1,76 @@
----
-license: apache-2.0
----
+---
+language: es
+tags:
+- audio
+- automatic-music-transcription
+- music
+- tensorflow
+- basic-pitch
+- pitch-estimation
+license: apache-2.0
+metrics:
+- f1 (onset)
+datasets:
+- jmp684/cornetai_dataset
+- jmp684/evaluation_dataset
+---
+
+# CornetAI: Sistema Inteligente para el Aprendizaje de la Corneta Española
+
+Este repositorio contiene los recursos técnicos desarrollados para el Trabajo de Fin de Grado de Juan Francisco Morales Pérez, realizado en la Universidad de Almería.
+
+CornetAI es un sistema integral basado en Inteligencia Artificial especializado en la transcripción automática y calificación técnica de la corneta española en su nivel de tercera voz.
+
+
+## Resumen del Sistema
+
+CornetAI funciona como una herramienta de estudio que permite al músico recibir una calificación objetiva basada en la comparación de su ejecución frente a una partitura de referencia. El sistema se apoya en los siguientes componentes fundamentales:
+
+* Transcriptor Especializado: Modelo basado en el ajuste fino (fine-tuning) de Basic Pitch, modelo agnóstico desarrollado por Spotify, optimizado para la respuesta tímbrica de instrumentos de viento-metal.
+* Dataset Híbrido: Conjunto de datos compuesto por muestras sintéticas y grabaciones reales para asegurar la robustez del entrenamiento.
+* Módulo de Calificación: Algoritmo en Python que procesa archivos de audio, genera una transcripción y calcula una puntuación basada en métricas de precisión rítmica y melódica.
+
+## Estructura del Repositorio
+
+Para el correcto funcionamiento de las herramientas, el repositorio mantiene la siguiente organización de archivos:
+
+* CornetAI_SavedModel/: Carpeta que contiene la arquitectura y los pesos del modelo exportados para TensorFlow.
+* calificador.py: Script principal encargado de realizar la transcripción y evaluación por línea de comandos.
+* src/: Carpeta que incluye los scripts de desarrollo, tales como entrenar.py y generador_maestro_midis.py.
+
+## Instalación y Requisitos
+
+El entorno de ejecución requiere Python 3.8 o superior y la instalación de las siguientes bibliotecas de software:
+
+* tensorflow: Para la gestión y ejecución del modelo de red neuronal.
+* librosa: Para el procesamiento y análisis de señales de audio.
+* pretty_midi: Para la manipulación y creación de datos en formato MIDI.
+* mir_eval: Para el cálculo de métricas estandarizadas de evaluación musical.
+* matplotlib: Para la generación de los informes visuales de resultados.
+* basic-pitch: Biblioteca base sobre la que se sustenta el transcriptor.
+
+## Modo de Uso: Calificador por Línea de Comandos
+
+El archivo calificador.py permite realizar evaluaciones directas. El script requiere como argumentos un archivo de audio en formato WAV interpretado por el usuario y un archivo de referencia en formato MIDI. Para realizar una demo se pueden encontrar archivos preparados en el evaluation_dataset.
+
+Comando de ejecución:
+python calificador.py <ruta_audio_usuario.wav> <ruta_referencia.mid>
+
+Salida del sistema:
+1. Terminal: El sistema muestra por consola la nota final calculada y una lista detallada de correcciones sugeridas basadas en la precisión de los onsets.
+2. Informe Visual: Se genera automáticamente una imagen comparativa de los piano-rolls que permite visualizar las diferencias entre la partitura y la ejecución.
+
+## Rendimiento del Modelo
+
+Tras el proceso de especialización, CornetAI ha logrado mejorar la precisión de ataque respecto al modelo base:
+* Modelo Base: 74,70 por ciento en métrica Fno.
+* CornetAI: 85,80 por ciento en métrica Fno.
+
+## Acceso a los Datasets
+
+* Dataset de Entrenamiento: Se encuentra disponible para su consulta en la sección Datasets del perfil de Hugging Face asociado a este proyecto.
+* Dataset de Evaluación: Se incluye dentro de la carpeta evaluation_dataset de este repositorio para garantizar la reproducibilidad de las pruebas de calificación.
+
+---
+Institución: Universidad de Almería - Escuela Superior de Ingeniería.
+Curso Académico: 2025/2026.