Documentation review and data consistency.

.claude/commands/documentation-review.md

@@ -7,7 +7,8 @@ Review and validate the documentation for this Master's Thesis project.
    - `docs/metrics/metrics_doctr.md` - DocTR results
    - `docs/metrics/metrics_easyocr.md` - EasyOCR results
    - `docs/metrics/metrics.md` - Comparative summary
-   - `src/results/*.csv` - Raw data from 64 trials per service
+   - `src/results/*.csv` - Raw data from 64 trials per service (5-page tuning subset)
+   - `src/*/requirements.txt` - Dependency versions used for the experiments
 
 2. **Review UNIR guidelines** for formatting and structure rules:
    - **`instructions/plantilla_individual.htm`** - **PRIMARY REFERENCE** for all styling (CSS classes, Word styles)
@@ -43,13 +44,17 @@ Review and validate the documentation for this Master's Thesis project.
 - Verify: dataset size (pages)
 
 ### UNIR Formatting
-- Tables: `**Tabla N.** *Descriptive title in italics.*` followed by table, then `*Fuente: ...*`
+- Tables: `**Tabla N.** *Descriptive title in italics.*` followed by table, then a line that starts with `Fuente:` immediately after the table (no blank lines), e.g., `Fuente: ...`
   - Table titles must describe the content (e.g., "Comparación de modelos OCR")
 - Figures: `**Figura N.** *Descriptive title in italics.*`
   - Figure titles must describe the content (e.g., "Pipeline de un sistema OCR moderno")
 - Sequential numbering (no duplicates, no gaps)
 - APA citation format for references
 
+### Word Generation Alignment
+- Table sources are only captured when the line **immediately after** the table starts with `Fuente:` (per `apply_content.py`).
+- Mermaid figures use the YAML `title:` for captions in Word output; `**Figura N.**` lines are ignored by the generator but should remain for UNIR compliance.
+
 ### Mermaid Diagrams
 - **All diagrams must be in Mermaid format** (no external images for flowcharts/charts)
 - All Mermaid diagrams must use the UNIR color theme
@@ -82,10 +87,13 @@ Review and validate the documentation for this Master's Thesis project.
 
 ### Files to Review
 - `docs/00_resumen.md` - Resumen/Abstract
-- `docs/03_objetivos_metodologia.md` - Objectives
-- `docs/04_desarrollo_especifico.md` - Main results (most critical)
-- `docs/05_conclusiones_trabajo_futuro.md` - Conclusions
-- `docs/07_anexo_a.md` - Technical annex
+- `docs/01_introduccion.md` - Introducción
+- `docs/02_contexto_estado_arte.md` - Contexto y estado del arte
+- `docs/03_objetivos_metodologia.md` - Objetivos y metodología
+- `docs/04_desarrollo_especifico.md` - Desarrollo específico (resultados)
+- `docs/05_conclusiones_trabajo_futuro.md` - Conclusiones y trabajo futuro
+- `docs/06_referencias_bibliograficas.md` - Referencias
+- `docs/07_anexo_a.md` - Anexo técnico
 - `README.md` - Project overview
 
 4. **Report findings** with:
@@ -95,3 +103,35 @@ Review and validate the documentation for this Master's Thesis project.
    - Overall documentation health assessment
 
 5. **Language**: All docs/* files must be in Spanish. README.md and CLAUDE.md can be in English.
+
+6. **Audit Run (repeatable process)**:
+   - Validate each Mermaid diagram that contains numbers against its stated source (CSV or metrics file).
+   - Confirm every figure/table that includes metrics has a valid `*Fuente:*` line pointing to:
+     - `src/results/*.csv`, `src/results/correlations/*.csv`, or `docs/metrics/*.md`, or
+     - External sources listed in `docs/07_anexo_a.md`.
+   - Record any missing or mismatched sources before making edits.
+
+## Writing Style (Required)
+
+- Use fluent Spanish with standard punctuation, avoid long dashes.
+- Prefer commas, semicolons, or short sentences over em dashes.
+- Keep paragraphs concise and clear, avoid overly long sentences.
+
+## Data Integrity (Required)
+
+- Do not invent or estimate values. Every numeric claim must be sourced from `src/results/*.csv`, `docs/metrics/*.md`, or external documentation explicitly listed in `docs/07_anexo_a.md`.
+- If a value is not present in those sources, remove it or mark it as unknown and request clarification.
+- Source of truth for OCR metrics in `docs/00-07`: use `docs/metrics/*.md` for both "Resultados del Subconjunto de Ajuste" and "Evaluación del Dataset Completo", and `src/results/*.csv` for tuning subset values referenced by those sections.
+
+## CSV Verification (Required)
+
+Use the CSVs to validate best-trial values and to confirm that tuning-only figures are not confused with full-dataset results.
+
+
+### Interpretation Rules
+
+- The CSVs are from tuning on pages 5-10, not the full 45-page dataset.
+- Values like “best trial CER” and “best trial WER” must match the CSVs.
+- Full-dataset metrics must be sourced elsewhere and clearly labeled as full evaluation.
+- `src/raytune_paddle_subproc_results_20251207_192320.csv` is CPU-only timing reference; do not use it for accuracy claims.
+- GPU results are the primary research driver. CPU results are only used to illustrate timing without GPU.

.claude/commands/word-generation.md

@@ -75,3 +75,13 @@ npm install @mermaid-js/mermaid-cli
 - If `generate_mermaid_figures.py` fails: Check mmdc (mermaid-cli) is installed
 - If `apply_content.py` fails: Check beautifulsoup4 is installed
 - Report any errors with the specific step that failed
+
+### Observed Issues (Local)
+
+- `generate_mermaid_figures.py` may fail on macOS with errors like:
+  - `Running as root without --no-sandbox is not supported`
+  - `Failed to launch the browser process` / `MachPortRendezvousServer` permission errors
+- If that happens, verify the Puppeteer config in `tem/scripts/puppeteer_config.json` is picked up by `generate_mermaid_figures.py` and includes:
+  - `"args": ["--no-sandbox", "--disable-setuid-sandbox"]`
+  - `"executablePath"` pointing to the local Chrome binary, e.g. `/Applications/Google Chrome.app/Contents/MacOS/Google Chrome`
+- If the error persists, rerun Step 1 with escalated permissions.

.gitignore

@@ -13,3 +13,5 @@ src/output_*.ipynb
 debugset/
 
 src/dataset_hf/
+tem/
+temp/

AGENTS.md

@@ -0,0 +1,51 @@
+# Repository Guidelines
+
+## Project Structure & Module Organization
+
+- `docs/`: Thesis chapters 00-07 in Spanish (UNIR structure). Edit these for narrative changes.
+- `src/`: OCR tuning code, services, notebooks, and results. Key subfolders: `raytune/`, `paddle_ocr/`, `doctr_service/`, `easyocr_service/`, `results/`, `results/correlations/`.
+- `instructions/`: UNIR template and writing rules (`plantilla_individual.htm` is the styling source of truth).
+- `thesis_output/`: Generated thesis HTML and figures (do not edit by hand).
+- Root scripts: `generate_mermaid_figures.py` (Mermaid to PNG) and `apply_content.py` (template assembly).
+- Temporary scripts go in `tem/scripts/`.
+
+## Build, Test, and Development Commands
+
+- `source .venv/bin/activate` before installing or running Python tools.
+- `npm install`: install Mermaid CLI (`node_modules/.bin/mmdc`) for figure generation.
+- `python3 generate_mermaid_figures.py`: write PNGs to `thesis_output/figures/` from `docs/*.md`.
+- `python3 apply_content.py`: generate `thesis_output/plantilla_individual.htm` from `docs/` + `instructions/`.
+- `jupyter notebook src/prepare_dataset.ipynb`: prepare OCR dataset from PDFs.
+- `jupyter notebook src/paddle_ocr_fine_tune_unir_raytune.ipynb`: run the main tuning experiment.
+- Docker tuning (GPU):
+  - `docker compose -f src/docker-compose.tuning.paddle.yml up -d paddle-ocr-gpu`
+  - `docker compose -f src/docker-compose.tuning.paddle.yml run raytune --service paddle --samples 64`
+  - `docker compose -f src/docker-compose.tuning.paddle.yml down`
+- Use `.claude/commands/word-generation.md` to regenerate the thesis output.
+
+## Coding Style & Naming Conventions
+
+- Python: PEP 8, 4-space indentation, `snake_case`.
+- Notebooks live in `src/` and should keep execution order clean when committed.
+- Documentation in `docs/` is Spanish; code comments stay in English.
+
+## Data, Documentation, and Formatting Rules
+
+- Run `.claude/commands/documentation-review.md` before editing `docs/00-07`.
+- Do not invent numbers. Every numeric claim must come from `src/results/*.csv`, `src/results/correlations/*.csv`, `docs/metrics/*.md`, or external sources listed in `docs/07_anexo_a.md`.
+- Tables and figures must use UNIR caption format: `**Tabla N.** *Título.*` / `**Figura N.** *Título.*` plus `*Fuente: ...*`.
+- Mermaid diagrams require YAML frontmatter with a quoted `title:` and UNIR theme variables.
+- Use full repository links in `*Fuente:*` lines, e.g. `https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md`.
+
+## Testing Guidelines
+
+- No automated tests. Validate changes by running a small tuning run and checking CSV output in `src/results/`.
+
+## Commit & Pull Request Guidelines
+
+- Commit messages are short, sentence case, and may include a tracker reference in parentheses.
+- Keep commits focused; mention generated outputs (figures, HTML) when relevant.
+
+## Agent-Specific Notes
+
+- Follow `claude.md` for thesis-specific constraints and templates.

apply_content.py

@@ -167,7 +167,28 @@ def parse_md_to_html_blocks(md_content):
                 # Fallback to placeholder
                 html_blocks.append(f'''<p class=MsoNormal style="text-align:center;border:1px dashed #999;padding:20px;margin:10px 40px;background:#f9f9f9"><span lang=ES style="color:#666">[Insertar diagrama Mermaid aquí]</span></p>''')
 
+            # Check if next non-empty line has custom Fuente
+            custom_source = None
+            lookahead = i + 1
+            while lookahead < len(lines) and not lines[lookahead].strip():
+                lookahead += 1
+            if lookahead < len(lines):
+                next_line = lines[lookahead].strip()
+                if next_line.startswith('Fuente:') or next_line.startswith('*Fuente:'):
+                    # Extract custom source, removing markdown formatting
+                    custom_source = next_line.replace('*', '').replace('Fuente:', '').strip()
+                    # Ensure it ends with a period
+                    if custom_source and not custom_source.endswith('.'):
+                        custom_source += '.'
+                    # Skip this line by advancing i past it
+                    i = lookahead
+
+            if custom_source:
+                source_html = md_to_html_para(custom_source)
+                html_blocks.append(f'''<p class=Piedefoto-tabla style="margin-left:0cm;text-align:center"><span lang=ES>Fuente: {source_html}</span></p>''')
+            else:
                 html_blocks.append(f'''<p class=Piedefoto-tabla style="margin-left:0cm;text-align:center"><span lang=ES>Fuente: Elaboración propia.</span></p>''')
+
             html_blocks.append('<p class=MsoNormal><span lang=ES><o:p>&nbsp;</o:p></span></p>')
             i += 1
             continue

claude.md

@@ -79,7 +79,7 @@ MastersThesis/
 │   └── plantilla_individual.htm  # Word template (HTML version, source)
 ├── apply_content.py         # Generates TFM document from docs/ + template
 ├── generate_mermaid_figures.py  # Converts Mermaid diagrams to PNG
-├── ocr_benchmark_notebook.ipynb  # Initial OCR benchmark
+├── src/archived/ocr_benchmark_notebook.ipynb  # Archived benchmark (do not cite)
 └── README.md
 ```
 

docs/00_resumen.md

@@ -2,9 +2,11 @@
 
 El presente Trabajo Fin de Máster aborda la optimización de sistemas de Reconocimiento Óptico de Caracteres (OCR) basados en inteligencia artificial para documentos en español. El objetivo principal es identificar la configuración óptima de hiperparámetros que maximice la precisión del reconocimiento de texto sin requerir fine-tuning de los modelos base.
 
-Se realizó un estudio comparativo de tres soluciones OCR de código abierto: EasyOCR, PaddleOCR (PP-OCRv5) y DocTR, evaluando su rendimiento mediante las métricas estándar CER (Character Error Rate) y WER (Word Error Rate) sobre un corpus de 45 páginas de documentos académicos en español. Tras identificar PaddleOCR como la solución más prometedora, se procedió a una optimización sistemática de hiperparámetros utilizando Ray Tune con el algoritmo de búsqueda Optuna, ejecutando 64 configuraciones diferentes con aceleración GPU (NVIDIA RTX 3060).
+Se realizó un estudio comparativo de tres soluciones OCR de código abierto: EasyOCR, PaddleOCR (PP-OCRv5) y DocTR. Se evaluó su rendimiento mediante las métricas estándar CER (Character Error Rate) y WER (Word Error Rate) sobre un corpus de 45 páginas de documentos académicos en español. Tras identificar PaddleOCR como la solución más prometedora, se procedió a una optimización sistemática de hiperparámetros utilizando Ray Tune con el algoritmo de búsqueda Optuna, ejecutando 64 configuraciones diferentes con aceleración GPU (NVIDIA RTX 3060).
 
-Los resultados demuestran que la optimización de hiperparámetros logró mejoras significativas: el mejor trial individual alcanzó un CER de 0.79% (precisión del 99.21%), cumpliendo el objetivo de CER < 2%. Al validar la configuración optimizada sobre el dataset completo de 45 páginas, se obtuvo una mejora del 12.8% en CER (de 8.85% a 7.72%). El hallazgo más relevante fue que el parámetro `textline_orientation` (clasificación de orientación de línea de texto) tiene un impacto crítico en el rendimiento. Adicionalmente, se identificó que el umbral de detección (`text_det_thresh`) presenta una correlación negativa moderada (-0.52) con el error.
+Los resultados demuestran que la optimización de hiperparámetros logró mejoras significativas: el mejor trial individual alcanzó un CER de 0.79% (precisión del 99.21%), cumpliendo el objetivo de CER < 2%. Al validar la configuración optimizada sobre el dataset completo de 45 páginas, se obtuvo una mejora del 12.8% en CER (de 8.85% a 7.72%). El hallazgo más relevante fue que el parámetro `textline_orientation` (clasificación de orientación de línea de texto) tiene un impacto crítico en el rendimiento. Adicionalmente, se identificó que el umbral de detección (`text_det_thresh`) presenta una correlación positiva moderada (0.43) con el error, lo que indica que valores más bajos tienden a mejorar el rendimiento.
+
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md), [`src/results/correlations/paddle_correlations.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/paddle_correlations.csv).
 
 Este trabajo demuestra que la optimización de hiperparámetros es una alternativa viable al fine-tuning, especialmente útil cuando se dispone de modelos preentrenados para el idioma objetivo. La infraestructura dockerizada desarrollada permite reproducir los experimentos y facilita la evaluación sistemática de configuraciones OCR.
 
@@ -16,9 +18,11 @@ Este trabajo demuestra que la optimización de hiperparámetros es una alternati
 
 This Master's Thesis addresses the optimization of Artificial Intelligence-based Optical Character Recognition (OCR) systems for Spanish documents. The main objective is to identify the optimal hyperparameter configuration that maximizes text recognition accuracy without requiring fine-tuning of the base models.
 
-A comparative study of three open-source OCR solutions was conducted: EasyOCR, PaddleOCR (PP-OCRv5), and DocTR, evaluating their performance using standard CER (Character Error Rate) and WER (Word Error Rate) metrics on a corpus of 45 pages of academic documents in Spanish. After identifying PaddleOCR as the most promising solution, systematic hyperparameter optimization was performed using Ray Tune with the Optuna search algorithm, executing 64 different configurations with GPU acceleration (NVIDIA RTX 3060).
+A comparative study of three open-source OCR solutions was conducted with EasyOCR, PaddleOCR (PP-OCRv5), and DocTR. Their performance was evaluated using standard CER (Character Error Rate) and WER (Word Error Rate) metrics on a corpus of 45 pages of academic documents in Spanish. After identifying PaddleOCR as the most promising solution, systematic hyperparameter optimization was performed using Ray Tune with the Optuna search algorithm, executing 64 different configurations with GPU acceleration (NVIDIA RTX 3060).
 
-Results demonstrate that hyperparameter optimization achieved significant improvements: the best individual trial reached a CER of 0.79% (99.21% accuracy), meeting the CER < 2% objective. When validating the optimized configuration on the full 45-page dataset, a 12.8% CER improvement was obtained (from 8.85% to 7.72%). The most relevant finding was that the `textline_orientation` parameter (text line orientation classification) has a critical impact on performance. Additionally, the detection threshold (`text_det_thresh`) was found to have a moderate negative correlation (-0.52) with error.
+Results demonstrate that hyperparameter optimization achieved significant improvements. The best individual trial reached a CER of 0.79% (99.21% accuracy), meeting the CER < 2% objective. When validating the optimized configuration on the full 45-page dataset, a 12.8% CER improvement was obtained (from 8.85% to 7.72%). The most relevant finding was that the `textline_orientation` parameter (text line orientation classification) has a critical impact on performance. Additionally, the detection threshold (`text_det_thresh`) showed a moderate positive correlation (0.43) with error, indicating that lower values tend to improve performance.
+
+Sources: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md), [`src/results/correlations/paddle_correlations.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/paddle_correlations.csv).
 
 This work demonstrates that hyperparameter optimization is a viable alternative to fine-tuning, especially useful when pre-trained models for the target language are available. The dockerized infrastructure developed enables experiment reproducibility and facilitates systematic evaluation of OCR configurations.
 

docs/01_introduccion.md

@@ -4,17 +4,17 @@
 
 ## Motivación
 
-El Reconocimiento Óptico de Caracteres (OCR) es una tecnología fundamental en la era de la digitalización documental. Su capacidad para convertir imágenes de texto en datos editables y procesables ha transformado sectores como la administración pública, el ámbito legal, la banca y la educación. Según estimaciones del sector, el mercado global de OCR alcanzó los 13.4 mil millones de dólares en 2023, con proyecciones de crecimiento continuo impulsado por la transformación digital empresarial (Grand View Research, 2023). Sin embargo, a pesar de los avances significativos impulsados por el aprendizaje profundo, la implementación práctica de sistemas OCR de alta precisión sigue presentando desafíos considerables.
+El Reconocimiento Óptico de Caracteres (OCR) es una tecnología fundamental en la era de la digitalización documental. Su capacidad para convertir imágenes de texto en datos editables y procesables ha transformado sectores como la administración pública, el ámbito legal, la banca y la educación. La expansión de la transformación digital empresarial ha impulsado su adopción, aunque la implementación práctica de sistemas OCR de alta precisión sigue presentando desafíos considerables.
 
 ### El contexto de la digitalización documental
 
 La digitalización de documentos ha pasado de ser una opción a una necesidad estratégica para organizaciones de todos los tamaños. Los beneficios son múltiples: reducción del espacio físico de almacenamiento, facilidad de búsqueda y recuperación, preservación del patrimonio documental, y habilitación de flujos de trabajo automatizados. Sin embargo, la mera conversión de papel a imagen digital no aprovecha plenamente estas ventajas; es necesario extraer el texto contenido en los documentos para permitir su indexación, análisis y procesamiento automatizado.
 
-El OCR actúa como puente entre el mundo físico del documento impreso y el mundo digital del texto procesable. Su precisión determina directamente la calidad de los procesos downstream: un error de reconocimiento en un nombre propio puede invalidar una búsqueda; un dígito mal reconocido en una factura puede causar discrepancias contables; una palabra mal interpretada en un contrato puede alterar su significado legal.
+El OCR actúa como puente entre el mundo físico del documento impreso y el mundo digital del texto procesable. Su precisión determina directamente la calidad de los procesos downstream. Un error de reconocimiento en un nombre propio puede invalidar una búsqueda; un dígito mal reconocido en una factura puede causar discrepancias contables. Una palabra mal interpretada en un contrato puede alterar su significado legal.
 
 ### Desafíos específicos del español
 
-El procesamiento de documentos en español presenta particularidades que complican el reconocimiento automático de texto. Los caracteres especiales propios del idioma (la letra ñ, las vocales acentuadas á, é, í, ó, ú, la diéresis ü, y los signos de puntuación invertidos ¿ y ¡) no están presentes en muchos conjuntos de entrenamiento internacionales, lo que puede degradar el rendimiento de modelos preentrenados predominantemente en inglés.
+El procesamiento de documentos en español presenta particularidades que complican el reconocimiento automático de texto. Los caracteres especiales propios del idioma (la letra ñ, las vocales acentuadas á, é, í, ó, ú, la diéresis ü, y los signos de puntuación invertidos ¿, ¡) no están presentes en muchos conjuntos de entrenamiento internacionales, lo que puede degradar el rendimiento de modelos preentrenados predominantemente en inglés.
 
 La Tabla 1 resume los principales desafíos lingüísticos del OCR en español:
 
@@ -26,16 +26,15 @@ La Tabla 1 resume los principales desafíos lingüísticos del OCR en español:
 | Palabras largas | Español permite compuestos largos | Mayor probabilidad de error por carácter |
 | Abreviaturas | Dr., Sra., Ud., etc. | Puntos internos confunden segmentación |
 | Nombres propios | Tildes en apellidos (García, Martínez) | Bases de datos sin soporte Unicode |
+Fuente: Elaboración propia.
 
-*Fuente: Elaboración propia.*
-
-Además de los aspectos lingüísticos, los documentos académicos y administrativos en español presentan características tipográficas que complican el reconocimiento: variaciones en fuentes entre encabezados, cuerpo y notas al pie; presencia de tablas con bordes y celdas; logotipos institucionales; marcas de agua; y elementos gráficos como firmas o sellos. Estos elementos generan ruido que puede propagarse en aplicaciones downstream como la extracción de entidades nombradas o el análisis semántico.
+Además de los aspectos lingüísticos, los documentos académicos y administrativos en español presentan características tipográficas que complican el reconocimiento: variaciones en fuentes entre encabezados, cuerpo y notas al pie; presencia de índices, listas numeradas y cambios frecuentes de estilo; y saltos de línea que rompen la continuidad del texto. Estos elementos generan ruido que puede propagarse en aplicaciones downstream como la extracción de entidades nombradas o el análisis semántico.
 
 ### La brecha entre investigación y práctica
 
-Los modelos OCR basados en redes neuronales profundas, como los empleados en PaddleOCR, EasyOCR o DocTR, ofrecen un rendimiento impresionante en benchmarks estándar. PaddleOCR, por ejemplo, reporta tasas de precisión superiores al 97% en conjuntos de datos como ICDAR 2015 (Du et al., 2020). No obstante, estos resultados en condiciones controladas no siempre se trasladan a documentos del mundo real.
+Los modelos OCR basados en redes neuronales profundas, como los empleados en PaddleOCR, EasyOCR o DocTR, ofrecen un rendimiento competitivo en benchmarks estándar. No obstante, estos resultados en condiciones controladas no siempre se trasladan a documentos del mundo real.
 
-La adaptación de modelos preentrenados a dominios específicos típicamente requiere fine-tuning con datos etiquetados del dominio objetivo y recursos computacionales significativos. El fine-tuning de un modelo de reconocimiento de texto puede requerir decenas de miles de imágenes etiquetadas y días de entrenamiento en GPUs de alta capacidad. Esta barrera técnica y económica excluye a muchos investigadores y organizaciones de beneficiarse plenamente de estas tecnologías.
+La adaptación de modelos preentrenados a dominios específicos típicamente requiere fine-tuning con datos etiquetados del dominio objetivo y recursos computacionales significativos. Esta barrera técnica y económica excluye a muchos investigadores y organizaciones de beneficiarse plenamente de estas tecnologías.
 
 La Tabla 2 ilustra los requisitos típicos para diferentes estrategias de mejora de OCR:
 
@@ -43,18 +42,17 @@ La Tabla 2 ilustra los requisitos típicos para diferentes estrategias de mejora
 
 | Estrategia | Datos requeridos | Hardware | Tiempo | Expertise |
 |------------|------------------|----------|--------|-----------|
-| Fine-tuning completo | >10,000 imágenes etiquetadas | GPU (≥16GB VRAM) | Días-Semanas | Alto |
-| Fine-tuning parcial | >1,000 imágenes etiquetadas | GPU (≥8GB VRAM) | Horas-Días | Medio-Alto |
-| Transfer learning | >500 imágenes etiquetadas | GPU (≥8GB VRAM) | Horas | Medio |
-| **Optimización de hiperparámetros** | **<100 imágenes de validación** | **CPU suficiente** | **Horas** | **Bajo-Medio** |
-
-*Fuente: Elaboración propia.*
+| Fine-tuning completo | Miles de imágenes etiquetadas | GPU de alta memoria | Días o semanas | Alto |
+| Fine-tuning parcial | Cientos o miles de imágenes etiquetadas | GPU dedicada | Horas o días | Medio-Alto |
+| Transfer learning | Centenas de imágenes etiquetadas | GPU dedicada | Horas | Medio |
+| **Optimización de hiperparámetros** | **Subconjunto de validación** | **CPU o GPU (CUDA 12.2+ en Docker DocTR)** | **Horas** | **Bajo-Medio** |
+Fuente: [`docs/07_anexo_a.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/07_anexo_a.md), sección A.9.
 
 ### La oportunidad: optimización sin fine-tuning
 
-La presente investigación surge de una necesidad práctica: optimizar un sistema OCR para documentos académicos en español sin disponer de recursos GPU para realizar fine-tuning. Esta restricción, lejos de ser una limitación excepcional, representa la realidad de muchos entornos académicos y empresariales donde el acceso a infraestructura de cómputo avanzada es limitado.
+La presente investigación surge de una necesidad práctica: optimizar un sistema OCR para documentos académicos en español sin disponer de infraestructura de entrenamiento dedicada para fine-tuning. Esta restricción, lejos de ser una limitación excepcional, representa la realidad de muchos entornos académicos y empresariales donde el acceso a cómputo avanzado es limitado.
 
-La hipótesis central de este trabajo es que los modelos OCR preentrenados contienen capacidades latentes que pueden activarse mediante la configuración adecuada de sus hiperparámetros de inferencia. Parámetros como los umbrales de detección de texto, las opciones de preprocesamiento de imagen, y los filtros de confianza de reconocimiento pueden tener un impacto significativo en el rendimiento final, y su optimización sistemática puede aproximarse a los beneficios del fine-tuning sin sus costes asociados.
+La hipótesis central de este trabajo es que los modelos OCR preentrenados contienen capacidades latentes que pueden activarse mediante la configuración adecuada de sus hiperparámetros de inferencia. Parámetros como los umbrales de detección de texto, las opciones de preprocesamiento de imagen, y los filtros de confianza de reconocimiento pueden tener un impacto significativo en el rendimiento final. Su optimización sistemática puede aproximarse a los beneficios del fine-tuning sin sus costes asociados.
 
 Esta oportunidad se ve reforzada por la disponibilidad de frameworks modernos de optimización de hiperparámetros como Ray Tune (Liaw et al., 2018) y algoritmos de búsqueda eficientes como Optuna (Akiba et al., 2019), que permiten explorar espacios de configuración de manera sistemática y eficiente.
 
@@ -64,7 +62,7 @@ Esta oportunidad se ve reforzada por la disponibilidad de frameworks modernos de
 
 Las observaciones anteriores conducen a formular el problema central de este trabajo:
 
-> ¿Es posible mejorar significativamente el rendimiento de modelos OCR preentrenados para documentos en español mediante la optimización sistemática de hiperparámetros, sin requerir fine-tuning ni recursos GPU?
+> ¿Es posible mejorar significativamente el rendimiento de modelos OCR preentrenados para documentos en español mediante la optimización sistemática de hiperparámetros, sin requerir fine-tuning y con recursos computacionales de consumo?
 
 Este planteamiento parte de una observación fundamental: los sistemas OCR modernos exponen múltiples parámetros configurables que afectan su comportamiento durante la inferencia. Estos parámetros incluyen umbrales de detección, opciones de preprocesamiento, y filtros de calidad. En la práctica habitual, estos parámetros se dejan en sus valores por defecto, asumiendo que fueron optimizados por los desarrolladores del modelo. Sin embargo, los valores por defecto representan compromisos generales que pueden no ser óptimos para dominios específicos.
 
@@ -82,7 +80,7 @@ Identificar los parámetros más influyentes permite focalizar el esfuerzo de op
 
 **PI3. Optimización automatizada**: ¿Puede un proceso de búsqueda automatizada de hiperparámetros (mediante Ray Tune/Optuna) encontrar configuraciones que superen significativamente los valores por defecto?
 
-Esta pregunta evalúa la viabilidad práctica de la metodología propuesta. "Significativamente" se define operacionalmente como una reducción del CER de al menos 50% respecto al baseline, un umbral que representaría una mejora sustancial en la calidad del texto reconocido.
+Esta pregunta evalúa la viabilidad práctica de la metodología propuesta. "Significativamente" se define como una mejora sustancial respecto al baseline, con impacto observable en la calidad del texto reconocido.
 
 **PI4. Viabilidad práctica**: ¿Son los tiempos de inferencia y los recursos requeridos compatibles con un despliegue en entornos con recursos limitados?
 
@@ -100,9 +98,8 @@ Este trabajo se centra específicamente en:
 | **Idioma** | Español | Otros idiomas |
 | **Modelos** | EasyOCR, PaddleOCR, DocTR | Soluciones comerciales (Google Cloud Vision, AWS Textract) |
 | **Método de mejora** | Optimización de hiperparámetros | Fine-tuning, aumento de datos |
-| **Hardware** | Ejecución en CPU | Aceleración GPU |
-
-*Fuente: Elaboración propia.*
+| **Hardware** | GPU de consumo y CPU para referencia de tiempos | Infraestructura multi-GPU |
+Fuente: Elaboración propia.
 
 ### Relevancia y beneficiarios
 
@@ -118,11 +115,10 @@ La relevancia de este problema radica en su aplicabilidad inmediata. Una metodol
 
 ## Estructura del trabajo
 
-El documento sigue una estructura que refleja el proceso investigador. Tras esta introducción, el **Capítulo 2** sitúa el trabajo en su contexto técnico, revisando las tecnologías OCR basadas en aprendizaje profundo —desde las arquitecturas de detección hasta los modelos de reconocimiento— y los trabajos previos en optimización de estos sistemas.
+El documento sigue una estructura que refleja el proceso investigador. Tras esta introducción, el **Capítulo 2** sitúa el trabajo en su contexto técnico y revisa las tecnologías OCR basadas en aprendizaje profundo. Se describen las arquitecturas de detección, los modelos de reconocimiento y los trabajos previos en optimización de estos sistemas.
 
-El **Capítulo 3** traduce las preguntas de investigación en objetivos concretos siguiendo la metodología SMART, y describe con detalle el enfoque experimental: preparación del dataset, métricas de evaluación y configuración del proceso de optimización con Ray Tune y Optuna.
+El **Capítulo 3** traduce las preguntas de investigación en objetivos concretos, siguiendo la metodología SMART. Además, describe con detalle el enfoque experimental: preparación del dataset, métricas de evaluación y configuración del proceso de optimización con Ray Tune y Optuna.
 
-El núcleo del trabajo se desarrolla en el **Capítulo 4**, que presenta el estudio comparativo y la optimización de hiperparámetros estructurados en tres fases: planteamiento de la comparativa con evaluación de EasyOCR, PaddleOCR y DocTR; desarrollo de la optimización mediante 64 trials con Ray Tune; y análisis crítico de los resultados obtenidos.
+El núcleo del trabajo se desarrolla en el **Capítulo 4**, que presenta el estudio comparativo y la optimización de hiperparámetros en tres fases: planteamiento de la comparativa con evaluación de EasyOCR, PaddleOCR y DocTR; desarrollo de la optimización mediante 64 trials con Ray Tune; y análisis crítico de los resultados obtenidos.
 
 Finalmente, el **Capítulo 5** sintetiza las contribuciones, evalúa el grado de cumplimiento de los objetivos y propone líneas de trabajo futuro. Los **Anexos** proporcionan acceso al repositorio de código fuente y datos, así como tablas detalladas de resultados experimentales.
-

docs/02_contexto_estado_arte.md

@@ -1,6 +1,6 @@
 # Contexto y estado del arte
 
-Para comprender el alcance y las decisiones tomadas en este trabajo, es necesario situarlo en su contexto tecnológico. El Reconocimiento Óptico de Caracteres ha recorrido un largo camino desde los primeros sistemas de plantillas de los años 50 hasta las sofisticadas arquitecturas de aprendizaje profundo actuales. A lo largo de este capítulo se revisan los fundamentos técnicos del OCR moderno, se analizan las principales soluciones de código abierto y se identifican los vacíos en la literatura que motivan la contribución de este trabajo.
+Para comprender el alcance y las decisiones tomadas en este trabajo, es necesario situarlo en su contexto tecnológico. El Reconocimiento Óptico de Caracteres ha recorrido un largo camino desde los primeros sistemas de plantillas de los años 50 hasta las sofisticadas arquitecturas de aprendizaje profundo actuales. A lo largo de este capítulo se revisan los fundamentos técnicos del OCR moderno. Se analizan las principales soluciones de código abierto y se identifican los vacíos en la literatura que motivan la contribución de este trabajo.
 
 ## Contexto del problema
 
@@ -128,8 +128,7 @@ Las arquitecturas más utilizadas para detección de texto incluyen:
 | EAST | Single-shot | Cuadriláteros rotados | Rápido, simple | Dificultad con texto curvo |
 | CRAFT | Bottom-up | Polígonos de palabra | Robusto a espaciado | Mayor coste computacional |
 | DB | Segmentación | Polígonos arbitrarios | Rápido, preciso | Sensible a parámetros |
-
-*Fuente: Elaboración propia a partir de Zhou et al. (2017), Baek et al. (2019), Liao et al. (2020).*
+Fuente: Elaboración propia a partir de Zhou et al. (2017), Baek et al. (2019), Liao et al. (2020).
 
 #### Etapa 2: Reconocimiento de Texto (Text Recognition)
 
@@ -156,8 +155,7 @@ La arquitectura CRNN consta de tres componentes:
 | SVTR | ViT | Linear | CTC | Sin recurrencia |
 | Attention-based | CNN | LSTM+Attn | Cross-entropy | Flexible longitud |
 | TrOCR | ViT | Transformer | Cross-entropy | Estado del arte |
-
-*Fuente: Elaboración propia a partir de Shi et al. (2016), Du et al. (2022), Li et al. (2023).*
+Fuente: Elaboración propia a partir de Shi et al. (2016), Du et al. (2022), Li et al. (2023).
 
 ### Métricas de Evaluación
 
@@ -183,11 +181,7 @@ Donde:
 - I = número de inserciones de caracteres
 - N = número total de caracteres en el texto de referencia
 
-Un CER del 1% indica que, en promedio, 1 de cada 100 caracteres contiene un error. Para aplicaciones críticas como:
-- **Documentos financieros**: Se requiere CER < 0.1%
-- **Documentos médicos**: Se requiere CER < 0.5%
-- **Documentos académicos**: CER < 2% es aceptable
-- **Búsqueda y archivo**: CER < 5% puede ser suficiente
+Un CER bajo indica que el sistema comete pocos errores a nivel de carácter. Para aplicaciones críticas se requiere un nivel de error muy reducido, mientras que en tareas de búsqueda o archivo pueden aceptarse errores mayores.
 
 #### Word Error Rate (WER)
 
@@ -195,7 +189,7 @@ El WER mide el error a nivel de palabra, utilizando la misma fórmula pero consi
 
 $$WER = \frac{S_w + D_w + I_w}{N_w}$$
 
-El WER es generalmente mayor que el CER, ya que un solo error de carácter puede invalidar una palabra completa. La relación típica es WER ≈ 2-3 × CER para texto en español.
+El WER es generalmente mayor que el CER, ya que un solo error de carácter puede invalidar una palabra completa. Esta diferencia es relevante cuando se comparan sistemas que preservan caracteres pero pierden palabras completas.
 
 #### Otras Métricas Complementarias
 
@@ -301,8 +295,7 @@ PaddleOCR expone numerosos hiperparámetros que permiten ajustar el comportamien
 | `text_det_box_thresh` | Umbral de confianza para cajas detectadas | [0.0, 1.0] | 0.6 |
 | `text_det_unclip_ratio` | Factor de expansión de cajas detectadas | [0.0, 3.0] | 1.5 |
 | `text_det_limit_side_len` | Tamaño máximo del lado de imagen | [320, 2560] | 960 |
-
-*Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024).*
+Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024).
 
 **Tabla 7.** *Hiperparámetros de reconocimiento de PaddleOCR.*
 
@@ -311,8 +304,7 @@ PaddleOCR expone numerosos hiperparámetros que permiten ajustar el comportamien
 | `text_rec_score_thresh` | Umbral de confianza para resultados | [0.0, 1.0] | 0.5 |
 | `use_textline_orientation` | Activar clasificación de orientación de línea | {True, False} | False |
 | `rec_batch_size` | Tamaño de batch para reconocimiento | [1, 64] | 6 |
-
-*Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024).*
+Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024).
 
 **Tabla 8.** *Hiperparámetros de preprocesamiento de PaddleOCR.*
 
@@ -321,8 +313,7 @@ PaddleOCR expone numerosos hiperparámetros que permiten ajustar el comportamien
 | `use_doc_orientation_classify` | Clasificación de orientación del documento | Alto para documentos escaneados |
 | `use_doc_unwarping` | Corrección de deformación/curvatura | Alto para fotos de documentos |
 | `use_angle_cls` | Clasificador de ángulo 0°/180° | Medio para documentos rotados |
-
-*Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024).*
+Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024).
 
 **Fortalezas de PaddleOCR**:
 - Alta precisión en múltiples benchmarks
@@ -366,24 +357,22 @@ DocTR (Document Text Recognition) es una biblioteca desarrollada por Mindee (202
 | **Framework** | PyTorch | PaddlePaddle | TF/PyTorch |
 | **Detector** | CRAFT | DB | DB/LinkNet |
 | **Reconocedor** | CRNN | SVTR/CRNN | CRNN/SAR/ViTSTR |
-| **Idiomas** | 80+ | 80+ | 9 |
+| **Idiomas** | Multilingüe | Multilingüe | Limitado |
 | **Configurabilidad** | Baja | Alta | Media |
 | **Documentación** | Media | Alta (CN) | Alta (EN) |
 | **Actividad** | Media | Alta | Media |
 | **Licencia** | Apache 2.0 | Apache 2.0 | Apache 2.0 |
-
-*Fuente: Elaboración propia a partir de documentación oficial (2024).*
+Fuente: Elaboración propia a partir de documentación oficial (2024).
 
 **Tabla 10.** *Comparativa de facilidad de uso.*
 
 | Aspecto | EasyOCR | PaddleOCR | DocTR |
 |---------|---------|-----------|-------|
 | Instalación | `pip install` | `pip install` | `pip install` |
-| Líneas para OCR básico | 3 | 5 | 6 |
+| Complejidad de uso | Baja | Media | Media |
 | GPU requerida | Opcional | Opcional | Opcional |
-| Memoria mínima | 2 GB | 4 GB | 4 GB |
-
-*Fuente: Elaboración propia.*
+| Requisitos de memoria | Bajos | Medios | Medios |
+Fuente: Elaboración propia a partir de documentación oficial.
 
 ### Optimización de Hiperparámetros
 
@@ -544,7 +533,7 @@ Los principales recursos para evaluación de OCR en español incluyen:
 
 **FUNSD-ES**: Versión en español del Form Understanding in Noisy Scanned Documents dataset. Contiene formularios escaneados con anotaciones de texto y estructura.
 
-**MLT (ICDAR Multi-Language Text)**: Dataset multilingüe de las competiciones ICDAR que incluye muestras en español. Las ediciones 2017 y 2019 contienen texto en escenas naturales.
+**MLT (ICDAR Multi-Language Text)**: Dataset multilingüe de las competiciones ICDAR que incluye muestras en español. Las ediciones recientes contienen texto en escenas naturales.
 
 **XFUND**: Dataset de comprensión de formularios en múltiples idiomas, incluyendo español, con anotaciones de entidades y relaciones.
 
@@ -552,11 +541,10 @@ Los principales recursos para evaluación de OCR en español incluyen:
 
 | Dataset | Tipo | Idiomas | Tamaño | Uso principal |
 |---------|------|---------|--------|---------------|
-| FUNSD-ES | Formularios | ES | ~200 docs | Document understanding |
-| MLT 2019 | Escenas | Multi (incl. ES) | 10K imgs | Text detection |
-| XFUND | Formularios | 7 (incl. ES) | 1.4K docs | Information extraction |
-
-*Fuente: Elaboración propia a partir de repositorios oficiales.*
+| FUNSD-ES | Formularios | ES | Pequeño | Document understanding |
+| MLT | Escenas | Multi (incl. ES) | Medio | Text detection |
+| XFUND | Formularios | Multi (incl. ES) | Medio | Information extraction |
+Fuente: Elaboración propia a partir de repositorios oficiales.
 
 #### Limitaciones de Recursos para Español
 
@@ -568,6 +556,8 @@ Comparado con inglés y chino, el español cuenta con:
 
 Esta escasez de recursos específicos para español motivó la creación de un dataset propio basado en documentos académicos de UNIR para este trabajo.
 
+Además, se priorizó un dataset propio aunque fuera de tamaño reducido porque el objetivo era evaluar texto académico en un formato sencillo y reproducible (texto plano con índice), sin tablas ni estructuras complejas. Ese perfil no está bien cubierto por datasets públicos centrados en formularios o escenas naturales, por lo que se optó por un corpus controlado y alineado con el dominio del TFM.
+
 #### Trabajos Previos en OCR para Español
 
 Los trabajos previos en OCR para español se han centrado principalmente en:
@@ -585,15 +575,14 @@ Los trabajos previos en OCR para español se han centrado principalmente en:
 | Romero et al. (2013) | HTR histórico | Modelos HMM para manuscritos |
 | Bulatov et al. (2020) | Documentos ID | Pipeline especializado |
 | Fischer et al. (2012) | Multilingual | Transferencia entre idiomas |
-
-*Fuente: Elaboración propia.*
+Fuente: Elaboración propia.
 
 La optimización de hiperparámetros para documentos académicos en español representa una contribución original de este trabajo, abordando un nicho no explorado en la literatura.
 
 ## Conclusiones del capítulo
 
-La revisión del estado del arte revela un panorama en el que las herramientas técnicas están maduras, pero su aplicación óptima para dominios específicos permanece poco explorada. Los sistemas OCR modernos —PaddleOCR, EasyOCR, DocTR— ofrecen arquitecturas sofisticadas basadas en aprendizaje profundo que alcanzan resultados impresionantes en benchmarks estándar. Sin embargo, estos resultados no siempre se trasladan a documentos del mundo real, especialmente en idiomas con menos recursos como el español.
+La revisión del estado del arte revela un panorama en el que las herramientas técnicas están maduras, pero su aplicación óptima para dominios específicos permanece poco explorada. Los sistemas OCR modernos, como PaddleOCR, EasyOCR y DocTR, ofrecen arquitecturas sofisticadas basadas en aprendizaje profundo que alcanzan resultados impresionantes en benchmarks estándar. Sin embargo, estos resultados no siempre se trasladan a documentos del mundo real, especialmente en idiomas con menos recursos como el español.
 
-La evolución desde los sistemas de plantillas de los años 50 hasta los Transformers actuales ha sido espectacular, pero ha generado sistemas con decenas de hiperparámetros configurables cuyos valores por defecto representan compromisos generales, no configuraciones óptimas para dominios específicos. La literatura abunda en trabajos sobre entrenamiento y fine-tuning de modelos OCR, pero dedica poca atención a la optimización sistemática de los parámetros de inferencia —umbrales de detección, opciones de preprocesamiento, filtros de confianza— que pueden marcar la diferencia entre un sistema usable y uno que requiere corrección manual extensiva.
+La evolución desde los sistemas de plantillas de los años 50 hasta los Transformers actuales ha sido espectacular, pero ha generado sistemas con decenas de hiperparámetros configurables cuyos valores por defecto representan compromisos generales, no configuraciones óptimas para dominios específicos. La literatura abunda en trabajos sobre entrenamiento y fine-tuning de modelos OCR, pero dedica poca atención a la optimización sistemática de los parámetros de inferencia, como umbrales de detección, opciones de preprocesamiento y filtros de confianza, que pueden marcar la diferencia entre un sistema usable y uno que requiere corrección manual extensiva.
 
 Este vacío, combinado con las particularidades del español (acentos, eñes, signos invertidos) y la escasez de recursos específicos para este idioma, define el espacio de contribución del presente trabajo. Frameworks como Ray Tune y Optuna proporcionan las herramientas para abordar esta optimización de manera sistemática; PaddleOCR, con su pipeline altamente configurable, ofrece el sustrato técnico adecuado. El siguiente capítulo traduce esta oportunidad en objetivos concretos y una metodología experimental rigurosa.

docs/03_objetivos_metodologia.md

@@ -17,8 +17,7 @@ La motivación presentada en el capítulo anterior se traduce ahora en objetivos
 | **Alcanzable (A)** | Es viable dado que: (1) PaddleOCR permite configuración de hiperparámetros, (2) Ray Tune posibilita búsqueda automatizada, (3) Aceleración GPU disponible para experimentación eficiente |
 | **Relevante (R)** | El impacto es demostrable: mejora la extracción de texto en documentos académicos sin costes adicionales de infraestructura |
 | **Temporal (T)** | El plazo es un cuatrimestre, correspondiente al TFM |
-
-*Fuente: Elaboración propia.*
+Fuente: [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md).
 
 ## Objetivos específicos
 
@@ -41,7 +40,7 @@ La motivación presentada en el capítulo anterior se traduce ahora en objetivos
 
 ### Visión General
 
-La metodología se estructura en cinco fases secuenciales, cada una de las cuales produce resultados que alimentan la siguiente. Desde la preparación del dataset hasta la validación final, el proceso sigue un diseño experimental que permite reproducir y verificar cada paso.
+La metodología se estructura en cinco fases secuenciales, cada una de las cuales produce resultados que alimentan la siguiente. Desde la preparación del dataset hasta la validación final, el proceso sigue un diseño experimental. Esto permite reproducir y verificar cada paso.
 
 ```mermaid
 ---
@@ -118,7 +117,7 @@ flowchart LR
 
 #### Clase ImageTextDataset
 
-Se implementó una clase Python para cargar pares imagen-texto que retorna tuplas (PIL.Image, str) desde carpetas pareadas. La implementación completa está disponible en `src/ocr_benchmark_notebook.ipynb` (ver Anexo A).
+Se implementó una clase Python para cargar pares imagen-texto que retorna tuplas (PIL.Image, str) desde carpetas pareadas. La implementación se encuentra en [`src/prepare_dataset.ipynb`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/prepare_dataset.ipynb) y en [`src/paddle_ocr/dataset_manager.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/dataset_manager.py), [`src/easyocr_service/dataset_manager.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/dataset_manager.py), [`src/doctr_service/dataset_manager.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/dataset_manager.py).)
 
 ### Fase 2: Benchmark Comparativo
 
@@ -129,14 +128,13 @@ Se implementó una clase Python para cargar pares imagen-texto que retorna tupla
 | Modelo | Versión | Configuración |
 |--------|---------|---------------|
 | EasyOCR | - | Idiomas: ['es', 'en'] |
-| PaddleOCR | PP-OCRv5 | Modelos server_det + server_rec |
+| PaddleOCR | PP-OCRv5 | Modelos Mobile (limitación de VRAM) |
 | DocTR | - | db_resnet50 + sar_resnet31 |
-
-*Fuente: Elaboración propia.*
+Fuente: [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md).
 
 #### Métricas de Evaluación
 
-Se utilizó la biblioteca `jiwer` para calcular CER y WER comparando el texto de referencia con la predicción del modelo OCR. La implementación está disponible en `src/ocr_benchmark_notebook.ipynb` (ver Anexo A).
+Se utilizó la biblioteca `jiwer` para calcular CER y WER comparando el texto de referencia con la predicción del modelo OCR. La implementación se encuentra en [`src/paddle_ocr/paddle_ocr_tuning_rest.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/paddle_ocr_tuning_rest.py), [`src/easyocr_service/easyocr_tuning_rest.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/easyocr_tuning_rest.py) y [`src/doctr_service/doctr_tuning_rest.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/doctr_tuning_rest.py).)
 
 ### Fase 3: Espacio de Búsqueda
 
@@ -153,12 +151,11 @@ Se utilizó la biblioteca `jiwer` para calcular CER y WER comparando el texto de
 | `text_det_box_thresh` | Continuo | [0.0, 0.7] | Umbral de caja de detección |
 | `text_det_unclip_ratio` | Fijo | 0.0 | Coeficiente de expansión (fijado) |
 | `text_rec_score_thresh` | Continuo | [0.0, 0.7] | Umbral de confianza de reconocimiento |
-
-*Fuente: Elaboración propia.*
+Fuente: Elaboración propia.
 
 #### Configuración de Ray Tune
 
-El espacio de búsqueda se definió utilizando `tune.choice()` para parámetros booleanos y `tune.uniform()` para parámetros continuos, con OptunaSearch como algoritmo de optimización configurado para minimizar CER en 64 trials. La implementación completa está disponible en `src/raytune/raytune_ocr.py` (ver Anexo A).
+El espacio de búsqueda se definió utilizando `tune.choice()` para parámetros booleanos y `tune.uniform()` para parámetros continuos, con OptunaSearch como algoritmo de optimización configurado para minimizar CER en 64 trials. La implementación completa está disponible en [`src/raytune/raytune_ocr.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune/raytune_ocr.py) (ver Anexo A).
 
 ### Fase 4: Ejecución de Optimización
 
@@ -168,7 +165,7 @@ Se implementó una arquitectura basada en contenedores Docker para aislar los se
 
 #### Ejecución con Docker Compose
 
-Los servicios se orquestan mediante Docker Compose (`src/docker-compose.tuning.*.yml`):
+Los servicios se orquestan mediante Docker Compose ([`src/docker-compose.tuning.paddle.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.paddle.yml), [`src/docker-compose.tuning.doctr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.doctr.yml), [`src/docker-compose.tuning.easyocr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.easyocr.yml), [`src/docker-compose.tuning.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.yml)):
 
 ```bash
 # Iniciar servicio OCR
@@ -181,18 +178,18 @@ docker compose -f docker-compose.tuning.doctr.yml run raytune --service doctr --
 docker compose -f docker-compose.tuning.doctr.yml down
 ```
 
-El servicio OCR expone una API REST que retorna métricas en formato JSON:
+El servicio OCR expone una API REST que retorna métricas en formato JSON. Ejemplo real de un trial con mejor CER:
 
 ```json
 {
-    "CER": 0.0149,
-    "WER": 0.0762,
-    "TIME": 15.8,
-    "PAGES": 5,
-    "TIME_PER_PAGE": 3.16
+    "CER": 0.007884,
+    "WER": 0.077848,
+    "TIME_PER_PAGE": 0.5895
 }
 ```
 
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
+
 ### Fase 5: Validación
 
 #### Protocolo de Validación
@@ -214,23 +211,21 @@ El servicio OCR expone una API REST que retorna métricas en formato JSON:
 | RAM | 16 GB DDR4 |
 | GPU | NVIDIA RTX 3060 Laptop (5.66 GB VRAM) |
 | Almacenamiento | SSD |
-
-*Fuente: Elaboración propia.*
+Fuente: [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md).
 
 #### Software
 
-**Tabla 17.** *Versiones de software utilizadas.*
+**Tabla 17.** *Software utilizado en el entorno de desarrollo.*
 
 | Componente | Versión |
 |------------|---------|
-| Sistema Operativo | Ubuntu 24.04.3 LTS |
-| Python | 3.12.3 |
-| PaddleOCR | 3.3.2 |
 | PaddlePaddle | 3.2.2 |
-| Ray | 2.52.1 |
+| PaddleOCR | 3.3.2 |
+| Ray Tune | 2.52.1 |
 | Optuna | 4.7.0 |
-
-*Fuente: Elaboración propia.*
+| DocTR (python-doctr) | >= 0.8.0 |
+| EasyOCR | >= 1.7.0 |
+Fuente: [`src/paddle_ocr/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/requirements.txt), [`src/raytune/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune/requirements.txt), [`src/doctr_service/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/requirements.txt), [`src/easyocr_service/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/requirements.txt).
 
 #### Justificación de Ejecución Local vs Cloud
 
@@ -243,8 +238,7 @@ La decisión de ejecutar los experimentos en hardware local en lugar de utilizar
 | AWS EC2 g4dn.xlarge | NVIDIA T4 (16 GB) | $0.526 | ~$384 |
 | Google Colab Pro | T4/P100 | ~$1.30 | $10 + CU extras |
 | Google Colab Pro+ | T4/V100/A100 | ~$1.30 | $50 + CU extras |
-
-*Fuente: Elaboración propia a partir de precios públicos de AWS y Google Cloud (enero 2026).*
+Fuente: Precios públicos de AWS y Google Cloud. Ver Anexo A, sección de fuentes de precios cloud (enero 2026).
 
 Para las tareas específicas de este proyecto, los costos estimados en cloud serían:
 
@@ -255,8 +249,7 @@ Para las tareas específicas de este proyecto, los costos estimados en cloud ser
 | Ajuste hiperparámetros (64×3 trials) | ~3 horas | ~$1.58 | ~$3.90 |
 | Evaluación completa (45 páginas) | ~5 min | ~$0.04 | ~$0.11 |
 | Desarrollo y depuración (20 horas/mes) | 20 horas | ~$10.52 | ~$26.00 |
-
-*Fuente: Elaboración propia.*
+Fuente: Elaboración propia a partir de precios públicos. Ver Anexo A, sección de fuentes de precios cloud (enero 2026).
 
 Las ventajas de la ejecución local incluyen:
 
@@ -266,7 +259,7 @@ Las ventajas de la ejecución local incluyen:
 4. **Almacenamiento local**: Dataset y resultados en disco sin costos de transferencia
 5. **Iteración rápida**: Reinicio inmediato de contenedores Docker para depuración
 
-Para un proyecto de investigación con múltiples iteraciones de ajuste de hiperparámetros, la ejecución local ahorra aproximadamente $50-100 mensuales comparado con servicios cloud, además de ofrecer mayor flexibilidad en la velocidad de iteración durante el desarrollo.
+Para un proyecto de investigación con múltiples iteraciones de ajuste de hiperparámetros, la ejecución local reduce costos frente a servicios cloud. Este análisis se detalla en [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md).)
 
 ### Limitaciones Metodológicas
 
@@ -280,9 +273,8 @@ Para un proyecto de investigación con múltiples iteraciones de ajuste de hiper
 
 ## Síntesis del capítulo
 
-Los objetivos y la metodología definidos en este capítulo establecen el marco para la experimentación. El objetivo general —alcanzar un CER inferior al 2% mediante optimización de hiperparámetros— se descompone en cinco objetivos específicos que abarcan desde la comparativa inicial de soluciones hasta la validación final de la configuración optimizada.
+Los objetivos y la metodología definidos en este capítulo establecen el marco para la experimentación. El objetivo general, alcanzar un CER inferior al 2% mediante optimización de hiperparámetros, se descompone en cinco objetivos específicos que abarcan desde la comparativa inicial de soluciones hasta la validación final de la configuración optimizada.
 
-La metodología experimental en cinco fases garantiza un proceso sistemático y reproducible: preparación de un dataset de 45 páginas, benchmark comparativo de tres motores OCR, definición del espacio de búsqueda, ejecución de 64 trials con Ray Tune y Optuna, y validación de la configuración resultante. Las limitaciones metodológicas —tamaño del dataset, subconjunto de optimización reducido, texto de referencia automático— se reconocen explícitamente para contextualizar la interpretación de resultados.
+La metodología experimental en cinco fases garantiza un proceso sistemático y reproducible: preparación de un dataset de 45 páginas, benchmark comparativo de tres motores OCR, definición del espacio de búsqueda, ejecución de 64 trials con Ray Tune y Optuna, y validación de la configuración resultante. Las limitaciones metodológicas, como el tamaño del dataset, el subconjunto de optimización reducido y el texto de referencia automático, se reconocen explícitamente para contextualizar la interpretación de resultados.
 
 El capítulo siguiente pone en práctica esta metodología, presentando el desarrollo experimental completo con sus resultados y análisis.
-

docs/04_desarrollo_especifico.md

@@ -1,18 +1,18 @@
 # Desarrollo específico de la contribución
 
-El presente capítulo constituye el núcleo técnico de este trabajo fin de máster. Siguiendo la estructura de "Comparativa de soluciones" establecida por las instrucciones de UNIR, se desarrollan tres fases interrelacionadas: el planteamiento y ejecución del benchmark comparativo, el proceso de optimización de hiperparámetros mediante Ray Tune, y finalmente el análisis e interpretación de los resultados obtenidos.
+El presente capítulo constituye el núcleo técnico de este trabajo fin de máster. Siguiendo la estructura de "Comparativa de soluciones" establecida por las instrucciones de UNIR, se desarrollan tres fases interrelacionadas. Estas fases son tres: planteamiento y ejecución del benchmark comparativo, optimización de hiperparámetros mediante Ray Tune, y análisis e interpretación de los resultados.
 
 ## Planteamiento de la comparativa
 
 ### Introducción
 
-Antes de abordar la optimización de hiperparámetros, era necesario seleccionar el motor OCR que serviría como base para la experimentación. Para ello, se realizó un estudio comparativo entre tres soluciones de código abierto representativas del estado del arte: EasyOCR, PaddleOCR y DocTR. Los experimentos, documentados en el notebook `ocr_benchmark_notebook.ipynb` del repositorio, permitieron identificar el modelo más prometedor para la fase de optimización posterior.
+Antes de abordar la optimización de hiperparámetros, era necesario seleccionar el motor OCR que serviría como base para la experimentación. Para ello, se realizó un estudio comparativo entre tres soluciones de código abierto representativas del estado del arte: EasyOCR, PaddleOCR y DocTR. Los experimentos, documentados en los informes de métricas y en los CSV de resultados del repositorio, permitieron identificar el modelo más prometedor para la fase de optimización posterior.
 
 ### Identificación del Problema
 
-El reconocimiento óptico de caracteres en documentos académicos en español presenta desafíos específicos que la literatura no ha abordado en profundidad. A diferencia de los benchmarks estándar en inglés, los documentos académicos hispanohablantes combinan características ortográficas propias —acentos, eñes, diéresis y signos de puntuación invertidos— con layouts estructuralmente complejos.
+El reconocimiento óptico de caracteres en documentos académicos en español presenta desafíos específicos que la literatura no ha abordado en profundidad. A diferencia de los benchmarks estándar en inglés, los documentos académicos hispanohablantes combinan características ortográficas propias, como acentos, eñes, diéresis y signos de puntuación invertidos, con una estructura sencilla basada en índice y encabezados.
 
-Los documentos académicos típicos incluyen texto corrido entremezclado con tablas, listas numeradas, encabezados multinivel y notas al pie, lo que complica significativamente la tarea de ordenación del texto reconocido. A esto se suma el uso de tipografía profesional con múltiples fuentes, tamaños y estilos (negrita, cursiva), que puede confundir a los modelos de reconocimiento. Aunque los PDFs digitales suelen tener alta calidad, pueden contener artefactos de compresión que degradan la legibilidad de caracteres pequeños o de bajo contraste.
+Los documentos académicos típicos incluyen texto corrido con índice, listas numeradas, encabezados multinivel y notas al pie, lo que complica la tarea de ordenación del texto reconocido. A esto se suma el uso de tipografía profesional con múltiples fuentes, tamaños y estilos (negrita, cursiva), que puede confundir a los modelos de reconocimiento. Aunque los PDFs digitales suelen tener alta calidad, pueden contener artefactos de compresión que degradan la legibilidad de caracteres pequeños o de bajo contraste.
 
 ### Alternativas Evaluadas
 
@@ -25,10 +25,9 @@ Se seleccionaron tres soluciones OCR de código abierto representativas del esta
 | EasyOCR | Jaided AI | Última estable | Popularidad, facilidad de uso |
 | PaddleOCR | Baidu | PP-OCRv5 | Estado del arte industrial |
 | DocTR | Mindee | Última estable | Orientación académica |
+Fuente: [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md).
 
-*Fuente: Elaboración propia.*
-
-**Imágenes Docker disponibles en el registro del proyecto:**
+Imágenes Docker disponibles en el registro del proyecto:
 - PaddleOCR: [`seryus.ddns.net/unir/paddle-ocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-gpu/latest), [`seryus.ddns.net/unir/paddle-ocr-cpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-cpu/latest)
 - EasyOCR: [`seryus.ddns.net/unir/easyocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/easyocr-gpu/latest)
 - DocTR: [`seryus.ddns.net/unir/doctr-gpu`](https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest)
@@ -47,7 +46,7 @@ Los criterios establecidos para evaluar las soluciones fueron:
 
 #### Dataset de Evaluación
 
-Se utilizó el documento "Instrucciones para la redacción y elaboración del TFE" del Máster Universitario en Inteligencia Artificial de UNIR, ubicado en la carpeta `instructions/`.
+Se utilizó el documento "Instrucciones para la redacción y elaboración del TFE" del Máster Universitario en Inteligencia Artificial de UNIR, ubicado en la carpeta [`instructions/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/instructions/).
 
 **Tabla 21.** *Características del dataset de evaluación inicial.*
 
@@ -59,55 +58,55 @@ Se utilizó el documento "Instrucciones para la redacción y elaboración del TF
 | Idioma principal | Español |
 | Resolución de conversión | 300 DPI |
 | Formato de imagen | PNG |
-
-*Fuente: Elaboración propia.*
+Fuente: [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md).
 
 #### Proceso de Conversión
 
-La conversión del PDF a imágenes se realizó mediante PyMuPDF (fitz) a 300 DPI, resolución estándar para OCR que proporciona suficiente detalle para caracteres pequeños sin generar archivos excesivamente grandes. La implementación está disponible en `src/ocr_benchmark_notebook.ipynb` (ver Anexo A).
+La conversión del PDF a imágenes se realizó mediante PyMuPDF (fitz) a 300 DPI, resolución estándar para OCR que proporciona suficiente detalle para caracteres pequeños sin generar archivos excesivamente grandes. La implementación está disponible en [`src/prepare_dataset.ipynb`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/prepare_dataset.ipynb).
 
 #### Extracción del Ground Truth
 
-El texto de referencia se extrajo directamente del PDF mediante PyMuPDF, preservando la estructura de líneas del documento original. Esta aproximación puede introducir errores en layouts muy complejos (tablas anidadas, texto en columnas). La implementación está disponible en `src/ocr_benchmark_notebook.ipynb` (ver Anexo A).
+El texto de referencia se extrajo directamente del PDF mediante PyMuPDF, preservando la estructura de líneas del documento original. Esta aproximación puede introducir errores en el orden de lectura cuando hay secciones con encabezados, listas o saltos de línea, por lo que se documenta junto al pipeline de preparación en [`src/prepare_dataset.ipynb`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/prepare_dataset.ipynb). Para la comparación entre motores, las salidas se guardan en `debugset/` al activar `save_output=True`, y el flujo de trabajo se describe en [`src/README.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/README.md) y en los README de cada servicio: [`src/paddle_ocr/README.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/README.md), [`src/easyocr_service/README.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/README.md), [`src/doctr_service/README.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/README.md).
 
 #### Configuración de los Modelos
 
-La configuración de cada modelo se detalla en `src/ocr_benchmark_notebook.ipynb` (ver Anexo A):
+La configuración de cada modelo se detalla en los README de cada servicio y sus ficheros de dependencias:
 
 - **EasyOCR**: Configurado con soporte para español e inglés, permitiendo reconocer palabras en ambos idiomas que puedan aparecer en documentos académicos (referencias, términos técnicos).
 
-- **PaddleOCR (PP-OCRv5)**: Se utilizaron los modelos "server" (PP-OCRv5_server_det y PP-OCRv5_server_rec) que ofrecen mayor precisión a costa de mayor tiempo de inferencia. La versión utilizada fue PaddleOCR 3.2.0.
+- **PaddleOCR (PP-OCRv5)**: Se utilizaron los modelos Mobile, adecuados para la VRAM disponible. Los modelos Server se probaron y produjeron OOM en este hardware. La versión utilizada fue PaddleOCR 3.3.2.
 
 - **DocTR**: Se seleccionaron las arquitecturas db_resnet50 para detección y sar_resnet31 para reconocimiento, representando una configuración de alta precisión.
 
+Fuente: [`src/paddle_ocr/README.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/README.md), [`src/easyocr_service/README.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/README.md), [`src/doctr_service/README.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/README.md), [`src/paddle_ocr/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/requirements.txt), [`src/easyocr_service/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/requirements.txt), [`src/doctr_service/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/requirements.txt).
+
 #### Métricas de Evaluación
 
-Se utilizó la biblioteca `jiwer` para calcular CER y WER de manera estandarizada. La normalización a minúsculas y eliminación de espacios extremos asegura una comparación justa que no penaliza diferencias de capitalización. La implementación está disponible en `src/ocr_benchmark_notebook.ipynb` (ver Anexo A).
+Se utilizó la biblioteca `jiwer` para calcular CER y WER de manera estandarizada. La normalización a minúsculas y eliminación de espacios extremos asegura una comparación justa que no penaliza diferencias de capitalización. La implementación está disponible en [`src/paddle_ocr/paddle_ocr_tuning_rest.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/paddle_ocr_tuning_rest.py), [`src/easyocr_service/easyocr_tuning_rest.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/easyocr_tuning_rest.py) y [`src/doctr_service/doctr_tuning_rest.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/doctr_tuning_rest.py).
 
 ### Resultados del Benchmark
 
 #### Resultados de PaddleOCR (Configuración Baseline)
 
-Durante el benchmark inicial se evaluó PaddleOCR con configuración por defecto en un subconjunto del dataset. Los resultados preliminares mostraron variabilidad significativa entre páginas, con CER entre 1.54% y 6.40% dependiendo de la complejidad del layout.
+Durante el benchmark inicial se evaluó PaddleOCR con configuración por defecto en un subconjunto del dataset. Los resultados preliminares mostraron variabilidad significativa entre páginas, en función de los cambios de formato y de la estructura del texto.
 
-**Tabla 22.** *Variabilidad del CER por tipo de contenido.*
+**Tabla 22.** *Variabilidad del error por tipo de contenido.*
 
-| Tipo de contenido | CER aproximado | Observaciones |
-|-------------------|----------------|---------------|
-| Texto corrido | ~1.5-2% | Mejor rendimiento |
-| Texto con listas | ~3-4% | Rendimiento medio |
-| Tablas | ~5-6% | Mayor dificultad |
-| Encabezados + notas | ~4-5% | Layouts mixtos |
-
-*Fuente: Elaboración propia a partir del benchmark.*
+| Tipo de contenido | Nivel de error | Observaciones |
+|-------------------|---------------|---------------|
+| Texto corrido | Bajo | Mejor rendimiento |
+| Texto con listas | Medio | Rendimiento intermedio |
+| Índice y encabezados | Medio | Orden de lectura sensible |
+| Encabezados + notas | Medio | Variación tipográfica |
+Fuente: Elaboración propia a partir del benchmark.
 
 **Observaciones del benchmark inicial:**
 
-1. Las páginas con tablas y layouts complejos presentaron mayor error debido a la dificultad de ordenar correctamente las líneas de texto.
+1. Las páginas con más cambios de formato y listados presentaron mayor error debido a la dificultad de ordenar correctamente las líneas de texto.
 
-2. La página con texto corrido continuo obtuvo el mejor resultado (CER ~1.5%), demostrando la capacidad del modelo para texto estándar.
+2. La página con texto corrido continuo obtuvo el mejor resultado, demostrando la capacidad del modelo para texto estándar.
 
-3. El promedio general se situó en CER ~5-6%, superando el umbral de aceptabilidad para documentos académicos pero con margen de mejora.
+3. El promedio general se situó en un rango medio de error, con margen de mejora.
 
 4. Los errores más frecuentes fueron: confusión de acentos, caracteres duplicados, y errores en signos de puntuación.
 
@@ -122,8 +121,7 @@ Los tres modelos evaluados representan diferentes paradigmas de OCR:
 | **EasyOCR** | End-to-end (det + rec) | CRAFT + CRNN/Transformer | Ligero, fácil de usar, multilingüe |
 | **PaddleOCR** | End-to-end (det + rec + cls) | DB + SVTR/CRNN | Soporte multilingüe robusto, pipeline configurable |
 | **DocTR** | End-to-end (det + rec) | DB/LinkNet + CRNN/SAR/ViTSTR | Orientado a investigación, API limpia |
-
-*Fuente: Documentación oficial de cada herramienta (JaidedAI, 2020; PaddlePaddle, 2024; Mindee, 2021).*
+Fuente: Documentación oficial de cada herramienta (JaidedAI, 2020; PaddlePaddle, 2024; Mindee, 2021).
 
 #### Análisis Cualitativo de Errores
 
@@ -156,17 +154,16 @@ Un análisis cualitativo de los errores producidos reveló patrones específicos
 
 La selección de PaddleOCR para la fase de optimización se basó en los siguientes criterios:
 
-**Tabla 24.** *Evaluación de criterios de selección.*
+**Tabla 24.** *Evaluación de criterios de selección (cualitativa).*
 
 | Criterio | EasyOCR | PaddleOCR | DocTR |
 |----------|---------|-----------|-------|
-| CER benchmark | ~6-8% | ~5-6% | ~7-9% |
-| Configurabilidad | Baja (3 params) | **Alta (>10 params)** | Media (5 params) |
+| CER benchmark | Medio | **Mejor** | Medio |
+| Configurabilidad | Baja | **Alta** | Media |
 | Soporte español | Sí | **Sí (dedicado)** | Limitado |
 | Documentación | Media | **Alta** | Alta |
 | Mantenimiento | Medio | **Alto** | Medio |
-
-*Fuente: Elaboración propia.*
+Fuente: Elaboración propia a partir del benchmark y la documentación de cada herramienta.
 
 #### Hiperparámetros Disponibles en PaddleOCR
 
@@ -191,8 +188,8 @@ Esta riqueza de configuración permite explorar sistemáticamente el espacio de
 
 **Se selecciona PaddleOCR (PP-OCRv5)** para la fase de optimización debido a:
 
-1. **Resultados iniciales prometedores**: CER ~5% en configuración por defecto, con potencial de mejora
-2. **Alta configurabilidad**: Más de 10 hiperparámetros ajustables en tiempo de inferencia
+1. **Resultados iniciales prometedores**: Rendimiento base competitivo con margen de mejora
+2. **Alta configurabilidad**: Múltiples hiperparámetros ajustables en tiempo de inferencia
 3. **Pipeline modular**: Permite aislar el impacto de cada componente
 4. **Soporte activo para español**: Modelos específicos y actualizaciones frecuentes
 5. **Documentación técnica**: Descripción detallada de cada parámetro
@@ -203,23 +200,21 @@ Esta riqueza de configuración permite explorar sistemáticamente el espacio de
 
 2. **Único tipo de documento**: Documentos académicos de UNIR únicamente. Otros tipos de documentos (facturas, formularios, contratos) podrían presentar resultados diferentes.
 
-3. **Ground truth automático**: El texto de referencia se extrajo programáticamente del PDF, lo cual puede introducir errores en layouts complejos donde el orden de lectura no es evidente.
+3. **Ground truth automático**: El texto de referencia se extrajo programáticamente del PDF, lo cual puede introducir errores en el orden de lectura cuando hay secciones con encabezados y saltos de línea.
 
-4. **Ejecución en CPU**: Todos los experimentos se realizaron en CPU, limitando la exploración de configuraciones que podrían beneficiarse de aceleración GPU.
+4. **Referencia CPU separada**: Los tiempos en CPU se midieron en un experimento independiente y solo se usan como comparación de rendimiento frente a GPU.
 
 ### Síntesis del Benchmark
 
-El benchmark comparativo ha permitido identificar PaddleOCR como la solución más prometedora para la fase de optimización, gracias a su combinación de rendimiento base aceptable (~5-6% CER), alta configurabilidad del pipeline y documentación técnica completa. Sin embargo, el análisis también reveló limitaciones importantes: el tamaño reducido del benchmark (5 páginas), la restricción a un único tipo de documento, y la extracción automática del ground truth que puede introducir errores en layouts complejos. Estas limitaciones se tendrán en cuenta al interpretar los resultados de la fase de optimización.
+El benchmark comparativo ha permitido identificar PaddleOCR como la solución más prometedora para la fase de optimización, gracias a su combinación de rendimiento base competitivo, alta configurabilidad del pipeline y documentación técnica completa. Sin embargo, el análisis también reveló limitaciones importantes: el tamaño reducido del benchmark (5 páginas), la restricción a un único tipo de documento, y la extracción automática del ground truth que puede introducir errores en el orden de lectura cuando hay secciones con encabezados y saltos de línea. Estas limitaciones se tendrán en cuenta al interpretar los resultados de la fase de optimización.
 
-**Fuentes de datos:** `ocr_benchmark_notebook.ipynb` y documentación oficial de PaddleOCR.
+Fuente: [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md), [`src/results/*.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/*.csv), documentación oficial de PaddleOCR.
 
 ## Desarrollo de la comparativa: Optimización de hiperparámetros
 
 ### Introducción
 
-Una vez seleccionado PaddleOCR como motor base, el siguiente paso fue explorar sistemáticamente su espacio de configuración para identificar los hiperparámetros que maximizan el rendimiento en documentos académicos en español. Para ello se empleó Ray Tune con el algoritmo de búsqueda Optuna, una combinación que permite explorar eficientemente espacios de búsqueda mixtos (parámetros continuos y categóricos). Los experimentos se implementaron en [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py) con apoyo de la librería [`src/raytune_ocr.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/raytune_ocr.py), almacenándose los resultados en [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results).
-
-Esta aproximación ofrece ventajas significativas frente al fine-tuning tradicional: no requiere datasets de entrenamiento etiquetados, no modifica los pesos del modelo preentrenado, y puede ejecutarse con hardware de consumo cuando se dispone de aceleración GPU.
+Una vez seleccionado PaddleOCR como motor base, el siguiente paso fue explorar sistemáticamente su espacio de configuración para identificar los hiperparámetros que maximizan el rendimiento en documentos académicos en español. Para ello se empleó Ray Tune con el algoritmo de búsqueda Optuna, una combinación que permite explorar eficientemente espacios de búsqueda mixtos (parámetros continuos y categóricos). Los experimentos se implementaron en [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/run_tuning.py) con apoyo de la librería [`src/raytune_ocr.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_ocr.py), almacenándose los resultados en [`src/results`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results). Esta aproximación ofrece ventajas significativas frente al fine-tuning tradicional: no requiere datasets de entrenamiento etiquetados, no modifica los pesos del modelo preentrenado, y puede ejecutarse con hardware de consumo cuando se dispone de aceleración GPU.
 
 ### Configuración del Experimento
 
@@ -240,8 +235,7 @@ El experimento se ejecutó en el siguiente entorno:
 | CPU | AMD Ryzen 7 5800H |
 | RAM | 16 GB DDR4 |
 | GPU | NVIDIA RTX 3060 Laptop (5.66 GB VRAM) |
-
-*Fuente: Configuración del entorno de ejecución. Resultados en `src/results/` generados por `src/run_tuning.py`.*
+Fuente: [`src/paddle_ocr/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/requirements.txt), [`src/raytune/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune/requirements.txt), [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md).
 
 #### Arquitectura de Ejecución
 
@@ -275,7 +269,7 @@ flowchart LR
     A -.->|"Health check /health"| B
 ```
 
-La arquitectura containerizada (`src/docker-compose.tuning.*.yml`) ofrece:
+La arquitectura containerizada  [`src/docker-compose.tuning.paddle.yml)`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.paddle.yml))))), [`src/docker-compose.tuning.doctr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.doctr.yml), [`src/docker-compose.tuning.easyocr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.easyocr.yml), [`src/docker-compose.tuning.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.yml)ofrece:
 1. Aislamiento de dependencias entre Ray Tune y los motores OCR
 2. Health checks automáticos para asegurar disponibilidad del servicio
 3. Comunicación via API REST (endpoints `/health` y `/evaluate`)
@@ -316,8 +310,7 @@ La infraestructura del proyecto se basa en contenedores Docker para garantizar r
 | [`seryus.ddns.net/unir/easyocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/easyocr-gpu/latest) | EasyOCR con aceleración GPU | `nvidia/cuda:13.0.2-cudnn-runtime` | 8002* |
 | [`seryus.ddns.net/unir/doctr-gpu`](https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest) | DocTR con aceleración GPU | `nvidia/cuda:13.0.2-cudnn-runtime` | 8003 |
 | [`seryus.ddns.net/unir/raytune`](https://seryus.ddns.net/unir/-/packages/container/raytune/latest) | Orquestador Ray Tune | `python:3.12-slim` | - |
-
-*Fuente: Elaboración propia. Dockerfiles disponibles en [`src/paddle_ocr/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/paddle_ocr), [`src/easyocr_service/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/easyocr_service), [`src/doctr_service/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/doctr_service), [`src/raytune/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/raytune).*
+Fuente: Elaboración propia. Dockerfiles disponibles en [`src/paddle_ocr`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr), [`src/easyocr_service`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service), [`src/doctr_service`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service), [`src/raytune`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune).
 
 ##### Arquitectura de Microservicios
 
@@ -390,7 +383,7 @@ flowchart LR
 
 **Ventajas de esta estrategia:**
 1. **Caché de dependencias**: La etapa base (CUDA + dependencias) se cachea y reutiliza
-2. **Builds rápidos**: Los cambios de código solo reconstruyen la etapa de deploy (~10 segundos)
+2. **Builds rápidos**: Los cambios de código solo reconstruyen la etapa de deploy
 3. **Imágenes optimizadas**: Solo se incluyen los archivos necesarios para ejecución
 
 ##### Docker Compose Files
@@ -401,12 +394,11 @@ El proyecto incluye múltiples archivos Docker Compose para diferentes escenario
 
 | Archivo | Propósito | Servicios |
 |---------|-----------|-----------|
-| [`docker-compose.tuning.yml`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/docker-compose.tuning.yml) | Optimización principal | RayTune + PaddleOCR + DocTR |
-| [`docker-compose.tuning.easyocr.yml`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/docker-compose.tuning.easyocr.yml) | Optimización EasyOCR | RayTune + EasyOCR |
-| [`docker-compose.tuning.paddle.yml`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/docker-compose.tuning.paddle.yml) | Optimización PaddleOCR | RayTune + PaddleOCR |
-| [`docker-compose.tuning.doctr.yml`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/docker-compose.tuning.doctr.yml) | Optimización DocTR | RayTune + DocTR |
-
-*Fuente: Elaboración propia.*
+| [`src/docker-compose.tuning.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.yml)| Optimización principal | RayTune + PaddleOCR + DocTR |
+| [`src/docker-compose.tuning.easyocr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.easyocr.yml)| Optimización EasyOCR | RayTune + EasyOCR |
+| [`src/docker-compose.tuning.paddle.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.paddle.yml)| Optimización PaddleOCR | RayTune + PaddleOCR |
+| [`src/docker-compose.tuning.doctr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.doctr.yml)| Optimización DocTR | RayTune + DocTR |
+Fuente: [`src/docker-compose.tuning.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.yml), [`src/docker-compose.tuning.easyocr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.easyocr.yml), [`src/docker-compose.tuning.paddle.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.paddle.yml), [`src/docker-compose.tuning.doctr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.doctr.yml).
 
 > **Nota:** EasyOCR y PaddleOCR utilizan el mismo puerto (8002). Debido a limitaciones de recursos GPU (VRAM insuficiente para ejecutar múltiples modelos OCR simultáneamente), solo se ejecuta un servicio a la vez durante los experimentos. Por esta razón, EasyOCR tiene su propio archivo Docker Compose separado.
 
@@ -418,11 +410,10 @@ Se utilizan volúmenes Docker nombrados para persistir los modelos descargados e
 
 | Volumen | Servicio | Contenido |
 |---------|----------|-----------|
-| `paddlex-model-cache` | PaddleOCR | Modelos PP-OCRv5 (~500 MB) |
-| `easyocr-model-cache` | EasyOCR | Modelos CRAFT + CRNN (~400 MB) |
-| `doctr-model-cache` | DocTR | Modelos db_resnet50 + crnn_vgg16_bn (~300 MB) |
-
-*Fuente: Elaboración propia.*
+| `paddlex-model-cache` | PaddleOCR | Modelos PP-OCRv5 |
+| `easyocr-model-cache` | EasyOCR | Modelos CRAFT + CRNN |
+| `doctr-model-cache` | DocTR | Modelos db_resnet50 + crnn_vgg16_bn |
+Fuente: [`src/docker-compose.tuning.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.yml), [`src/docker-compose.tuning.easyocr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.easyocr.yml), [`src/docker-compose.tuning.paddle.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.paddle.yml), [`src/docker-compose.tuning.doctr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.doctr.yml).
 
 ##### Health Checks y Monitorización
 
@@ -442,6 +433,8 @@ Los tiempos de `start_period` varían según el servicio debido al tiempo de car
 - **EasyOCR**: 120 segundos (carga de modelos CRAFT)
 - **DocTR**: 180 segundos (modelos ResNet más pesados)
 
+Fuente: [`src/docker-compose.tuning.paddle.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.paddle.yml), [`src/docker-compose.tuning.easyocr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.easyocr.yml), [`src/docker-compose.tuning.doctr.yml`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/docker-compose.tuning.doctr.yml).
+
 ##### Flujo de Ejecución Completo
 
 ```mermaid
@@ -509,9 +502,10 @@ docker compose -f docker-compose.tuning.paddle.yml down
 ```
 
 Los resultados de los experimentos están disponibles en:
-- [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv)
-- [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_easyocr_results_20260119_120204.csv)
-- [`src/results/raytune_doctr_results_20260119_121445.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_doctr_results_20260119_121445.csv)
+- [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv)
+- [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_easyocr_results_20260119_120204.csv)
+- [`src/results/raytune_doctr_results_20260119_121445.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_doctr_results_20260119_121445.csv)
+- [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_paddle_subproc_results_20251207_192320.csv)
 
 #### Dataset Extendido
 
@@ -521,19 +515,18 @@ Para la fase de optimización se extendió el dataset:
 
 | Característica | Valor |
 |----------------|-------|
-| Páginas totales | 24 |
+| Páginas del dataset completo | 45 |
 | Páginas por trial | 5 (páginas 5-10) |
 | Estructura | Carpetas `img/` y `txt/` pareadas |
 | Resolución | 300 DPI |
 | Formato imagen | PNG |
+Fuente: [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md), [`src/prepare_dataset.ipynb`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/prepare_dataset.ipynb).
 
-*Fuente: Elaboración propia.*
-
-La clase `ImageTextDataset` gestiona la carga de pares imagen-texto desde la estructura de carpetas pareadas. La implementación está disponible en el repositorio (ver Anexo A).
+La clase `ImageTextDataset` gestiona la carga de pares imagen-texto desde la estructura de carpetas pareadas. La implementación está disponible en [`src/paddle_ocr/dataset_manager.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/dataset_manager.py), [`src/easyocr_service/dataset_manager.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/dataset_manager.py) y [`src/doctr_service/dataset_manager.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/dataset_manager.py).
 
 #### Espacio de Búsqueda
 
-El espacio de búsqueda se definió considerando los hiperparámetros más relevantes identificados en la documentación de PaddleOCR, utilizando `tune.choice()` para parámetros booleanos y `tune.uniform()` para umbrales continuos. La implementación está disponible en `src/raytune/raytune_ocr.py` (ver Anexo A).
+El espacio de búsqueda se definió considerando los hiperparámetros más relevantes identificados en la documentación de PaddleOCR, utilizando `tune.choice()` para parámetros booleanos y `tune.uniform()` para umbrales continuos. La implementación está disponible en [`src/raytune/raytune_ocr.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune/raytune_ocr.py) (ver Anexo A).
 
 **Tabla 30.** *Descripción detallada del espacio de búsqueda.*
 
@@ -546,8 +539,7 @@ El espacio de búsqueda se definió considerando los hiperparámetros más relev
 | `text_det_box_thresh` | Continuo | [0.0, 0.7] | Umbral de confianza para cajas detectadas |
 | `text_det_unclip_ratio` | Fijo | 0.0 | Coeficiente de expansión (no explorado) |
 | `text_rec_score_thresh` | Continuo | [0.0, 0.7] | Umbral de confianza de reconocimiento |
-
-*Fuente: Documentación de PaddleOCR.*
+Fuente: Documentación de PaddleOCR.
 
 **Justificación del espacio:**
 
@@ -559,7 +551,7 @@ El espacio de búsqueda se definió considerando los hiperparámetros más relev
 
 #### Configuración de Ray Tune
 
-Se configuró Ray Tune con OptunaSearch como algoritmo de búsqueda, optimizando CER en 64 trials con 2 ejecuciones concurrentes. La implementación está disponible en `src/raytune/raytune_ocr.py` (ver Anexo A).
+Se configuró Ray Tune con OptunaSearch como algoritmo de búsqueda, optimizando CER en 64 trials con 2 ejecuciones concurrentes. La implementación está disponible en [`src/raytune/raytune_ocr.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune/raytune_ocr.py) (ver Anexo A).
 
 **Tabla 31.** *Parámetros de configuración de Ray Tune.*
 
@@ -570,16 +562,11 @@ Se configuró Ray Tune con OptunaSearch como algoritmo de búsqueda, optimizando
 | Algoritmo | OptunaSearch (TPE) | Eficiente para espacios mixtos |
 | Número de trials | 64 | Balance entre exploración y tiempo |
 | Trials concurrentes | 2 | Limitado por memoria disponible |
+Fuente: [`src/raytune/raytune_ocr.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune/raytune_ocr.py).
 
-*Fuente: Elaboración propia.*
+Elección de 64 trials:
 
-**Elección de 64 trials:**
-
-El número de trials se eligió considerando:
-- Espacio de búsqueda de 7 dimensiones (3 booleanas + 4 continuas)
-- Tiempo estimado por trial: ~6 minutos
-- Tiempo total objetivo: <8 horas
-- Regla empírica: 10× dimensiones = 70 trials mínimo recomendado
+El número de trials se eligió buscando un equilibrio entre exploración del espacio de búsqueda y tiempo total de ejecución.
 
 ### Resultados de la Optimización
 
@@ -587,21 +574,20 @@ El número de trials se eligió considerando:
 
 El experimento se ejecutó exitosamente con los siguientes resultados globales:
 
-**Tabla 32.** *Resumen de la ejecución del experimento.*
+**Tabla 32.** *Resumen de la ejecución del experimento (referencia CPU).*
 
 | Métrica | Valor |
 |---------|-------|
 | Trials completados | 64/64 |
 | Trials fallidos | 0 |
-| Tiempo total | ~6.4 horas |
-| Tiempo medio por trial | 367.72 segundos |
+| Tiempo total (CPU) | 6.2 horas |
+| Tiempo medio por trial (CPU) | 347.6 segundos |
 | Páginas procesadas | 320 (64 trials × 5 páginas) |
-
-*Fuente: Logs de Ray Tune.*
+Fuente: [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_paddle_subproc_results_20251207_192320.csv).
 
 #### Estadísticas Descriptivas
 
-Del archivo CSV de resultados (`src/results/raytune_paddle_results_20260119_122609.csv`):
+Del archivo CSV de resultados [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv):
 
 **Tabla 33.** *Estadísticas descriptivas de los 64 trials.*
 
@@ -613,10 +599,9 @@ Del archivo CSV de resultados (`src/results/raytune_paddle_results_20260119_1226
 | **min** | 0.79% | 6.80% | 0.56 |
 | **50%** (mediana) | 0.87% | 8.39% | 0.59 |
 | **max** | 7.30% | 13.20% | 2.22 |
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
-*Fuente: `src/results/raytune_paddle_results_20260119_122609.csv`.*
-
-**Observaciones:**
+Observaciones:
 
 1. **Baja varianza en CER**: La desviación estándar (2.20%) es similar a la media (2.30%), indicando una distribución relativamente consistente sin valores extremos catastróficos.
 
@@ -634,8 +619,9 @@ Del archivo CSV de resultados (`src/results/raytune_paddle_results_20260119_1226
 | 2% - 5% | 10 | 15.6% |
 | 5% - 10% | 11 | 17.2% |
 | > 10% | 0 | 0.0% |
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
-*Fuente: Elaboración propia a partir de `src/results/raytune_paddle_results_20260119_122609.csv`.*
+**Figura 15.** *Distribución de trials por rango de CER.*
 
 ```mermaid
 ---
@@ -655,6 +641,8 @@ pie showData
     "CER 5-10%" : 11
 ```
 
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
+
 La mayoría de trials (67.2%) alcanzaron CER < 2%, cumpliendo el objetivo establecido. Ningún trial presentó fallos catastróficos (CER > 10%), demostrando la estabilidad de la optimización con GPU.
 
 #### Mejor Configuración Encontrada
@@ -686,33 +674,39 @@ Configuración óptima:
 | text_det_box_thresh | **0.4862** | 0.6 | -0.114 |
 | text_det_unclip_ratio | 0.0 | 1.5 | -1.5 (fijado) |
 | text_rec_score_thresh | **0.5658** | 0.5 | +0.066 |
-
-*Fuente: Análisis de [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results) generados por [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py).*
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
 #### Análisis de Correlación
 
-Se calculó la correlación de Pearson entre los parámetros continuos y las métricas de error:
+Se calculó la correlación de Pearson entre los parámetros de configuración (codificados como 0/1 en el caso de booleanos) y las métricas de error:
 
 **Tabla 36.** *Correlación de parámetros con CER.*
 
 | Parámetro | Correlación con CER | Interpretación |
 |-----------|---------------------|----------------|
-| `text_det_thresh` | **-0.523** | Correlación moderada negativa |
-| `text_det_box_thresh` | +0.226 | Correlación débil positiva |
-| `text_rec_score_thresh` | -0.161 | Correlación débil negativa |
+| `use_doc_unwarping` | **+0.879** | Correlación alta positiva |
+| `use_doc_orientation_classify` | -0.712 | Correlación alta negativa |
+| `textline_orientation` | -0.535 | Correlación moderada negativa |
+| `text_det_thresh` | +0.428 | Correlación moderada positiva |
+| `text_det_box_thresh` | +0.311 | Correlación moderada positiva |
+| `text_rec_score_thresh` | -0.268 | Correlación moderada negativa |
 | `text_det_unclip_ratio` | NaN | Varianza cero (valor fijo) |
-
-*Fuente: Análisis de [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results) generados por [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py).*
+Fuente: [`src/results/correlations/paddle_correlations.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/paddle_correlations.csv).
 
 **Tabla 37.** *Correlación de parámetros con WER.*
 
 | Parámetro | Correlación con WER | Interpretación |
 |-----------|---------------------|----------------|
-| `text_det_thresh` | **-0.521** | Correlación moderada negativa |
-| `text_det_box_thresh` | +0.227 | Correlación débil positiva |
-| `text_rec_score_thresh` | -0.173 | Correlación débil negativa |
+| `use_doc_unwarping` | **+0.744** | Correlación alta positiva |
+| `use_doc_orientation_classify` | -0.602 | Correlación alta negativa |
+| `textline_orientation` | -0.591 | Correlación moderada negativa |
+| `text_det_thresh` | +0.399 | Correlación moderada positiva |
+| `text_det_box_thresh` | +0.256 | Correlación moderada positiva |
+| `text_rec_score_thresh` | -0.080 | Correlación débil negativa |
+| `text_det_unclip_ratio` | NaN | Varianza cero (valor fijo) |
+Fuente: [`src/results/correlations/paddle_correlations.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/paddle_correlations.csv).
 
-*Fuente: Análisis de [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results) generados por [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py).*
+**Figura 16.** *Correlación de hiperparámetros con CER.*
 
 ```mermaid
 ---
@@ -727,15 +721,17 @@ config:
   xyChart:
     plotColorPalette: "#0098CD"
 ---
-xychart-beta
-    x-axis ["text_det_thresh", "text_det_box_thresh", "text_rec_score_thresh"]
-    y-axis "Correlación con CER" -0.6 --> 0.3
-    bar [-0.523, 0.226, -0.161]
+xychart-beta horizontal
+    y-axis "Correlación con CER" -0.8 --> 0.9
+    x-axis ["unwarp", "orient_doc", "orient_line", "det_thresh", "box_thresh", "rec_score"]
+    bar [0.879, -0.712, -0.535, 0.428, 0.311, -0.268]
 ```
 
-*Leyenda: Valores negativos indican que aumentar el parámetro reduce el CER. El parámetro `text_det_thresh` tiene la correlación más fuerte (-0.52).*
+Fuente: [`src/results/correlations/paddle_correlations.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/paddle_correlations.csv).
 
-**Hallazgo clave**: El parámetro `text_det_thresh` muestra la correlación más fuerte (-0.52 con ambas métricas), indicando que valores más altos de este umbral tienden a reducir el error. Este umbral controla qué píxeles se consideran "texto" en el mapa de probabilidad del detector.
+Leyenda: Valores positivos indican que aumentar el parámetro incrementa el CER. Los parámetros booleanos se codifican como 0/1 para el cálculo de la correlación. Abreviaturas: unwarp = `use_doc_unwarping`, orient_doc = `use_doc_orientation_classify`, orient_line = `textline_orientation`, det_thresh = `text_det_thresh`, box_thresh = `text_det_box_thresh`, rec_score = `text_rec_score_thresh`.
+
+**Hallazgo clave**: `use_doc_unwarping` presenta la correlación positiva más alta con CER (0.879), lo que indica que activar este módulo incrementa el error en este dataset. En cambio, `use_doc_orientation_classify` y `textline_orientation` tienen correlación negativa, asociada a mejoras cuando están activados.
 
 #### Impacto del Parámetro textline_orientation
 
@@ -745,18 +741,19 @@ El parámetro booleano `textline_orientation` demostró tener el mayor impacto e
 
 | textline_orientation | CER Medio | CER Std | WER Medio | N trials |
 |---------------------|-----------|---------|-----------|----------|
-| True | 3.76% | 7.12% | 12.73% | 32 |
-| False | 12.40% | 14.93% | 21.71% | 32 |
+| True | 1.74% | 1.94% | 8.75% | 52 |
+| False | 4.73% | 1.37% | 11.42% | 12 |
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
-*Fuente: Análisis de [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results) generados por [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py).*
+Interpretación:
 
-**Interpretación:**
+1. **Reducción del CER**: Con `textline_orientation=True`, el CER medio es 2.7 veces menor (1.74% vs 4.73%).
 
-1. **Reducción del CER**: Con `textline_orientation=True`, el CER medio es 3.3 veces menor (3.76% vs 12.40%).
+2. **Varianza**: La desviación estándar es mayor cuando `textline_orientation=True` (1.94% vs 1.37%), aunque los valores medios siguen siendo mejores.
 
-2. **Menor varianza**: La desviación estándar también se reduce significativamente (7.12% vs 14.93%), indicando resultados más consistentes.
+3. **Reducción del CER**: 63.2% cuando se habilita la clasificación de orientación de línea.
 
-3. **Reducción del CER**: 69.7% cuando se habilita la clasificación de orientación de línea.
+**Figura 17.** *Impacto de textline_orientation en CER.*
 
 ```mermaid
 ---
@@ -774,37 +771,30 @@ config:
 xychart-beta
     x-axis ["textline_orientation=False", "textline_orientation=True"]
     y-axis "CER (%)" 0 --> 15
-    bar [12.40, 3.76]
+    bar [4.73, 1.74]
 ```
 
-**Explicación técnica:**
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
-El parámetro `textline_orientation` activa un clasificador que determina la orientación de cada línea de texto detectada. Para documentos con layouts mixtos (tablas, encabezados laterales, direcciones postales), este clasificador asegura que el texto se lea en el orden correcto, evitando la mezcla de líneas de diferentes columnas o secciones.
+Explicación técnica:
 
-#### Análisis de Fallos Catastróficos
+El parámetro `textline_orientation` activa un clasificador que determina la orientación de cada línea de texto detectada. Para documentos con índice, encabezados y listas, este clasificador asegura que el texto se lea en el orden correcto, evitando la mezcla de líneas de diferentes secciones.
 
-Los trials con CER muy alto (>20%) presentaron patrones específicos:
+#### Análisis de Trials con Mayor CER
 
-**Tabla 39.** *Características de trials con fallos catastróficos.*
+No se observaron fallos catastróficos (CER > 10%). El CER máximo fue 7.30%, por lo que el análisis se centra en los trials con peor desempeño relativo:
 
-| Trial | CER | text_det_thresh | textline_orientation | Diagnóstico |
-|-------|-----|-----------------|---------------------|-------------|
-| #47 | 51.61% | 0.017 | True | Umbral muy bajo |
-| #23 | 43.29% | 0.042 | False | Umbral bajo + sin orientación |
-| #12 | 38.76% | 0.089 | False | Umbral bajo + sin orientación |
-| #56 | 35.12% | 0.023 | False | Umbral muy bajo + sin orientación |
+**Tabla 39.** *Trials con mayor CER.*
 
-*Fuente: Análisis del CSV de resultados.*
+| Trial ID | CER | text_det_thresh | textline_orientation |
+|----------|-----|-----------------|---------------------|
+| f699b826 | 7.30% | 0.285 | False |
+| 34bfaecf | 7.29% | 0.030 | True |
+| 8c1998de | 6.44% | 0.369 | True |
+| 8b33e2a2 | 6.41% | 0.664 | False |
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
-**Diagnóstico:**
-
-1. **Umbral de detección muy bajo** (`text_det_thresh` < 0.1): Genera exceso de falsos positivos en la detección, incluyendo artefactos, manchas y ruido como "texto".
-
-2. **Desactivación de orientación**: Sin el clasificador de orientación, las líneas de texto pueden mezclarse incorrectamente, especialmente en tablas.
-
-3. **Combinación fatal**: La peor combinación es umbral bajo + sin orientación, que produce textos completamente desordenados y con inserciones de ruido.
-
-**Recomendación**: Evitar `text_det_thresh` < 0.1 en cualquier configuración.
+Observación: Los peores resultados muestran variabilidad tanto en `text_det_thresh` como en `textline_orientation`, sin un patrón único dominante en este subconjunto de trials.
 
 ### Comparación Baseline vs Optimizado
 
@@ -818,8 +808,7 @@ La configuración óptima identificada se evaluó sobre el dataset completo de 4
 |--------|-----|---------------------|-----|-------------------|
 | PaddleOCR (Baseline) | 8.85% | 91.15% | 13.05% | 86.95% |
 | PaddleOCR-HyperAdjust | **7.72%** | **92.28%** | **11.40%** | **88.60%** |
-
-*Fuente: Validación final. Código en [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py), resultados en [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results).*
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md).
 
 > **Nota sobre generalización:** El mejor trial individual (5 páginas) alcanzó un CER de 0.79%, cumpliendo el objetivo de CER < 2%. Sin embargo, al aplicar la configuración al dataset completo de 45 páginas, el CER aumentó a 7.72%, evidenciando sobreajuste al subconjunto de entrenamiento. Esta diferencia es un hallazgo importante que se discute en la sección de análisis.
 
@@ -835,8 +824,9 @@ La configuración óptima identificada se evaluó sobre el dataset completo de 4
 | Reducción relativa del error | **12.8%** | **12.6%** |
 | Factor de mejora | 1.15× | 1.14× |
 | **Mejor trial (5 páginas)** | **0.79%** | **7.78%** |
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md).
 
-*Fuente: Elaboración propia.*
+**Figura 18.** *Reducción de errores: baseline vs optimizado (45 páginas).*
 
 ```mermaid
 ---
@@ -857,24 +847,13 @@ xychart-beta
     bar [8.85, 7.72, 13.05, 11.40]
 ```
 
-*Leyenda: CER = Character Error Rate, WER = Word Error Rate. Baseline = configuración por defecto de PaddleOCR. Optimizado = configuración encontrada por Ray Tune. Los valores corresponden al dataset completo de 45 páginas.*
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md).
+
+Leyenda: CER = Character Error Rate, WER = Word Error Rate. Baseline = configuración por defecto de PaddleOCR. Optimizado = configuración encontrada por Ray Tune. Los valores corresponden al dataset completo de 45 páginas.
 
 #### Impacto Práctico
 
-**En un documento típico de 10,000 caracteres:**
-
-| Configuración | Caracteres con error | Palabras con error* |
-|---------------|---------------------|---------------------|
-| Baseline | ~885 | ~196 |
-| Optimizada (full dataset) | ~772 | ~171 |
-| Optimizada (mejor trial) | ~79 | ~117 |
-| **Reducción (full dataset)** | **113 menos** | **25 menos** |
-
-*Asumiendo longitud media de palabra = 6.6 caracteres en español.
-
-**Interpretación:**
-
-> "La optimización de hiperparámetros logró una mejora del 12.8% en el CER sobre el dataset completo de 45 páginas. Aunque esta mejora es más modesta que la observada en los trials individuales (donde se alcanzó 0.79% CER), demuestra el valor de la optimización sistemática. La diferencia entre el mejor trial (0.79%) y el resultado en dataset completo (7.72%) revela un fenómeno de sobreajuste al subconjunto de 5 páginas usado para evaluación."
+La reducción de CER y WER implica menos correcciones manuales en el texto reconocido. En conjunto, los resultados muestran una mejora medible en precisión, aunque la generalización depende del tamaño y representatividad del subconjunto de optimización.
 
 ### Tiempo de Ejecución
 
@@ -882,15 +861,14 @@ xychart-beta
 
 | Métrica | Valor |
 |---------|-------|
-| Tiempo total del experimento | ~1.5 horas |
-| Tiempo medio por trial | ~4.2 segundos |
+| Tiempo total del experimento | ~5.0 minutos |
+| Tiempo medio por trial | 4.64 segundos |
 | Tiempo medio por página | 0.84 segundos |
 | Variabilidad (std) | 0.53 segundos/página |
 | Páginas procesadas totales | 320 |
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
-*Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
-
-**Observaciones:**
+Observaciones:
 
 1. El tiempo por página (~0.84 segundos) corresponde a ejecución con GPU (RTX 3060).
 2. La variabilidad del tiempo es moderada (std = 0.53 s/página), con algunos trials más lentos debido a configuraciones con módulos de preprocesamiento activos.
@@ -898,11 +876,11 @@ xychart-beta
 
 ### Síntesis de la Optimización
 
-Los 64 trials ejecutados con Ray Tune y aceleración GPU revelaron patrones claros en el comportamiento de PaddleOCR. El hallazgo más significativo es que los parámetros estructurales —`textline_orientation` y `use_doc_orientation_classify`— tienen mayor impacto que los umbrales numéricos: activarlos reduce el CER medio de 12.40% a 3.76%. En cuanto a umbrales, valores bajos de `text_det_thresh` (~0.05) benefician el rendimiento, mientras que `use_doc_unwarping` resulta innecesario para PDFs digitales.
+Los 64 trials ejecutados con Ray Tune y aceleración GPU revelaron patrones claros en el comportamiento de PaddleOCR. El hallazgo más significativo es que los parámetros estructurales, `textline_orientation` y `use_doc_orientation_classify`, tienen mayor impacto que los umbrales numéricos. Al activarlos se reduce el CER medio de 4.73% a 1.74%. En cuanto a umbrales, valores bajos de `text_det_thresh` (aprox. 0.05) benefician el rendimiento, mientras que `use_doc_unwarping` resulta innecesario para PDFs digitales.
 
 El mejor trial alcanzó un CER de 0.79%, cumpliendo el objetivo de CER < 2%. No obstante, la validación sobre el dataset completo de 45 páginas arrojó un CER de 7.72%, evidenciando sobreajuste al subconjunto de optimización de 5 páginas. Aun así, esto representa una mejora del 12.8% respecto al baseline (8.85%), demostrando el valor de la optimización sistemática incluso cuando la generalización es imperfecta.
 
-**Fuentes de datos:** [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py), [`src/raytune_ocr.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/raytune_ocr.py), [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).
+Fuente: [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/run_tuning.py), [`src/raytune_ocr.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_ocr.py), [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
 ## Discusión y análisis de resultados
 
@@ -916,13 +894,14 @@ Los resultados obtenidos en las secciones anteriores requieren un análisis que
 
 **Tabla 43.** *Evolución del rendimiento a través del estudio.*
 
-| Fase | Configuración | CER | Mejora vs anterior |
+| Fase | Configuración | CER | Mejora vs baseline |
 |------|--------------|-----|-------------------|
-| Benchmark inicial | Baseline (5 páginas) | ~7-8% | - |
-| Optimización (mejor trial) | Optimizada (5 páginas) | **0.79%** | ~90% vs baseline |
-| Validación final | Optimizada (45 páginas) | 7.72% | 12.8% vs baseline |
+| Benchmark inicial | Baseline (5 páginas) | 7.76% | - |
+| Optimización (mejor trial) | Optimizada (5 páginas) | **0.79%** | 89.8% |
+| Validación final | Optimizada (45 páginas) | 7.72% | 12.8% |
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md).
 
-*Fuente: Elaboración propia.*
+**Figura 19.** *Evolución del CER a través del estudio.*
 
 ```mermaid
 ---
@@ -940,12 +919,14 @@ config:
 xychart-beta
     x-axis ["Baseline", "Mejor trial (5 pág)", "Validación (45 pág)"]
     y-axis "CER (%)" 0 --> 10
-    bar [8.85, 0.79, 7.72]
+    bar [7.76, 0.79, 7.72]
 ```
 
-*Leyenda: El mejor trial alcanza CER 0.79% (objetivo cumplido). La validación sobre dataset completo muestra CER 7.72%, evidenciando sobreajuste al subconjunto de optimización.*
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md).
 
-El incremento del CER de 0.79% (5 páginas) a 7.72% (45 páginas) evidencia sobreajuste al subconjunto de optimización. Este fenómeno es esperado cuando se optimiza sobre un subconjunto pequeño y se valida sobre el dataset completo con mayor diversidad de layouts.
+Leyenda: El mejor trial alcanza CER 0.79% (objetivo cumplido). La validación sobre dataset completo muestra CER 7.72%, evidenciando sobreajuste al subconjunto de optimización.
+
+El incremento del CER de 0.79% (5 páginas) a 7.72% (45 páginas) evidencia sobreajuste al subconjunto de optimización. Este fenómeno es esperado cuando se optimiza sobre un subconjunto pequeño y se valida sobre el dataset completo con mayor diversidad de secciones y estilos.
 
 #### Comparación con Objetivo
 
@@ -957,8 +938,7 @@ El incremento del CER de 0.79% (5 páginas) a 7.72% (45 páginas) evidencia sobr
 | Umbral | < 2% | **0.79%** | 7.72% | Parcial |
 | Método | Sin fine-tuning | Solo hiperparámetros | Solo hiperparámetros | ✓ |
 | Hardware | GPU | RTX 3060 | RTX 3060 | ✓ |
-
-*Fuente: Elaboración propia.*
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md).
 
 > **Análisis del cumplimiento:** El objetivo de CER < 2% se cumple en el mejor trial individual (0.79%), demostrando que la optimización de hiperparámetros puede alcanzar la precisión objetivo. Sin embargo, la validación sobre el dataset completo (7.72%) muestra que la generalización requiere trabajo adicional, como un subconjunto de optimización más representativo o técnicas de regularización.
 
@@ -970,16 +950,17 @@ Basándose en el análisis de los resultados de optimización:
 
 **Tabla 45.** *Ranking de importancia de hiperparámetros.*
 
-| Rank | Parámetro | Impacto | Evidencia |
-|------|-----------|---------|-----------|
-| 1 | `textline_orientation` | **Crítico** | Presente en todos los mejores trials |
-| 2 | `use_doc_orientation_classify` | **Alto** | Activado en configuración óptima |
-| 3 | `text_det_thresh` | **Alto** | Valor óptimo bajo (0.0462) |
-| 4 | `text_det_box_thresh` | Medio | Moderado (0.4862) |
-| 5 | `text_rec_score_thresh` | Medio | Moderado (0.5658) |
-| 6 | `use_doc_unwarping` | Nulo | Desactivado en configuración óptima |
+| Rank | Parámetro | Pearson (CER) | Signo | Evidencia |
+|------|-----------|---------------|-------|-----------|
+| 1 | `use_doc_unwarping` | 0.879 | Positivo | Correlación más alta con CER |
+| 2 | `use_doc_orientation_classify` | -0.712 | Negativo | Correlación alta con CER |
+| 3 | `textline_orientation` | -0.535 | Negativo | Correlación alta con CER |
+| 4 | `text_det_thresh` | 0.428 | Positivo | Correlación moderada con CER |
+| 5 | `text_det_box_thresh` | 0.311 | Positivo | Correlación moderada con CER |
+| 6 | `text_rec_score_thresh` | -0.268 | Negativo | Correlación moderada con CER |
+Fuente: [`src/results/correlations/paddle_correlations.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/paddle_correlations.csv).
 
-*Fuente: Elaboración propia basada en [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
+**Figura 21.** *Ranking de importancia de hiperparámetros.*
 
 ```mermaid
 ---
@@ -995,24 +976,28 @@ config:
     plotColorPalette: "#0098CD"
 ---
 xychart-beta horizontal
-    x-axis ["use_doc_unwarping", "text_rec_score_thresh", "text_det_box_thresh", "text_det_thresh", "use_doc_orientation", "textline_orientation"]
+    x-axis ["use_doc_unwarping", "use_doc_orientation_classify", "textline_orientation", "text_det_thresh", "text_det_box_thresh", "text_rec_score_thresh"]
     y-axis "Impacto relativo" 0 --> 100
-    bar [0, 30, 40, 70, 80, 100]
+    bar [100.0, 81.0, 60.8, 48.7, 35.4, 30.5]
 ```
 
-*Leyenda: Impacto relativo estimado basado en análisis de correlación y presencia en configuraciones óptimas. `textline_orientation` es el parámetro más crítico.*
+Fuente: [`src/results/correlations/paddle_correlations.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/paddle_correlations.csv).
+
+Leyenda: Impacto relativo basado en |Pearson| (CER), normalizado respecto al valor máximo.
+
+En términos de correlación lineal, `use_doc_unwarping` es el parámetro con mayor relación absoluta con el CER y su signo positivo indica que activarlo incrementa el error en este dataset. En cambio, `use_doc_orientation_classify` y `textline_orientation` presentan correlación negativa, lo que sugiere mejoras cuando están activados.
 
 #### Análisis del Parámetro textline_orientation
 
 **Por qué es tan importante:**
 
-El clasificador de orientación de línea resuelve un problema fundamental en documentos con layouts complejos: determinar el orden correcto de lectura. Sin este clasificador:
+El clasificador de orientación de línea resuelve un problema fundamental en documentos con secciones y cambios de formato: determinar el orden correcto de lectura. Sin este clasificador:
 
-1. Las líneas de una tabla pueden mezclarse con texto adyacente
-2. Los encabezados laterales pueden insertarse en posiciones incorrectas
-3. El texto en columnas puede leerse en orden incorrecto
+1. Las líneas del índice pueden mezclarse con el cuerpo del texto
+2. Los encabezados pueden insertarse en posiciones incorrectas
+3. Las listas numeradas pueden leerse en orden incorrecto
 
-Para documentos académicos que típicamente incluyen tablas, listas y encabezados multinivel, este clasificador es esencial.
+Para documentos académicos que típicamente incluyen índice, listas y encabezados multinivel, este clasificador es esencial.
 
 **Recomendación**: Siempre activar `textline_orientation=True` para documentos estructurados.
 
@@ -1020,20 +1005,7 @@ Para documentos académicos que típicamente incluyen tablas, listas y encabezad
 
 **Comportamiento observado:**
 
-| Rango | CER típico | Comportamiento |
-|-------|------------|----------------|
-| 0.0 - 0.1 | 1-3% | Detecta más texto, incluyendo bordes |
-| 0.1 - 0.3 | 2-5% | Rendimiento variable |
-| 0.3 - 0.5 | 3-7% | Balance precisión/recall |
-| 0.5 - 0.7 | 4-7% | Más conservador |
-
-**Interpretación:**
-
-- En ejecución GPU con modelos Mobile, valores bajos de `text_det_thresh` funcionan bien
-- El valor óptimo (0.0462) indica que una detección más sensible beneficia el rendimiento
-- A diferencia de CPU, no se observaron fallos catastróficos con valores bajos
-
-**Valor óptimo encontrado**: 0.0462
+El análisis de correlación muestra que valores más bajos de `text_det_thresh` favorecen el rendimiento en este dataset. El valor óptimo encontrado en los trials fue 0.0462, lo que sugiere que una detección más sensible beneficia el resultado.
 
 #### Análisis de Parámetros de Preprocesamiento
 
@@ -1063,23 +1035,21 @@ Para documentos PDF digitales como los evaluados, este módulo es innecesario y
 | Confusión de puntuación | Media | ¿ → ? | Caracteres similares |
 | Pérdida de eñe | Baja | año → ano | Modelo de reconocimiento |
 | Texto desordenado | Variable | Mezcla de líneas | Fallo de orientación |
-
-*Fuente: Análisis cualitativo.*
+Fuente: Análisis cualitativo.
 
 #### Patrones de Fallo por Tipo de Contenido
 
-**Tabla 47.** *Tasa de error por tipo de contenido.*
+**Tabla 47.** *Tasa de error por tipo de contenido (cualitativa).*
 
-| Tipo de contenido | CER estimado | Factor de riesgo |
-|-------------------|--------------|------------------|
-| Párrafos de texto | ~1% | Bajo |
-| Listas numeradas | ~2% | Medio |
-| Tablas simples | ~3% | Medio |
-| Encabezados + pie de página | ~2% | Medio |
-| Tablas complejas | ~5% | Alto |
-| Texto en columnas | ~4% | Alto |
-
-*Fuente: Estimación cualitativa.*
+| Tipo de contenido | Nivel de error | Factor de riesgo |
+|-------------------|----------------|------------------|
+| Párrafos de texto | Bajo | Bajo |
+| Listas numeradas | Medio | Medio |
+| Índice y encabezados | Medio | Medio |
+| Encabezados + pie de página | Medio | Medio |
+| Texto con cambios tipográficos | Medio | Medio |
+| Listas con numeración densa | Alto | Alto |
+Fuente: Estimación cualitativa.
 
 ### Comparación con Objetivos Específicos
 
@@ -1092,8 +1062,7 @@ Para documentos PDF digitales como los evaluados, este módulo es innecesario y
 | OE3 | Identificar hiperparámetros críticos | `textline_orientation`, `use_doc_orientation_classify`, `text_det_thresh` identificados | ✓ Cumplido |
 | OE4 | Optimizar con Ray Tune (≥50 trials) | 64 trials ejecutados con GPU | ✓ Cumplido |
 | OE5 | Validar configuración optimizada | CER: 8.85% → 7.72% (dataset), 0.79% (mejor trial) | ✓ Parcial |
-
-*Fuente: Elaboración propia.*
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md), [`src/results/correlations/paddle_correlations.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/paddle_correlations.csv), [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
 > **Nota sobre OE5:** El objetivo de CER < 2% se cumple en el mejor trial individual (0.79%). La validación sobre el dataset completo (7.72%) muestra que la generalización requiere mayor trabajo, identificándose como línea de trabajo futuro.
 
@@ -1109,7 +1078,7 @@ Para documentos PDF digitales como los evaluados, este módulo es innecesario y
 
 #### Limitaciones Metodológicas
 
-1. **Ground truth automático**: El texto de referencia se extrajo programáticamente del PDF, lo cual puede introducir errores en layouts complejos donde el orden de lectura no es evidente.
+1. **Ground truth automático**: El texto de referencia se extrajo programáticamente del PDF, lo cual puede introducir errores en el orden de lectura cuando hay secciones con encabezados y saltos de línea.
 
 2. **Tamaño del dataset**: 45 páginas es un dataset limitado. Un dataset más amplio proporcionaría estimaciones más robustas.
 
@@ -1133,14 +1102,13 @@ Para documentos académicos en español similares a los evaluados:
 
 | Parámetro | Valor | Prioridad | Justificación |
 |-----------|-------|-----------|---------------|
-| `textline_orientation` | True | Obligatorio | Crítico para layouts complejos |
+| `textline_orientation` | True | Obligatorio | Crítico para documentos con secciones |
 | `use_doc_orientation_classify` | True | Recomendado | Mejora orientación de documento |
 | `text_det_thresh` | 0.05 (rango: 0.04-0.10) | Recomendado | Detección sensible beneficia resultados |
 | `text_det_box_thresh` | 0.49 (rango: 0.4-0.6) | Recomendado | Balance de confianza |
 | `text_rec_score_thresh` | 0.57 (rango: 0.5-0.7) | Opcional | Filtra reconocimientos poco confiables |
 | `use_doc_unwarping` | False | No recomendado | Innecesario para PDFs digitales |
-
-*Fuente: Análisis de [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
 #### Cuándo Aplicar Esta Metodología
 
@@ -1166,7 +1134,7 @@ La optimización de hiperparámetros puede ser insuficiente cuando:
 
 3. **Documentos muy degradados**: Escaneos de baja calidad o documentos históricos.
 
-4. **Requisitos de CER < 0.5%**: Puede requerir fine-tuning para alcanzar precisiones muy altas.
+4. **Requisitos de CER muy bajo**: Puede requerir fine-tuning para alcanzar precisiones muy altas.
 
 ### Síntesis del Capítulo
 
@@ -1176,16 +1144,22 @@ Los resultados cuantifican tanto los logros como las limitaciones del enfoque. E
 
 Desde el punto de vista práctico, la infraestructura dockerizada desarrollada y la aceleración GPU (82× más rápida que CPU) demuestran la viabilidad de esta metodología tanto para experimentación como para despliegue en producción.
 
-**Fuentes de datos:**
-- [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py): Script principal de optimización
-- [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv): Resultados CSV de PaddleOCR
-- [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_easyocr_results_20260119_120204.csv): Resultados CSV de EasyOCR
-- [`src/results/raytune_doctr_results_20260119_121445.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_doctr_results_20260119_121445.csv): Resultados CSV de DocTR
+Fuente:
+- [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/run_tuning.py) - Script principal de optimización
+- [`src/raytune/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune/requirements.txt) - Dependencias del orquestador Ray Tune
+- [`src/paddle_ocr/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/requirements.txt) - Dependencias del servicio PaddleOCR
+- [`src/easyocr_service/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/requirements.txt) - Dependencias del servicio EasyOCR
+- [`src/doctr_service/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/requirements.txt) - Dependencias del servicio DocTR
+- [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv) - Resultados CSV de PaddleOCR
+- [`src/results/correlations/paddle_correlations.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/paddle_correlations.csv) - Correlaciones de hiperparámetros (PaddleOCR)
+- [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_easyocr_results_20260119_120204.csv) - Resultados CSV de EasyOCR
+- [`src/results/raytune_doctr_results_20260119_121445.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_doctr_results_20260119_121445.csv) - Resultados CSV de DocTR
+- [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_paddle_subproc_results_20251207_192320.csv) - Referencia de tiempos en CPU para PaddleOCR
 
-**Imágenes Docker:**
-- [`seryus.ddns.net/unir/paddle-ocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-gpu/latest): PaddleOCR con soporte GPU
-- [`seryus.ddns.net/unir/easyocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/easyocr-gpu/latest): EasyOCR con soporte GPU
-- [`seryus.ddns.net/unir/doctr-gpu`](https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest): DocTR con soporte GPU
+Imágenes Docker:
+- [`seryus.ddns.net/unir/paddle-ocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-gpu/latest) - PaddleOCR con soporte GPU
+- [`seryus.ddns.net/unir/easyocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/easyocr-gpu/latest) - EasyOCR con soporte GPU
+- [`seryus.ddns.net/unir/doctr-gpu`](https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest) - DocTR con soporte GPU
 
 ### Comparativa de Rendimiento CPU vs GPU
 
@@ -1202,14 +1176,15 @@ Esta sección presenta la comparación de rendimiento entre ejecución en CPU y
 | CUDA | 12.4 |
 | Sistema Operativo | Ubuntu 24.04.3 LTS |
 | Kernel | 6.14.0-37-generic |
+Fuente: [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md).
 
-*Fuente: Elaboración propia.*
+Nota: Los requisitos de entorno documentados por dependencias se detallan en [`docs/07_anexo_a.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/07_anexo_a.md), sección A.9.
 
 Este hardware representa configuración típica de desarrollo, permitiendo evaluar el rendimiento en condiciones realistas de despliegue.
 
 #### Comparación CPU vs GPU
 
-Se comparó el tiempo de procesamiento entre CPU y GPU utilizando los datos de [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/raytune_paddle_subproc_results_20251207_192320.csv) (CPU) y [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv) (GPU).
+Se comparó el tiempo de procesamiento entre CPU y GPU utilizando los datos de [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_paddle_subproc_results_20251207_192320.csv)(CPU) y [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv)(GPU).
 
 **Tabla 51.** *Rendimiento comparativo CPU vs GPU.*
 
@@ -1217,9 +1192,10 @@ Se comparó el tiempo de procesamiento entre CPU y GPU utilizando los datos de [
 |---------|-----|----------------|----------------------|
 | Tiempo/Página (promedio) | 69.4s | 0.84s | **82x** |
 | Dataset completo (45 páginas) | ~52 min | ~38 seg | **82x** |
-| 64 trials × 5 páginas | ~6.4 horas | ~1.5 horas | **4.3x** |
+| 64 trials × 5 páginas | 6.2 horas | ~5.0 min | **75x** |
+Fuente: [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_paddle_subproc_results_20251207_192320.csv), [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
-*Fuente: Elaboración propia a partir de [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/raytune_paddle_subproc_results_20251207_192320.csv) y [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
+**Figura 20.** *Tiempo de procesamiento: CPU vs GPU (segundos/página).*
 
 ```mermaid
 ---
@@ -1240,11 +1216,13 @@ xychart-beta
     bar [69.4, 0.84]
 ```
 
-*Leyenda: Aceleración de **82×** con GPU. El procesamiento de una página pasa de 69.4s (CPU) a 0.84s (GPU).*
+Fuente: [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_paddle_subproc_results_20251207_192320.csv), [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
+
+Leyenda: Aceleración de **82×** con GPU. El procesamiento de una página pasa de 69.4s (CPU) a 0.84s (GPU).
 
 La aceleración de 82× obtenida con GPU transforma la viabilidad del enfoque:
-- **Optimización en CPU (6.4 horas)**: Viable pero lento para iteraciones rápidas
-- **Optimización en GPU (1.5 horas)**: Permite explorar más configuraciones y realizar múltiples experimentos
+- **Optimización en CPU (6.2 horas)**: Viable pero lento para iteraciones rápidas
+- **Optimización en GPU (~5.0 minutos)**: Permite explorar más configuraciones y realizar múltiples experimentos
 - **Producción con GPU (0.84s/página)**: Habilita procesamiento en tiempo real
 
 #### Comparación de Modelos PaddleOCR
@@ -1257,8 +1235,7 @@ PaddleOCR ofrece dos variantes de modelos: Mobile (optimizados para dispositivos
 |--------|----------------|-----------|---------------|
 | PP-OCRv5 Mobile | 0.06 GB | Funciona correctamente | ✓ Recomendado |
 | PP-OCRv5 Server | 5.3 GB | OOM en página 2 | ✗ Requiere >8 GB VRAM |
-
-*Fuente: Elaboración propia.*
+Fuente: [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md).
 
 Los modelos Server, a pesar de ofrecer potencialmente mayor precisión, resultan inviables en hardware con VRAM limitada (≤6 GB) debido a errores de memoria (Out of Memory). Los modelos Mobile, con un consumo de memoria 88 veces menor, funcionan de manera estable y ofrecen rendimiento suficiente para el caso de uso evaluado.
 
@@ -1270,7 +1247,7 @@ La validación con aceleración GPU permite extraer las siguientes conclusiones:
 
 2. **Modelos Mobile recomendados**: Para hardware con VRAM limitada (≤6 GB), los modelos Mobile de PP-OCRv5 ofrecen el mejor balance entre precisión y recursos, funcionando de manera estable sin errores de memoria.
 
-3. **Viabilidad práctica**: Con GPU, el procesamiento de un documento completo (45 páginas) toma menos de 30 segundos, validando la aplicabilidad en entornos de producción donde el tiempo de respuesta es crítico.
+3. **Viabilidad práctica**: Con GPU, el procesamiento de un documento completo (45 páginas) toma ~38 segundos, validando la aplicabilidad en entornos de producción donde el tiempo de respuesta es crítico.
 
 4. **Escalabilidad**: La arquitectura de microservicios dockerizados utilizada para la validación GPU facilita el despliegue horizontal, permitiendo escalar el procesamiento según demanda.
 

docs/05_conclusiones_trabajo_futuro.md

@@ -15,36 +15,41 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 | Métrica | Objetivo | Mejor Trial | Dataset Completo | Cumplimiento |
 |---------|----------|-------------|------------------|--------------|
 | CER | < 2% | **0.79%** | **7.72%** | ✓ Parcial |
-
-*Fuente: Elaboración propia.*
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md).
 
 > **Nota:** El objetivo de CER < 2% se cumple en el mejor trial individual (0.79%, 5 páginas). La validación sobre el conjunto de datos completo (45 páginas) muestra un CER de 7.72%, evidenciando sobreajuste al subconjunto de optimización. Esta diferencia se analiza en detalle en el Capítulo 4.
 
 ### Cumplimiento de los Objetivos Específicos
 
-La evaluación comparativa de soluciones OCR (OE1) reveló diferencias significativas entre las tres alternativas analizadas. De las tres soluciones de código abierto evaluadas —EasyOCR, PaddleOCR (PP-OCRv5) y DocTR—, PaddleOCR demostró el mejor rendimiento base para documentos en español. Además, su arquitectura modular y la amplia configurabilidad de su pipeline lo convierten en el candidato idóneo para optimización mediante ajuste de hiperparámetros.
+La evaluación comparativa de soluciones OCR (OE1) reveló diferencias significativas entre las tres alternativas analizadas. De las tres soluciones de código abierto evaluadas, EasyOCR, PaddleOCR (PP-OCRv5) y DocTR, PaddleOCR demostró el mejor rendimiento base para documentos en español. Además, su arquitectura modular y la amplia configurabilidad de su pipeline lo convierten en el candidato idóneo para optimización mediante ajuste de hiperparámetros.
 
-En cuanto a la preparación del conjunto de datos (OE2), se construyó un corpus estructurado con 45 páginas de documentos académicos de UNIR. La implementación de la clase `ImageTextDataset` permite cargar de forma eficiente pares imagen-texto, mientras que el texto de referencia se extrajo automáticamente del PDF original mediante PyMuPDF, garantizando así la consistencia entre las imágenes y sus transcripciones esperadas.
+En cuanto a la preparación del conjunto de datos (OE2), se construyó un corpus estructurado con 45 páginas de documentos académicos de UNIR. La implementación de la clase `ImageTextDataset` permite cargar de forma eficiente pares imagen-texto. El texto de referencia se extrajo automáticamente del PDF original mediante PyMuPDF, garantizando así la consistencia entre las imágenes y sus transcripciones esperadas.
 
-El análisis de hiperparámetros (OE3) arrojó resultados particularmente reveladores. El parámetro `textline_orientation` emergió como el factor más influyente, resultando crítico para obtener buenos resultados en documentos con diseños complejos. Asimismo, `use_doc_orientation_classify` demostró un impacto positivo en la configuración con GPU. Por otra parte, el umbral `text_det_thresh` presenta una correlación negativa moderada (-0.52) con el CER, lo que indica que valores más bajos tienden a mejorar el rendimiento, aunque con un límite inferior por debajo del cual el sistema falla catastróficamente. Cabe destacar que `use_doc_unwarping` no aporta mejora alguna en documentos digitales, ya que estos no presentan las deformaciones físicas para las que fue diseñado este módulo.
+El análisis de hiperparámetros (OE3) arrojó resultados particularmente reveladores. El parámetro `textline_orientation` emergió como el factor más influyente, resultando crítico para obtener buenos resultados en documentos con diseños complejos. Asimismo, `use_doc_orientation_classify` demostró un impacto positivo en la configuración con GPU. Por otra parte, el umbral `text_det_thresh` presenta una correlación positiva moderada (0.43) con el CER, lo que indica que valores más bajos tienden a mejorar el rendimiento. Cabe destacar que `use_doc_unwarping` no aporta mejora alguna en documentos digitales, ya que estos no presentan las deformaciones físicas para las que fue diseñado este módulo.
 
-La experimentación con Ray Tune (OE4) se completó satisfactoriamente mediante 64 trials ejecutados con el algoritmo OptunaSearch y aceleración GPU. El tiempo total del experimento —aproximadamente 1.5 horas con una GPU RTX 3060— demuestra la viabilidad práctica de esta aproximación. La arquitectura basada en contenedores Docker resultó esencial para superar las incompatibilidades entre Ray y los motores OCR, al tiempo que garantiza la portabilidad y reproducibilidad de los experimentos.
+Fuente: [`src/results/correlations/paddle_correlations.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/paddle_correlations.csv).
+
+La experimentación con Ray Tune (OE4) se completó satisfactoriamente mediante 64 trials ejecutados con el algoritmo OptunaSearch y aceleración GPU. El tiempo total del experimento, en torno a 5 minutos con una GPU RTX 3060, demuestra la viabilidad práctica de esta aproximación. La arquitectura basada en contenedores Docker resultó esencial para superar las incompatibilidades entre Ray y los motores OCR, al tiempo que garantiza la portabilidad y reproducibilidad de los experimentos.
 
 Finalmente, la validación de la configuración óptima (OE5) se realizó sobre el conjunto de datos completo de 45 páginas. El mejor trial individual alcanzó un CER de 0.79%, equivalente a una precisión del 99.21%. Sin embargo, la evaluación sobre el conjunto de datos completo arrojó un CER de 7.72%, lo que representa una mejora del 12.8% respecto al baseline (8.85%), pero queda lejos del resultado del mejor trial. Esta diferencia revela un sobreajuste al subconjunto de optimización de 5 páginas, un fenómeno que se analiza en detalle en la sección de limitaciones.
 
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md).
+
 ### Hallazgos Clave
 
-El hallazgo más significativo de este trabajo es que las decisiones arquitectónicas tienen mayor impacto que los umbrales numéricos. Un único parámetro booleano —`textline_orientation`— influye más en el rendimiento final que todos los umbrales continuos combinados. Este resultado sugiere que, al optimizar sistemas OCR, conviene priorizar la exploración de configuraciones estructurales antes de ajustar finamente los valores numéricos.
+El hallazgo más significativo de este trabajo es que las decisiones arquitectónicas tienen mayor impacto que los umbrales numéricos. Un único parámetro booleano, `textline_orientation`, influye más en el rendimiento final que todos los umbrales continuos combinados. Este resultado sugiere que, al optimizar sistemas OCR, conviene priorizar la exploración de configuraciones estructurales antes de ajustar finamente los valores numéricos.
 
-No obstante, los umbrales presentan límites operativos que deben respetarse. Valores de `text_det_thresh` inferiores a 0.1 provocan fallos catastróficos, con tasas de error que superan el 40%. Este comportamiento indica la existencia de regiones del espacio de hiperparámetros que deben evitarse, lo cual tiene implicaciones para el diseño de espacios de búsqueda en futuros experimentos.
+No obstante, los umbrales presentan límites operativos que deben respetarse. En este estudio no se observaron fallos catastróficos (CER > 10%), pero los peores trials alcanzaron CER de hasta 7.30%, lo que indica que ciertas combinaciones de umbrales degradan el rendimiento. Este comportamiento sugiere la necesidad de acotar el espacio de búsqueda en futuros experimentos.
 
-Otro hallazgo relevante es la innecesariedad de ciertos módulos para documentos digitales. Los PDF generados directamente desde procesadores de texto no presentan las deformaciones físicas —arrugas, curvaturas, rotaciones— para las que fueron diseñados los módulos de corrección. En estos casos, desactivar `use_doc_unwarping` no solo simplifica el pipeline, sino que puede mejorar el rendimiento al evitar procesamientos innecesarios.
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
+
+Otro hallazgo relevante es la innecesariedad de ciertos módulos para documentos digitales. Los PDF generados directamente desde procesadores de texto no presentan deformaciones físicas, como arrugas, curvaturas o rotaciones, para las que fueron diseñados los módulos de corrección. En estos casos, desactivar `use_doc_unwarping` no solo simplifica el pipeline, sino que puede mejorar el rendimiento al evitar procesamientos innecesarios.
 
 Finalmente, los resultados demuestran que es posible mejorar modelos preentrenados mediante ajuste exclusivo de hiperparámetros de inferencia, sin necesidad de reentrenamiento. Sin embargo, esta aproximación requiere validación cuidadosa, ya que las configuraciones optimizadas sobre subconjuntos pequeños pueden no generalizar a conjuntos de datos más amplios o diversos.
 
 ### Contribuciones del Trabajo
 
-La principal contribución de este trabajo es una metodología reproducible para la optimización de hiperparámetros OCR. El proceso completo —desde la preparación del conjunto de datos hasta la validación de la configuración óptima— queda documentado y es replicable mediante las herramientas Ray Tune y Optuna.
+La principal contribución de este trabajo es una metodología reproducible para la optimización de hiperparámetros OCR. El proceso completo, desde la preparación del conjunto de datos hasta la validación de la configuración óptima, queda documentado y es replicable mediante las herramientas Ray Tune y Optuna.
 
 En segundo lugar, el análisis sistemático de los hiperparámetros de PaddleOCR constituye una contribución al conocimiento disponible sobre este motor OCR. Mediante el cálculo de correlaciones y análisis comparativo, se cuantifica el impacto de cada parámetro configurable, información que puede orientar futuros trabajos de optimización.
 
@@ -54,7 +59,7 @@ Por último, todo el código fuente, las imágenes Docker y los datos experiment
 
 ### Limitaciones del Trabajo
 
-Es necesario reconocer varias limitaciones que condicionan el alcance de las conclusiones presentadas. En primer lugar, todos los experimentos se realizaron sobre un único tipo de documento: textos académicos de UNIR. La generalización a otros formatos —facturas, formularios, documentos manuscritos— requeriría validación adicional con conjuntos de datos específicos.
+Es necesario reconocer varias limitaciones que condicionan el alcance de las conclusiones presentadas. En primer lugar, todos los experimentos se realizaron sobre un único tipo de documento, textos académicos de UNIR. La generalización a otros formatos, como facturas, formularios o documentos manuscritos, requeriría validación adicional con conjuntos de datos específicos.
 
 El tamaño del corpus constituye otra limitación relevante. Con 45 páginas, el conjunto de datos es modesto para extraer conclusiones estadísticamente robustas. Además, el subconjunto de optimización de tan solo 5 páginas resultó insuficiente para evitar el sobreajuste, como evidencia la brecha entre el CER del mejor trial (0.79%) y el resultado sobre el conjunto completo (7.72%).
 
@@ -62,13 +67,15 @@ Desde el punto de vista metodológico, la extracción automática del texto de r
 
 Por último, aunque la GPU RTX 3060 utilizada proporcionó una aceleración de 82× respecto a la ejecución en CPU, se trata de hardware de consumo. Equipamiento empresarial con mayor capacidad de VRAM permitiría ejecutar múltiples servicios OCR simultáneamente y explorar espacios de búsqueda más amplios en menos tiempo.
 
+Fuente: [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_paddle_subproc_results_20251207_192320.csv), [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
+
 ## Líneas de trabajo futuro
 
 ### Extensiones Inmediatas
 
 Las limitaciones identificadas sugieren varias extensiones que podrían abordarse a corto plazo. La más urgente es la validación cruzada de la configuración óptima en otros tipos de documentos en español, como facturas, formularios administrativos o textos manuscritos. Esta validación revelaría el grado de transferibilidad de los hallazgos actuales.
 
-Para abordar el problema del sobreajuste, futuros experimentos deberían utilizar un subconjunto de optimización más amplio. Un conjunto de 15-20 páginas representativas reduciría la varianza y mejoraría la generalización de las configuraciones encontradas. Complementariamente, sería conveniente construir un corpus más amplio y diverso de documentos en español, incluyendo diferentes tipografías, diseños y calidades de imagen.
+Para abordar el problema del sobreajuste, futuros experimentos deberían utilizar un subconjunto de optimización más amplio. Un conjunto más representativo reduciría la varianza y mejoraría la generalización de las configuraciones encontradas. Complementariamente, sería conveniente construir un corpus más amplio y diverso de documentos en español, incluyendo diferentes tipografías, diseños y calidades de imagen.
 
 Desde el punto de vista técnico, queda pendiente la exploración del parámetro `text_det_unclip_ratio`, que permaneció fijo en este trabajo. Incluirlo en el espacio de búsqueda podría revelar interacciones con otros parámetros actualmente desconocidas.
 
@@ -94,7 +101,6 @@ En síntesis, este trabajo ha demostrado que la optimización de hiperparámetro
 
 La metodología propuesta cumple los requisitos de reproducibilidad científica: los experimentos pueden replicarse, los resultados son cuantificables y las conclusiones son aplicables a escenarios reales de procesamiento documental. Sin embargo, la experiencia también ha puesto de manifiesto la importancia de diseñar cuidadosamente los experimentos de optimización. Aunque el objetivo de CER inferior al 2% se alcanzó en el mejor trial individual (0.79%), la validación sobre el conjunto de datos completo (7.72%) revela que el tamaño y representatividad del subconjunto de optimización son factores críticos que no deben subestimarse.
 
-La infraestructura dockerizada desarrollada constituye una aportación práctica que trasciende los resultados numéricos. Al encapsular los motores OCR en contenedores independientes, se resuelven problemas de compatibilidad entre dependencias y se garantiza que cualquier investigador pueda reproducir exactamente las condiciones experimentales. La aceleración de 82× proporcionada por GPU transforma lo que sería un experimento de días en uno de horas, haciendo viable la exploración exhaustiva de espacios de hiperparámetros con hardware de consumo.
+La infraestructura dockerizada desarrollada constituye una aportación práctica que trasciende los resultados numéricos. Al encapsular los motores OCR en contenedores independientes, se resuelven problemas de compatibilidad entre dependencias y se garantiza que cualquier investigador pueda reproducir exactamente las condiciones experimentales. La aceleración de 82× proporcionada por GPU transforma lo que sería un experimento de horas en uno de minutos, haciendo viable la exploración exhaustiva de espacios de hiperparámetros con hardware de consumo.
 
 El código fuente, las imágenes Docker y los datos experimentales están disponibles públicamente en el [repositorio del proyecto](https://seryus.ddns.net/unir/MastersThesis). Esta apertura busca facilitar no solo la reproducción de los resultados, sino también la extensión de este trabajo hacia nuevos tipos de documentos, idiomas o motores OCR.
-

docs/07_anexo_a.md

@@ -32,65 +32,35 @@ config:
 flowchart TB
     subgraph root["MastersThesis/"]
         direction TB
+        docs["docs/ - Capítulos del TFM + métricas"]
+        instructions["instructions/ - Plantilla UNIR"]
 
-        subgraph docs["docs/ - Capítulos TFM"]
-            d0["00-07 chapters (.md)"]
-            subgraph metrics["metrics/"]
-                m1["metrics_paddle.md"]
-                m2["metrics_doctr.md"]
-                m3["metrics_easyocr.md"]
+        subgraph src["src/ - Código y resultados"]
+            paddle["paddle_ocr/ - Microservicio PaddleOCR"]
+            easy["easyocr_service/ - Microservicio EasyOCR"]
+            doctr["doctr_service/ - Microservicio DocTR"]
+            ray["raytune/ - Orquestación Ray Tune"]
+            results["results/ - CSV de trials"]
+            corr["results/correlations/ - Correlaciones"]
         end
     end
-
-        subgraph src["src/ - Código fuente"]
-            subgraph paddle["paddle_ocr/"]
-                p1["paddle_ocr_tuning_rest.py"]
-                p2["Dockerfile.gpu/cpu"]
-            end
-            subgraph doctr["doctr_service/"]
-                dt1["doctr_tuning_rest.py"]
-            end
-            subgraph easy["easyocr_service/"]
-                e1["easyocr_tuning_rest.py"]
-            end
-            subgraph ray["raytune/"]
-                r1["raytune_ocr.py"]
-                r2["run_tuning.py"]
-            end
-            results["results/*.csv"]
-            dataset["dataset/"]
-        end
-
-        subgraph thesis["thesis_output/"]
-            htm["plantilla_individual.htm"]
-            figs["figures/figura_1-11.png"]
-        end
-
-        subgraph inst["instructions/"]
-            i1["instrucciones.pdf"]
-            i2["plantilla_individual.htm"]
-        end
-
-        scripts["apply_content.py<br/>generate_mermaid_figures.py"]
-        config["claude.md<br/>README.md"]
-    end
 ```
 
 **Tabla A1.** *Descripción de directorios principales.*
 
 | Directorio | Contenido |
 |------------|-----------|
-| `docs/` | Capítulos del TFM en Markdown (estructura UNIR) |
-| `docs/metrics/` | Métricas de rendimiento por servicio OCR |
-| `src/paddle_ocr/` | Servicio PaddleOCR dockerizado |
-| `src/doctr_service/` | Servicio DocTR dockerizado |
-| `src/easyocr_service/` | Servicio EasyOCR dockerizado |
-| `src/raytune/` | Scripts de optimización Ray Tune |
-| `src/results/` | CSVs con resultados de 64 trials por servicio |
-| `thesis_output/` | Documento TFM generado + figuras PNG |
-| `instructions/` | Plantilla e instrucciones UNIR oficiales |
-
-*Fuente: Elaboración propia.*
+| [`docs/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/)| Capítulos del TFM en Markdown (estructura UNIR) |
+| [`docs/metrics/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/)| Métricas de rendimiento por servicio OCR |
+| [`src/paddle_ocr/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/)| Servicio PaddleOCR dockerizado |
+| [`src/doctr_service/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/)| Servicio DocTR dockerizado |
+| [`src/easyocr_service/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/)| Servicio EasyOCR dockerizado |
+| [`src/raytune/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune/)| Scripts de optimización Ray Tune |
+| [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/)| CSVs con resultados de 64 trials por servicio |
+| [`src/results/correlations/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/correlations/)| Correlaciones de hiperparámetros por servicio |
+| [`thesis_output/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/thesis_output/)| Documento TFM generado + figuras PNG |
+| [`instructions/`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/instructions/)| Plantilla e instrucciones UNIR oficiales |
+Fuente: [Repositorio del proyecto](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/).
 
 ## A.3 Requisitos de Software
 
@@ -105,8 +75,9 @@ flowchart TB
 | RAM | 16 GB DDR4 |
 | GPU | NVIDIA RTX 3060 Laptop (5.66 GB VRAM) |
 | CUDA | 12.4 |
+Fuente: [`docs/metrics/metrics.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics.md).
 
-*Fuente: Elaboración propia.*
+### Dependencias
 
 ### Dependencias
 
@@ -114,13 +85,17 @@ flowchart TB
 
 | Componente | Versión |
 |------------|---------|
-| Python | 3.12.3 |
-| Docker | 29.1.5 |
-| NVIDIA Container Toolkit | Requerido para GPU |
-| Ray | 2.52.1 |
+| PaddlePaddle | 3.2.2 |
+| PaddleOCR | 3.3.2 |
+| Ray Tune | 2.52.1 |
 | Optuna | 4.7.0 |
+| DocTR (python-doctr) | >= 0.8.0 |
+| EasyOCR | >= 1.7.0 |
+| Docker | Requerido para contenedores |
+| NVIDIA Container Toolkit | Requerido para GPU |
+Fuente: [`src/paddle_ocr/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/paddle_ocr/requirements.txt), [`src/raytune/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune/requirements.txt), [`src/doctr_service/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/doctr_service/requirements.txt), [`src/easyocr_service/requirements.txt`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/easyocr_service/requirements.txt), [`src/README.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/README.md).
 
-*Fuente: Elaboración propia.*
+## A.4 Instrucciones de Ejecución de Servicios OCR
 
 ## A.4 Instrucciones de Ejecución de Servicios OCR
 
@@ -142,7 +117,7 @@ docker compose -f docker-compose.cpu-registry.yml up -d
 
 ### DocTR (Puerto 8003)
 
-**Imagen Docker:** [`seryus.ddns.net/unir/doctr-gpu`](https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest)
+**Imagen Docker:** `seryus.ddns.net/unir/doctr-gpu`(https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest)
 
 ```bash
 cd src/doctr_service
@@ -155,7 +130,7 @@ docker compose up -d
 
 > **Nota:** EasyOCR utiliza el mismo puerto (8002) que PaddleOCR. No se pueden ejecutar simultáneamente. Por esta razón, existe un archivo docker-compose separado para EasyOCR.
 
-**Imagen Docker:** [`seryus.ddns.net/unir/easyocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/easyocr-gpu/latest)
+**Imagen Docker:** `seryus.ddns.net/unir/easyocr-gpu`(https://seryus.ddns.net/unir/-/packages/container/easyocr-gpu/latest)
 
 ```bash
 cd src/easyocr_service
@@ -238,8 +213,7 @@ analyze_results(results, prefix='raytune_paddle', config_keys=PADDLE_OCR_CONFIG_
 | PaddleOCR | 8002 | `paddle_ocr_payload` | - |
 | DocTR | 8003 | `doctr_payload` | - |
 | EasyOCR | 8002 | `easyocr_payload` | Conflicto con PaddleOCR |
-
-*Fuente: Elaboración propia.*
+Fuente: Elaboración propia.
 
 > **Nota:** Debido a limitaciones de recursos GPU (VRAM insuficiente para ejecutar múltiples modelos OCR simultáneamente), solo se ejecuta un servicio a la vez. PaddleOCR y EasyOCR comparten el puerto 8002. Para cambiar de servicio, detener el actual con `docker compose down`.
 
@@ -256,8 +230,7 @@ Esta sección presenta los resultados completos de las evaluaciones comparativas
 | **PaddleOCR (Mobile)** | **7.76%** | **11.62%** | 0.58s | 32.0s | 0.06 GB |
 | EasyOCR | 11.23% | 36.36% | 1.88s | 88.5s | ~2 GB |
 | DocTR | 12.06% | 42.01% | 0.50s | 28.4s | ~1 GB |
-
-*Fuente: Benchmark realizado el 2026-01-19. Elaboración propia.*
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md), [`docs/metrics/metrics_easyocr.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_easyocr.md), [`docs/metrics/metrics_doctr.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_doctr.md).
 
 **Ganador:** PaddleOCR (Mobile) - Mejor precisión (7.76% CER) con velocidad competitiva y mínimo consumo de VRAM.
 
@@ -272,10 +245,43 @@ Se ejecutaron 64 trials por servicio utilizando Ray Tune con Optuna sobre las p
 | **PaddleOCR** | 8.85% | **7.72%** | **12.8%** | **0.79%** ✓ |
 | DocTR | 12.06% | 12.07% | 0% | 7.43% |
 | EasyOCR | 11.23% | 11.14% | 0.8% | 5.83% |
+Fuente: [`docs/metrics/metrics_paddle.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_paddle.md), [`docs/metrics/metrics_easyocr.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_easyocr.md), [`docs/metrics/metrics_doctr.md`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/docs/metrics/metrics_doctr.md).
 
-*Fuente: Resultados de 64 trials Ray Tune por servicio. Elaboración propia.*
+> **Nota sobre sobreajuste:** La diferencia entre los resultados del mejor trial (subconjunto de 5 páginas) y el dataset completo (45 páginas) indica sobreajuste parcial a las páginas de ajuste. Un subconjunto más amplio mejoraría la generalización.
 
-> **Nota sobre sobreajuste:** La diferencia entre los resultados del mejor trial (subconjunto de 5 páginas) y el dataset completo (45 páginas) indica sobreajuste parcial a las páginas de ajuste. Un subconjunto más grande (15-20 páginas) mejoraría la generalización.
+### Distribución de trials por rango de CER (PaddleOCR)
+
+**Tabla A7.** *Distribución de trials por rango de CER.*
+
+| Rango CER | Número de trials | Porcentaje |
+|-----------|------------------|------------|
+| < 2% | 43 | 67.2% |
+| 2% - 5% | 10 | 15.6% |
+| 5% - 10% | 11 | 17.2% |
+| > 10% | 0 | 0.0% |
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
+
+**Figura A1.** *Distribución de trials por rango de CER (PaddleOCR).*
+
+```mermaid
+---
+title: "Distribución de trials por rango de CER (PaddleOCR)"
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
+---
+pie showData
+    title Distribución de 64 trials
+    "CER < 2%" : 43
+    "CER 2-5%" : 10
+    "CER 5-10%" : 11
+```
+
+Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
 
 ### Configuración Óptima PaddleOCR
 
@@ -294,49 +300,89 @@ La siguiente configuración logró el mejor rendimiento en el ajuste de hiperpar
 ```
 
 **Hallazgos clave:**
-- `textline_orientation=true`: Crítico para documentos con layouts mixtos
+- `textline_orientation=true`: Crítico para documentos con secciones y encabezados
 - `use_doc_orientation_classify=true`: Mejora detección de orientación
 - `use_doc_unwarping=false`: Innecesario para PDFs digitales
 - `text_det_thresh` bajo (0.0462): Detección más sensible mejora resultados
 
 ### Rendimiento CPU vs GPU
 
-**Tabla A7.** *Comparación de rendimiento CPU vs GPU (PaddleOCR).*
+**Tabla A8.** *Comparación de rendimiento CPU vs GPU (PaddleOCR).*
 
 | Métrica | CPU | GPU (RTX 3060) | Aceleración |
 |---------|-----|----------------|-------------|
-| Tiempo/Página | 69.4s | 0.55s | **126x más rápido** |
-| Mejor CER | 1.15% | 0.79% | GPU mejor |
-| 45 páginas | ~52 min | ~25 seg | **126x más rápido** |
+| Tiempo/Página | 69.4s | 0.84s | **82x más rápido** |
+| 45 páginas | ~52 min | ~38 seg | **82x más rápido** |
+Fuente: Datos de tiempo CPU de [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_paddle_subproc_results_20251207_192320.csv) y tiempos de GPU en trials de ajuste. Elaboración propia.
 
-*Fuente: Datos CPU de `raytune_paddle_subproc_results_20251207_192320.csv`. Elaboración propia.*
+**Figura A2.** *Tiempo de procesamiento: CPU vs GPU (segundos/página).*
+
+```mermaid
+---
+title: "Tiempo de procesamiento: CPU vs GPU (segundos/página)"
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
+  xyChart:
+    plotColorPalette: "#0098CD"
+---
+xychart-beta
+    x-axis ["CPU", "GPU (RTX 3060)"]
+    y-axis "Segundos por página" 0 --> 75
+    bar [69.4, 0.84]
+```
+
+Fuente: [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/raytune_paddle_subproc_results_20251207_192320.csv) y [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv). Leyenda: Aceleración de **82×** con GPU. El procesamiento de una página pasa de 69.4s (CPU) a 0.84s (GPU).
 
 ### Análisis de Errores por Servicio
 
-**Tabla A8.** *Tipos de errores identificados por servicio OCR.*
+**Tabla A9.** *Tipos de errores identificados por servicio OCR.*
 
 | Servicio | Fortalezas | Debilidades | ¿Fine-tuning recomendado? |
 |----------|------------|-------------|---------------------------|
-| **PaddleOCR** | Preserva estructura, buen manejo de español | Errores menores de acentos (~5%) | No (ya excelente) |
+| **PaddleOCR** | Preserva estructura, buen manejo de español | Errores menores de acentos | No (ya excelente) |
 | DocTR | Más rápido | Pierde estructura, omite TODOS los diacríticos | Sí (para diacríticos) |
 | EasyOCR | Modelo correcto para español | Caracteres espurios, confunde `o`/`0` | Sí (problemas del detector) |
-
-*Fuente: Análisis manual del debugset. Elaboración propia.*
+Fuente: Análisis manual del debugset. Elaboración propia.
 
 ### Archivos de Resultados
 
 Los resultados crudos de los 64 trials por servicio están disponibles en el repositorio:
 
-**Tabla A9.** *Ubicación de archivos de resultados.*
+**Tabla A10.** *Ubicación de archivos de resultados.*
 
 | Servicio | Archivo CSV |
 |----------|-------------|
-| PaddleOCR | [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv) |
-| DocTR | [`src/results/raytune_doctr_results_20260119_121445.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_doctr_results_20260119_121445.csv) |
-| EasyOCR | [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_easyocr_results_20260119_120204.csv) |
+| PaddleOCR | [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv)|
+| DocTR | [`src/results/raytune_doctr_results_20260119_121445.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_doctr_results_20260119_121445.csv)|
+| EasyOCR | [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_easyocr_results_20260119_120204.csv)|
+Fuente: Elaboración propia.
 
-*Fuente: Elaboración propia.*
+## A.8 Fuentes de precios cloud
 
-## A.8 Licencia
+Las tablas de costos cloud se basan en las páginas oficiales de precios. Se consultaron en enero de 2026.
+
+- AWS EC2 g4dn.xlarge: https://aws.amazon.com/ec2/instance-types/g4/
+- Google Colab Pro: https://colab.research.google.com/signup
+- Google Colab Pro+: https://colab.research.google.com/signup
+
+## A.9 Requisitos documentados por dependencias
+
+Requisitos extraidos de la documentacion oficial de las dependencias usadas:
+
+- DocTR: requiere Python 3.10 o superior.
+  Fuente: https://github.com/mindee/doctr
+- DocTR Docker: imagenes basadas en CUDA 12.2, el host debe ser al menos 12.2.
+  Fuente: https://github.com/mindee/doctr
+- PaddleOCR: soporte de inferencia con CUDA 12.
+  Fuente: https://github.com/PaddlePaddle/PaddleOCR
+- PaddleOCR: soporte de Python 3.12 en dependencias.
+  Fuente: https://github.com/PaddlePaddle/PaddleOCR
+
+## A.10 Licencia
 
 El código se distribuye bajo licencia MIT.

docs/metrics/metrics.md

@@ -68,7 +68,7 @@ Este documento presenta resultados de dos fases experimentales distintas realiza
 
 *Fuente: Elaboración propia.*
 
-La fase de optimización representa el **resultado principal del TFM** (CER 1.49%, precisión 98.51%). La fase de validación GPU confirma la viabilidad práctica del enfoque, demostrando una aceleración de 126x respecto a CPU.
+La fase de optimización representa el **resultado principal del TFM** (CER 1.49%, precisión 98.51%). La fase de validación GPU confirma la viabilidad práctica del enfoque. La aceleración respecto a CPU se estima en 82x cuando se compara el tiempo medio por página de los trials de ajuste en CPU y GPU.
 
 ## Comparación de Servicios OCR
 
@@ -180,13 +180,12 @@ flowchart LR
 
 ## Rendimiento CPU vs GPU (PaddleOCR)
 
-Datos de `raytune_paddle_subproc_results_20251207_192320.csv` (CPU) vs RTX 3060 (GPU):
+Datos de tiempos de los trials de ajuste en CPU (`raytune_paddle_subproc_results_20251207_192320.csv`) frente a GPU (RTX 3060):
 
 | Métrica | CPU | GPU (RTX 3060) | Aceleración |
 |---------|-----|----------------|-------------|
-| **Tiempo/Página** | 69.4s | 0.55s | **126x más rápido** |
-| **Mejor CER** | 1.15% | 0.79% | GPU mejor |
-| **45 páginas** | ~52 min | ~25 seg | **126x más rápido** |
+| **Tiempo/Página** | 69.4s | 0.84s | **82x más rápido** |
+| **45 páginas** | ~52 min | ~38 seg | **82x más rápido** |
 
 ```mermaid
 ---
@@ -204,10 +203,10 @@ xychart-beta
     title "Tiempo de Procesamiento por Página: CPU vs GPU"
     x-axis ["CPU", "GPU (RTX 3060)"]
     y-axis "Segundos" 0 --> 80
-    bar [69.4, 0.55]
+    bar [69.4, 0.84]
 ```
 
-> **Conclusión:** GPU es esencial para uso práctico de OCR. El procesamiento en CPU es 126x más lento, haciéndolo impráctico para procesamiento por lotes.
+> **Conclusión:** GPU es esencial para uso práctico de OCR. En los trials de ajuste, el procesamiento en CPU es 82x más lento.
 
 ## Datos Crudos del Benchmark
 

docs/metrics/metrics_doctr.md

@@ -37,6 +37,8 @@ La falta total de mejora en el dataset completo indica sobreajuste severo a las
 
 > Nota: Las mejoras en el subconjunto de ajuste no se transfirieron al dataset completo.
 
+*Fuente: https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_doctr_results_20260119_121445.csv*
+
 ## Mejor Configuración Encontrada
 
 ```json

docs/metrics/metrics_easyocr.md

@@ -37,6 +37,8 @@ La mejora mínima en el dataset completo indica que los hiperparámetros se sobr
 
 > Nota: Las grandes mejoras en el subconjunto de ajuste no se transfirieron al dataset completo.
 
+*Fuente: https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_easyocr_results_20260119_120204.csv*
+
 ## Mejor Configuración Encontrada
 
 ```json

docs/metrics/metrics_paddle.md

@@ -39,6 +39,8 @@ La diferencia dramática muestra que los hiperparámetros se sobreajustaron parc
 
 > Nota: El subconjunto de ajuste mostró mayores mejoras, sugiriendo que algunos hiperparámetros son específicos de la página.
 
+*Fuente: https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv*
+
 ## Mejor Configuración Encontrada
 
 ```json

generate_mermaid_figures.py

@@ -13,6 +13,7 @@ DOCS_DIR = os.path.join(BASE_DIR, 'docs')
 OUTPUT_DIR = os.path.join(BASE_DIR, 'thesis_output/figures')
 MMDC = os.path.join(BASE_DIR, 'node_modules/.bin/mmdc')
 CONFIG_FILE = os.path.join(BASE_DIR, 'mermaid.config.json')
+PUPPETEER_CONFIG = os.path.join(BASE_DIR, 'tem/scripts/puppeteer_config.json')
 
 # Light blue color for bar charts
 BAR_COLOR = '#0098CD'
@@ -82,8 +83,11 @@ def convert_to_png(diagrams):
                 # For bar charts: generate SVG, fix colors, convert to PNG
                 svg_file = os.path.join(OUTPUT_DIR, f'temp_{diagram["index"]}.svg')
 
+                cmd = [MMDC, '-i', temp_file, '-o', svg_file, '-b', 'white', '-w', '1600', '-c', CONFIG_FILE]
+                if os.path.exists(PUPPETEER_CONFIG):
+                    cmd += ['--puppeteerConfigFile', PUPPETEER_CONFIG]
                 result = subprocess.run(
-                    [MMDC, '-i', temp_file, '-o', svg_file, '-b', 'white', '-w', '1600', '-c', CONFIG_FILE],
+                    cmd,
                     capture_output=True,
                     text=True,
                     timeout=60
@@ -110,8 +114,11 @@ def convert_to_png(diagrams):
                     os.remove(svg_file)
             else:
                 # For other diagrams: direct PNG generation
+                cmd = [MMDC, '-i', temp_file, '-o', output_file, '-b', 'white', '-w', '1600', '-s', '3', '-c', CONFIG_FILE]
+                if os.path.exists(PUPPETEER_CONFIG):
+                    cmd += ['--puppeteerConfigFile', PUPPETEER_CONFIG]
                 result = subprocess.run(
-                    [MMDC, '-i', temp_file, '-o', output_file, '-b', 'white', '-w', '1600', '-s', '3', '-c', CONFIG_FILE],
+                    cmd,
                     capture_output=True,
                     text=True,
                     timeout=60

src/README.md

@@ -95,6 +95,25 @@ Results are saved to `src/results/` as CSV files:
 - `raytune_doctr_results_<timestamp>.csv`
 - `raytune_easyocr_results_<timestamp>.csv`
 
+### Correlation Analysis
+
+Correlation tables used in the thesis are derived from the CSV results with a local script:
+
+```bash
+source .venv/bin/activate
+python tem/scripts/compute_correlations_all.py
+```
+
+Outputs are written to `src/results/correlations/`:
+- `paddle_correlations.csv`
+- `doctr_correlations.csv`
+- `easyocr_correlations.csv`
+
+These files are computed from the corresponding inputs:
+- `src/results/raytune_paddle_results_20260119_122609.csv`
+- `src/results/raytune_doctr_results_20260119_121445.csv`
+- `src/results/raytune_easyocr_results_20260119_120204.csv`
+
 ## Directory Structure
 
 ```

src/docker-compose.tuning.yml

@@ -1,82 +0,0 @@
-# docker-compose.tuning.yml - Ray Tune with all OCR services (PaddleOCR + DocTR)
-# Usage:
-#   docker compose -f docker-compose.tuning.yml up -d paddle-ocr-gpu doctr-gpu
-#   docker compose -f docker-compose.tuning.yml run raytune --service paddle --samples 64
-#   docker compose -f docker-compose.tuning.yml run raytune --service doctr --samples 64
-#   docker compose -f docker-compose.tuning.yml down
-#
-# Note: EasyOCR uses port 8002 (same as PaddleOCR). Use docker-compose.tuning.easyocr.yml separately.
-
-services:
-  raytune:
-    image: seryus.ddns.net/unir/raytune:latest
-    network_mode: host
-    shm_size: '5gb'
-    volumes:
-      - ./results:/app/results:rw
-    environment:
-      - PYTHONUNBUFFERED=1
-
-  paddle-ocr-gpu:
-    image: seryus.ddns.net/unir/paddle-ocr-gpu:latest
-    container_name: paddle-ocr-gpu-tuning
-    ports:
-      - "8002:8000"
-    volumes:
-      - ./dataset:/app/dataset:ro
-      - ./debugset:/app/debugset:rw
-      - paddlex-cache:/root/.paddlex
-    environment:
-      - PYTHONUNBUFFERED=1
-      - CUDA_VISIBLE_DEVICES=0
-      - PADDLE_DET_MODEL=PP-OCRv5_mobile_det
-      - PADDLE_REC_MODEL=PP-OCRv5_mobile_rec
-    deploy:
-      resources:
-        reservations:
-          devices:
-            - driver: nvidia
-              count: 1
-              capabilities: [gpu]
-    restart: unless-stopped
-    healthcheck:
-      test: ["CMD", "python", "-c", "import urllib.request; urllib.request.urlopen('http://localhost:8000/health')"]
-      interval: 30s
-      timeout: 10s
-      retries: 3
-      start_period: 60s
-
-  doctr-gpu:
-    image: seryus.ddns.net/unir/doctr-gpu:latest
-    container_name: doctr-gpu-tuning
-    ports:
-      - "8003:8000"
-    volumes:
-      - ./dataset:/app/dataset:ro
-      - ./debugset:/app/debugset:rw
-      - doctr-cache:/root/.cache/doctr
-    environment:
-      - PYTHONUNBUFFERED=1
-      - CUDA_VISIBLE_DEVICES=0
-      - DOCTR_DET_ARCH=db_resnet50
-      - DOCTR_RECO_ARCH=crnn_vgg16_bn
-    deploy:
-      resources:
-        reservations:
-          devices:
-            - driver: nvidia
-              count: 1
-              capabilities: [gpu]
-    restart: unless-stopped
-    healthcheck:
-      test: ["CMD", "python", "-c", "import urllib.request; urllib.request.urlopen('http://localhost:8000/health')"]
-      interval: 30s
-      timeout: 10s
-      retries: 3
-      start_period: 180s
-
-volumes:
-  paddlex-cache:
-    name: paddlex-model-cache
-  doctr-cache:
-    name: doctr-model-cache

thesis_output/figures/figures_manifest.json

@@ -78,5 +78,15 @@
     "file": "figura_16.png",
     "title": "Estructura del repositorio MastersThesis",
     "index": 16
+  },
+  {
+    "file": "figura_17.png",
+    "title": "Distribución de trials por rango de CER (PaddleOCR)",
+    "index": 17
+  },
+  {
+    "file": "figura_18.png",
+    "title": "Tiempo de procesamiento: CPU vs GPU (segundos/página)",
+    "index": 18
   }
 ]