diff --git a/thesis_output/figures/figura_1.png b/thesis_output/figures/figura_1.png
new file mode 100644
index 0000000..346c735
Binary files /dev/null and b/thesis_output/figures/figura_1.png differ
diff --git a/thesis_output/figures/figura_2.png b/thesis_output/figures/figura_2.png
new file mode 100644
index 0000000..9ca94ae
Binary files /dev/null and b/thesis_output/figures/figura_2.png differ
diff --git a/thesis_output/figures/figura_3.png b/thesis_output/figures/figura_3.png
new file mode 100644
index 0000000..880a709
Binary files /dev/null and b/thesis_output/figures/figura_3.png differ
diff --git a/thesis_output/figures/figura_4.png b/thesis_output/figures/figura_4.png
new file mode 100644
index 0000000..445950f
Binary files /dev/null and b/thesis_output/figures/figura_4.png differ
diff --git a/thesis_output/figures/figura_5.png b/thesis_output/figures/figura_5.png
new file mode 100644
index 0000000..65b6947
Binary files /dev/null and b/thesis_output/figures/figura_5.png differ
diff --git a/thesis_output/figures/figura_6.png b/thesis_output/figures/figura_6.png
new file mode 100644
index 0000000..53ed237
Binary files /dev/null and b/thesis_output/figures/figura_6.png differ
diff --git a/thesis_output/figures/figura_7.png b/thesis_output/figures/figura_7.png
new file mode 100644
index 0000000..1ad16f5
Binary files /dev/null and b/thesis_output/figures/figura_7.png differ
diff --git a/thesis_output/figures/figures_manifest.json b/thesis_output/figures/figures_manifest.json
new file mode 100644
index 0000000..8aeabe2
--- /dev/null
+++ b/thesis_output/figures/figures_manifest.json
@@ -0,0 +1,37 @@
+[
+ {
+ "file": "figura_1.png",
+ "title": "Pipeline de un sistema OCR moderno",
+ "index": 1
+ },
+ {
+ "file": "figura_2.png",
+ "title": "Ciclo de optimización con Ray Tune y Optuna",
+ "index": 2
+ },
+ {
+ "file": "figura_3.png",
+ "title": "Fases de la metodología experimental",
+ "index": 3
+ },
+ {
+ "file": "figura_4.png",
+ "title": "Estructura del dataset de evaluación",
+ "index": 4
+ },
+ {
+ "file": "figura_5.png",
+ "title": "Arquitectura de ejecución con Docker Compose",
+ "index": 5
+ },
+ {
+ "file": "figura_6.png",
+ "title": "Impacto de textline_orientation en CER",
+ "index": 6
+ },
+ {
+ "file": "figura_7.png",
+ "title": "Reducción de errores: Baseline vs Optimizado",
+ "index": 7
+ }
+]
\ No newline at end of file
diff --git a/thesis_output/plantilla_individual.htm b/thesis_output/plantilla_individual.htm
index 0bffb4f..74c379d 100644
--- a/thesis_output/plantilla_individual.htm
+++ b/thesis_output/plantilla_individual.htm
@@ -4637,7 +4637,7 @@ _Toc14106979">Pipeline Moderno de OCR
Los sistemas OCR modernos siguen típicamente un pipeline de dos etapas principales, precedidas opcionalmente por una fase de preprocesamiento: Figura 1. Pipeline de un sistema OCR moderno [Insertar diagrama Mermaid aquí] Fuente: Elaboración propia.
Etapa de Preprocesamiento
@@ -4880,7 +4880,7 @@ Configuraciones con alta probabilidad bajo
4. Acceder a las visualizaciones de Optuna
Figura 2. Ciclo de optimización con Ray Tune y Optuna
-[Insertar diagrama Mermaid aquí]
+
Fuente: Elaboración propia.
Figura 3. Fases de la metodología experimental
-[Insertar diagrama Mermaid aquí]
+
Fuente: Elaboración propia.
Descripción de las fases:
@@ -4978,7 +4978,7 @@ concretos y metodología de trabajo - Método: page.get_text("dict") de PyMuPDF - Preservación de estructura de líneas - Tratamiento de texto vertical/marginal - Normalización de espacios y saltos de líneaFigura 4. Estructura del dataset de evaluación
-[Insertar diagrama Mermaid aquí]
+
Fuente: Elaboración propia.
Esta arquitectura containerizada permite ejecutar cada componente en su entorno aislado óptimo, comunicándose via API REST:
Figura 5. Arquitectura de ejecución con Docker Compose
-[Insertar diagrama Mermaid aquí]
+
Fuente: Elaboración propia.
La arquitectura containerizada (src/docker-compose.tuning.*.yml) ofrece:
@@ -5346,7 +5346,7 @@ Configuración óptima:1. Menor varianza: La desviación estándar también se reduce significativamente (7.12% vs 14.93%), indicando resultados más consistentes.
1. Reducción del CER: 69.7% cuando se habilita la clasificación de orientación de línea.
Figura 6. Impacto de textline_orientation en CER
-[Insertar diagrama Mermaid aquí]
+
Fuente: Elaboración propia.
Explicación técnica:
@@ -5375,7 +5375,7 @@ Configuración óptima:Fuente: Elaboración propia.
Figura 7. Reducción de errores: Baseline vs Optimizado
-[Insertar diagrama Mermaid aquí]
+
Fuente: Elaboración propia.
Leyenda: CER = Character Error Rate, WER = Word Error Rate. Baseline = configuración por defecto de PaddleOCR. Optimizado = configuración encontrada por Ray Tune.