Docs aligment on latest metrics.

README.md

@@ -113,6 +113,34 @@ MastersThesis/
 
 ---
 
+## Rendimiento GPU
+
+Se realizó una validación adicional con aceleración GPU para evaluar la viabilidad práctica del enfoque en escenarios de producción.
+
+**Tabla.** *Comparación de rendimiento CPU vs GPU.*
+
+| Métrica | CPU | GPU (RTX 3060) | Aceleración |
+|---------|-----|----------------|-------------|
+| Tiempo/Página | 69.4s | 0.55s | **126x** |
+| Dataset completo (45 páginas) | ~52 min | ~25 seg | **126x** |
+
+*Fuente: Elaboración propia.*
+
+### Recomendación de Modelos
+
+**Tabla.** *Comparación de modelos PaddleOCR en RTX 3060.*
+
+| Modelo | VRAM | Recomendación |
+|--------|------|---------------|
+| **PP-OCRv5 Mobile** | 0.06 GB | ✓ Recomendado |
+| PP-OCRv5 Server | 5.3 GB | ✗ Causa OOM en RTX 3060 |
+
+*Fuente: Elaboración propia.*
+
+**Conclusión:** Para hardware con VRAM limitada (≤6 GB), los modelos Mobile ofrecen el mejor balance entre precisión y recursos. La aceleración GPU hace viable el procesamiento en tiempo real.
+
+---
+
 ## Requisitos
 
 | Componente | Versión |
@@ -252,12 +280,13 @@ python3 apply_content.py
 
 ## Trabajo Pendiente para Completar el TFM
 
-### Contexto: Limitaciones de Hardware
+### Contexto: Hardware
 
-Este trabajo adoptó la estrategia de **optimización de hiperparámetros** en lugar de **fine-tuning** debido a:
-- **Sin GPU dedicada**: Ejecución exclusivamente en CPU
-- **Tiempo de inferencia elevado**: ~69 segundos/página en CPU
-- **Fine-tuning inviable**: Entrenar modelos de deep learning sin GPU requeriría tiempos prohibitivos
+Este trabajo adoptó la estrategia de **optimización de hiperparámetros** en lugar de **fine-tuning** debido a que el fine-tuning de modelos OCR requiere datasets etiquetados extensos y tiempos de entrenamiento prohibitivos.
+
+**Hardware utilizado:**
+- **Optimización (CPU)**: Los 64 trials de Ray Tune se ejecutaron en CPU (~69s/página)
+- **Validación (GPU)**: Se validó con RTX 3060 logrando 126x de aceleración (0.55s/página)
 
 La optimización de hiperparámetros demostró ser una **alternativa efectiva** al fine-tuning, logrando una reducción del 80.9% en el CER sin reentrenar el modelo.
 
@@ -278,7 +307,7 @@ La optimización de hiperparámetros demostró ser una **alternativa efectiva**
 #### 2. Experimentación Adicional (Prioridad Media)
 - [ ] **Explorar `text_det_unclip_ratio`**: Este parámetro quedó fijado en 0.0. Incluirlo en el espacio de búsqueda podría mejorar resultados
 - [ ] **Comparativa con fine-tuning** (si se obtiene acceso a GPU): Cuantificar la brecha de rendimiento entre optimización de hiperparámetros y fine-tuning real
-- [ ] **Evaluación con GPU**: Medir tiempos de inferencia con aceleración GPU para escenarios de producción
+- [x] **Evaluación con GPU**: Validado con RTX 3060 - 126x más rápido que CPU (0.55s/página vs 69.4s/página)
 
 #### 3. Documentación y Presentación (Prioridad Alta)
 - [ ] **Crear presentación**: Preparar slides para la defensa del TFM