generation test

docs/02_contexto_estado_arte.md

@@ -165,38 +165,16 @@ Los métodos de HPO incluyen:
 La combinación Ray Tune + Optuna permite búsquedas eficientes en espacios de alta dimensionalidad.
 
 ```mermaid
-flowchart TD
-    subgraph "Ray Tune"
-        A["Espacio de<br/>búsqueda"]
-        B["Scheduler<br/>(gestión de trials)"]
-        C["Trial 1"]
-        D["Trial 2"]
-        E["Trial N"]
-    end
-
-    subgraph "Optuna (TPE)"
-        F["Modelo probabilístico<br/>de la función objetivo"]
-        G["Sugiere nueva<br/>configuración"]
-    end
-
-    subgraph "Evaluación"
-        H["Ejecuta modelo OCR<br/>con config"]
-        I["Calcula métricas<br/>(CER, WER)"]
-    end
-
-    A --> B
-    B --> C & D & E
-    C & D & E --> H
-    H --> I
-    I -->|"Resultados"| F
-    F --> G
-    G -->|"Nueva config"| B
-
-    style A fill:#fff3e0
-    style I fill:#e8f5e9
+flowchart LR
+    A["Espacio de<br/>búsqueda"] --> B["Ray Tune<br/>Scheduler"]
+    B --> C["Trials<br/>paralelos"]
+    C --> D["Evaluación<br/>OCR"]
+    D --> E["Métricas<br/>CER/WER"]
+    E --> F["Optuna<br/>TPE"]
+    F -->|"Nueva config"| B
 ```
 
-*Figura 2. Arquitectura de optimización de hiperparámetros con Ray Tune y Optuna.*
+*Figura 2. Ciclo de optimización de hiperparámetros con Ray Tune y Optuna.*
 
 #### HPO en Sistemas OCR
 

docs/07_anexo_a.md

@@ -15,19 +15,29 @@ El repositorio incluye:
 
 ## A.2 Estructura del Repositorio
 
+```mermaid
+flowchart LR
+    root["MastersThesis/"] --> docs["docs/"]
+    root --> src["src/"]
+    root --> results["results/"]
+    root --> instructions["instructions/"]
+    root --> readme["README.md"]
+
+    src --> nb1["paddle_ocr_fine_tune_unir_raytune.ipynb"]
+    src --> py1["paddle_ocr_tuning.py"]
+    src --> py2["dataset_manager.py"]
+    src --> nb2["prepare_dataset.ipynb"]
+    src --> csv["raytune_results_*.csv"]
 ```
-MastersThesis/
-├── docs/                    # Capítulos de la tesis en Markdown
-├── src/
-│   ├── paddle_ocr_fine_tune_unir_raytune.ipynb  # Experimento principal
-│   ├── paddle_ocr_tuning.py                      # Script de evaluación CLI
-│   ├── dataset_manager.py                        # Clase ImageTextDataset
-│   ├── prepare_dataset.ipynb                     # Preparación del dataset
-│   └── raytune_paddle_subproc_results_*.csv      # Resultados de 64 trials
-├── results/                 # Resultados de benchmarks
-├── instructions/            # Instrucciones y plantilla UNIR
-└── README.md
-```
+
+*Figura 8. Estructura del repositorio del proyecto.*
+
+**Descripción de componentes:**
+
+- **docs/**: Capítulos de la tesis en Markdown
+- **src/**: Código fuente (notebooks y scripts)
+- **results/**: Resultados de benchmarks en CSV
+- **instructions/**: Instrucciones y plantilla UNIR
 
 ## A.3 Requisitos de Software