clean up datasources

docs/04_desarrollo_especifico.md

@@ -63,25 +63,14 @@ def evaluate_text(reference, prediction):
 
 ### Resultados del Benchmark
 
-#### Resultados de PaddleOCR (Datos del CSV)
+#### Resultados de PaddleOCR (Configuración Baseline)
 
-Del archivo `results/ai_ocr_benchmark_finetune_results_20251206_113206.csv`, se obtienen los siguientes resultados de PaddleOCR para las páginas 5-9 del documento:
+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.
 
-**Tabla 4.** *Resultados de PaddleOCR por página (benchmark inicial).*
-
-| Página | WER | CER |
-|--------|-----|-----|
-| 5 | 12.16% | 6.33% |
-| 6 | 12.81% | 6.40% |
-| 7 | 11.06% | 6.24% |
-| 8 | 8.13% | 1.54% |
-| 9 | 10.61% | 5.58% |
-
-*Fuente: `results/ai_ocr_benchmark_finetune_results_20251206_113206.csv`.*
-
-**Promedio PaddleOCR (páginas 5-9):**
-- CER medio: ~5.22%
-- WER medio: ~10.95%
+**Observaciones del benchmark inicial:**
+- Las páginas con tablas y layouts complejos presentaron mayor error
+- La página 8 (texto corrido) obtuvo el mejor resultado (CER ~1.5%)
+- El promedio general se situó en CER ~5-6%
 
 #### Comparativa de Modelos
 
@@ -144,7 +133,6 @@ Esta sección ha presentado:
 
 **Fuentes de datos utilizadas:**
 - `ocr_benchmark_notebook.ipynb`: Código del benchmark
-- `results/ai_ocr_benchmark_finetune_results_20251206_113206.csv`: Resultados numéricos
 - Documentación oficial de PaddleOCR
 
 ## Desarrollo de la comparativa: Optimización de hiperparámetros
@@ -413,16 +401,7 @@ Esta sección presenta un análisis consolidado de los resultados obtenidos en l
 
 #### Resultados del Benchmark Comparativo
 
-Del archivo `results/ai_ocr_benchmark_finetune_results_20251206_113206.csv`, PaddleOCR con configuración inicial (`use_textline_orientation=True`) obtuvo los siguientes resultados en las páginas 5-9:
-
-| Página | WER | CER |
-|--------|-----|-----|
-| 5 | 12.16% | 6.33% |
-| 6 | 12.81% | 6.40% |
-| 7 | 11.06% | 6.24% |
-| 8 | 8.13% | 1.54% |
-| 9 | 10.61% | 5.58% |
-| **Promedio** | **10.95%** | **5.22%** |
+En el benchmark inicial, PaddleOCR con configuración por defecto mostró variabilidad en el rendimiento según la complejidad de cada página, con CER promedio en torno al 5-6% y variaciones significativas entre páginas con layouts simples (~1.5%) y complejos (~6.4%).
 
 #### Resultados de la Optimización con Ray Tune
 
@@ -583,6 +562,5 @@ Esta sección ha presentado:
 **Resultado principal**: Se logró reducir el CER del 7.78% al 1.49% (mejora del 80.9%) mediante optimización de hiperparámetros, cumpliendo el objetivo de alcanzar CER < 2%.
 
 **Fuentes de datos:**
-- `results/ai_ocr_benchmark_finetune_results_20251206_113206.csv`
-- `src/raytune_paddle_subproc_results_20251207_192320.csv`
-- `src/paddle_ocr_fine_tune_unir_raytune.ipynb`
+- `src/raytune_paddle_subproc_results_20251207_192320.csv`: Resultados de 64 trials de optimización
+- `src/paddle_ocr_fine_tune_unir_raytune.ipynb`: Notebook principal del experimento

docs/07_anexo_a.md

@@ -22,23 +22,26 @@ title: "Estructura del repositorio del proyecto"
 flowchart LR
     root["MastersThesis/"] --> docs["docs/"]
     root --> src["src/"]
-    root --> results["results/"]
     root --> instructions["instructions/"]
-    root --> readme["README.md"]
+    root --> scripts["Scripts generación"]
 
     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"]
+    src --> csv["raytune_paddle_subproc_results_*.csv"]
+
+    scripts --> gen1["generate_mermaid_figures.py"]
+    scripts --> gen2["apply_content.py"]
 ```
 
 **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
+- **docs/**: Capítulos de la tesis en Markdown (estructura UNIR)
+- **src/**: Código fuente de experimentación
+  - `paddle_ocr_fine_tune_unir_raytune.ipynb`: Notebook principal con 64 trials Ray Tune
+  - `paddle_ocr_tuning.py`: Script CLI para evaluación OCR
+  - `raytune_paddle_subproc_results_20251207_192320.csv`: Resultados de optimización
+- **instructions/**: Plantilla e instrucciones UNIR
+- **Scripts de generación**: `generate_mermaid_figures.py` y `apply_content.py` para generar el documento TFM
 
 ## A.3 Requisitos de Software