assit commands for claude

docs/00_resumen.md

@@ -1,12 +1,12 @@
 # Resumen
 
-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, específicamente en un entorno con recursos computacionales limitados donde el fine-tuning de modelos no es viable. El objetivo principal es identificar la configuración óptima de hiperparámetros que maximice la precisión del reconocimiento de texto sin requerir entrenamiento adicional de los modelos.
+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 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.
+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).
 
-Los resultados demuestran que la optimización de hiperparámetros logró una mejora significativa del rendimiento: el CER se redujo de 7.78% a 1.49% (mejora del 80.9% en reducción de errores), alcanzando una precisión de caracteres del 98.51%. El hallazgo más relevante fue que el parámetro `textline_orientation` (clasificación de orientación de línea de texto) tiene un impacto crítico, reduciendo el CER en un 69.7% cuando está habilitado. Adicionalmente, se identificó que el umbral de detección de píxeles (`text_det_thresh`) presenta una correlación negativa fuerte (-0.52) con el error, siendo el parámetro continuo más influyente.
+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.
 
-Este trabajo demuestra que es posible obtener mejoras sustanciales en sistemas OCR mediante optimización de hiperparámetros, ofreciendo una alternativa práctica al fine-tuning cuando los recursos computacionales son limitados.
+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.
 
 **Palabras clave:** OCR, Reconocimiento Óptico de Caracteres, PaddleOCR, Optimización de Hiperparámetros, Ray Tune, Procesamiento de Documentos, Inteligencia Artificial
 
@@ -14,12 +14,12 @@ Este trabajo demuestra que es posible obtener mejoras sustanciales en sistemas O
 
 # Abstract
 
-This Master's Thesis addresses the optimization of Artificial Intelligence-based Optical Character Recognition (OCR) systems for Spanish documents, specifically in a resource-constrained environment where model fine-tuning is not feasible. The main objective is to identify the optimal hyperparameter configuration that maximizes text recognition accuracy without requiring additional model training.
+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 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.
+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).
 
-Results demonstrate that hyperparameter optimization achieved significant performance improvement: CER was reduced from 7.78% to 1.49% (80.9% error reduction), achieving 98.51% character accuracy. The most relevant finding was that the `textline_orientation` parameter (text line orientation classification) has a critical impact, reducing CER by 69.7% when enabled. Additionally, the pixel detection threshold (`text_det_thresh`) was found to have a strong negative correlation (-0.52) with error, being the most influential continuous parameter.
+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.
 
-This work demonstrates that substantial improvements in OCR systems can be obtained through hyperparameter optimization, offering a practical alternative to fine-tuning when computational resources are limited.
+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.
 
 **Keywords:** OCR, Optical Character Recognition, PaddleOCR, Hyperparameter Optimization, Ray Tune, Document Processing, Artificial Intelligence

docs/02_contexto_estado_arte.md

@@ -61,7 +61,14 @@ Los sistemas OCR modernos siguen típicamente un pipeline de dos etapas principa
 
 ```mermaid
 ---
-title: "Pipeline de un sistema OCR moderno"
+title: Pipeline de un sistema OCR moderno
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
 ---
 flowchart LR
     subgraph Input
@@ -486,7 +493,14 @@ La combinación de Ray Tune con OptunaSearch permite:
 
 ```mermaid
 ---
-title: "Ciclo de optimización con Ray Tune y Optuna"
+title: Ciclo de optimización con Ray Tune y Optuna
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
 ---
 flowchart LR
     A["Espacio de<br/>búsqueda"] --> B["Ray Tune<br/>Scheduler"]

docs/03_objetivos_metodologia.md

@@ -4,7 +4,7 @@ Este capítulo establece los objetivos del trabajo siguiendo la metodología SMA
 
 ## Objetivo general
 
-> **Optimizar el rendimiento de PaddleOCR para documentos académicos en español mediante ajuste de hiperparámetros, alcanzando un CER inferior al 2% sin requerir fine-tuning del modelo ni recursos GPU dedicados.**
+> **Optimizar el rendimiento de PaddleOCR para documentos académicos en español mediante ajuste de hiperparámetros, alcanzando un CER inferior al 2% sin requerir fine-tuning del modelo.**
 
 ### Justificación SMART del Objetivo General
 
@@ -14,7 +14,7 @@ Este capítulo establece los objetivos del trabajo siguiendo la metodología SMA
 |----------|--------------|
 | **Específico (S)** | Se define claramente qué se quiere lograr: optimizar PaddleOCR mediante ajuste de hiperparámetros para documentos en español |
 | **Medible (M)** | Se establece una métrica cuantificable: CER < 2% |
-| **Alcanzable (A)** | Es viable dado que: (1) PaddleOCR permite configuración de hiperparámetros, (2) Ray Tune posibilita búsqueda automatizada, (3) No se requiere GPU |
+| **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 |
 
@@ -45,7 +45,14 @@ Este capítulo establece los objetivos del trabajo siguiendo la metodología SMA
 
 ```mermaid
 ---
-title: "Fases de la metodología experimental"
+title: Fases de la metodología experimental
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
 ---
 flowchart LR
     A["Fase 1<br/>Dataset"] --> B["Fase 2<br/>Benchmark"] --> C["Fase 3<br/>Espacio"] --> D["Fase 4<br/>Optimización"] --> E["Fase 5<br/>Validación"]
@@ -82,7 +89,14 @@ El script `prepare_dataset.ipynb` implementa:
 
 ```mermaid
 ---
-title: "Estructura del dataset de evaluación"
+title: Estructura del dataset de evaluación
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
 ---
 flowchart LR
     dataset["dataset/"] --> d0["0/"]
@@ -185,7 +199,7 @@ El servicio OCR expone una API REST que retorna métricas en formato JSON:
 
 1. **Baseline**: Ejecución con configuración por defecto de PaddleOCR
 2. **Optimizado**: Ejecución con mejor configuración encontrada
-3. **Comparación**: Evaluación sobre las 24 páginas del dataset completo
+3. **Comparación**: Evaluación sobre las 45 páginas del dataset completo
 4. **Métricas reportadas**: CER, WER, tiempo de procesamiento
 
 ### Entorno de Ejecución
@@ -256,11 +270,11 @@ Para un proyecto de investigación con múltiples iteraciones de ajuste de hiper
 
 ### Limitaciones Metodológicas
 
-1. **Tamaño del dataset**: El dataset contiene 24 páginas de un único tipo de documento. Resultados pueden no generalizar a otros formatos.
+1. **Tamaño del dataset**: El dataset contiene 45 páginas de documentos académicos UNIR. Resultados pueden no generalizar a otros formatos.
 
-2. **Ejecución en CPU**: Los tiempos de procesamiento (~70s/página) serían significativamente menores con GPU.
+2. **Subconjunto de optimización**: El ajuste de hiperparámetros se realizó sobre 5 páginas (páginas 5-10), lo que contribuyó al sobreajuste observado en la validación del dataset completo.
 
-3. **Ground truth imperfecto**: El texto de referencia extraído de PDF puede contener errores en documentos con layouts complejos.
+3. **Texto de referencia imperfecto**: El texto de referencia extraído de PDF puede contener errores en documentos con diseños complejos.
 
 4. **Parámetro fijo**: `text_det_unclip_ratio` quedó fijado en 0.0 durante todo el experimento por decisión de diseño inicial.
 
@@ -268,7 +282,7 @@ Para un proyecto de investigación con múltiples iteraciones de ajuste de hiper
 
 Este capítulo ha establecido:
 
-1. Un objetivo general SMART: alcanzar CER < 2% mediante optimización de hiperparámetros
+1. Un objetivo general SMART: alcanzar CER < 2% mediante optimización de hiperparámetros (logrado en el mejor trial: 0.79%)
 2. Cinco objetivos específicos medibles y alcanzables
 3. Una metodología experimental en cinco fases claramente definidas
 4. El espacio de búsqueda de hiperparámetros y la configuración de Ray Tune

docs/04_desarrollo_especifico.md

@@ -24,7 +24,7 @@ El reconocimiento óptico de caracteres (OCR) en documentos académicos en espa
 
 Se seleccionaron tres soluciones OCR de código abierto representativas del estado del arte:
 
-**Tabla 10.** *Soluciones OCR evaluadas en el benchmark comparativo.*
+**Tabla 11.** *Soluciones OCR evaluadas en el benchmark comparativo.*
 
 | Solución | Desarrollador | Versión | Justificación de selección |
 |----------|---------------|---------|----------------------------|
@@ -55,7 +55,7 @@ Los criterios establecidos para evaluar las soluciones fueron:
 
 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/`.
 
-**Tabla 11.** *Características del dataset de evaluación inicial.*
+**Tabla 12.** *Características del dataset de evaluación inicial.*
 
 | Característica | Valor |
 |----------------|-------|
@@ -96,7 +96,7 @@ Se utilizó la biblioteca `jiwer` para calcular CER y WER de manera estandarizad
 
 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 12.** *Variabilidad del CER por tipo de contenido.*
+**Tabla 13.** *Variabilidad del CER por tipo de contenido.*
 
 | Tipo de contenido | CER aproximado | Observaciones |
 |-------------------|----------------|---------------|
@@ -121,7 +121,7 @@ Durante el benchmark inicial se evaluó PaddleOCR con configuración por defecto
 
 Los tres modelos evaluados representan diferentes paradigmas de OCR:
 
-**Tabla 13.** *Comparativa de arquitecturas OCR evaluadas.*
+**Tabla 14.** *Comparativa de arquitecturas OCR evaluadas.*
 
 | Modelo | Tipo | Componentes | Fortalezas Clave |
 |--------|------|-------------|------------------|
@@ -162,7 +162,7 @@ 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 14.** *Evaluación de criterios de selección.*
+**Tabla 15.** *Evaluación de criterios de selección.*
 
 | Criterio | EasyOCR | PaddleOCR | DocTR |
 |----------|---------|-----------|-------|
@@ -244,7 +244,7 @@ La optimización de hiperparámetros representa una alternativa al fine-tuning t
 
 El experimento se ejecutó en el siguiente entorno:
 
-**Tabla 15.** *Entorno de ejecución del experimento.*
+**Tabla 16.** *Entorno de ejecución del experimento.*
 
 | Componente | Versión/Especificación |
 |------------|------------------------|
@@ -272,7 +272,14 @@ Esta arquitectura containerizada permite ejecutar cada componente en su entorno
 
 ```mermaid
 ---
-title: "Arquitectura de ejecución con Docker Compose"
+title: Arquitectura de ejecución con Docker Compose
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
 ---
 flowchart LR
     subgraph Docker["Docker Compose"]
@@ -313,11 +320,221 @@ Respuesta del servicio OCR:
 }
 ```
 
+#### Infraestructura Docker
+
+La infraestructura del proyecto se basa en contenedores Docker para garantizar reproducibilidad y aislamiento de dependencias. Se generaron seis imágenes Docker, cada una optimizada para su propósito específico.
+
+**Tabla 17.** *Imágenes Docker generadas para el proyecto.*
+
+| Imagen | Propósito | Base | Puerto |
+|--------|-----------|------|--------|
+| [`seryus.ddns.net/unir/paddle-ocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-gpu/latest) | PaddleOCR con aceleración GPU | `nvidia/cuda:12.4.1-cudnn-runtime` | 8002 |
+| [`seryus.ddns.net/unir/paddle-ocr-cpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-cpu/latest) | PaddleOCR para entornos sin GPU | `python:3.11-slim` | 8002 |
+| [`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://github.com/seryus/MastersThesis/tree/main/src/paddle_ocr), [`src/easyocr_service/`](https://github.com/seryus/MastersThesis/tree/main/src/easyocr_service), [`src/doctr_service/`](https://github.com/seryus/MastersThesis/tree/main/src/doctr_service), [`src/raytune/`](https://github.com/seryus/MastersThesis/tree/main/src/raytune).*
+
+##### Arquitectura de Microservicios
+
+```mermaid
+---
+title: Arquitectura de microservicios para optimización OCR
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
+---
+flowchart TB
+    subgraph Host["Host (Ubuntu 24.04)"]
+        subgraph Docker["Docker Compose"]
+            RT["RayTune\n(Orquestador)"]
+            subgraph OCR["Servicios OCR (GPU)"]
+                P["PaddleOCR\n:8002"]
+                E["EasyOCR\n:8001"]
+                D["DocTR\n:8003"]
+            end
+        end
+        GPU["NVIDIA RTX 3060\n(5.66 GB VRAM)"]
+        DS[("Dataset\n/app/dataset")]
+        RES[("Resultados\n/app/results")]
+    end
+
+    RT -->|"POST /evaluate"| P
+    RT -->|"POST /evaluate"| E
+    RT -->|"POST /evaluate"| D
+    P & E & D --> GPU
+    P & E & D --> DS
+    RT --> RES
+```
+
+##### Estrategia de Build Multi-Stage
+
+Los Dockerfiles utilizan una estrategia de build multi-stage para optimizar tiempos de construcción y tamaño de imágenes:
+
+```mermaid
+---
+title: "Estrategia de build multi-stage"
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
+---
+flowchart LR
+    subgraph Stage1["Stage 1: Base"]
+        B1["CUDA Runtime"]
+        B2["Python + pip"]
+        B3["Dependencias OCR"]
+    end
+
+    subgraph Stage2["Stage 2: Deploy"]
+        D1["Código aplicación"]
+        D2["FastAPI REST"]
+    end
+
+    Stage1 --> Stage2
+
+    B1 --> B2 --> B3
+    D1 --> D2
+```
+
+**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)
+3. **Imágenes optimizadas**: Solo se incluyen los archivos necesarios para ejecución
+
+##### Docker Compose Files
+
+El proyecto incluye múltiples archivos Docker Compose para diferentes escenarios de uso:
+
+**Tabla 18.** *Archivos Docker Compose del proyecto.*
+
+| Archivo | Propósito | Servicios |
+|---------|-----------|-----------|
+| [`docker-compose.tuning.yml`](https://github.com/seryus/MastersThesis/blob/main/src/docker-compose.tuning.yml) | Optimización principal | RayTune + PaddleOCR + DocTR |
+| [`docker-compose.tuning.easyocr.yml`](https://github.com/seryus/MastersThesis/blob/main/src/docker-compose.tuning.easyocr.yml) | Optimización EasyOCR | RayTune + EasyOCR |
+| [`docker-compose.tuning.paddle.yml`](https://github.com/seryus/MastersThesis/blob/main/src/docker-compose.tuning.paddle.yml) | Optimización PaddleOCR | RayTune + PaddleOCR |
+| [`docker-compose.tuning.doctr.yml`](https://github.com/seryus/MastersThesis/blob/main/src/docker-compose.tuning.doctr.yml) | Optimización DocTR | RayTune + DocTR |
+
+*Fuente: Elaboración propia.*
+
+> **\* 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.
+
+##### Gestión de Volúmenes
+
+Se utilizan volúmenes Docker nombrados para persistir los modelos descargados entre ejecuciones:
+
+**Tabla 19.** *Volúmenes Docker para caché de modelos.*
+
+| 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.*
+
+##### Health Checks y Monitorización
+
+Todos los servicios implementan health checks para garantizar disponibilidad antes de iniciar la optimización:
+
+```yaml
+healthcheck:
+  test: ["CMD", "python", "-c", "import urllib.request; urllib.request.urlopen('http://localhost:8000/health')"]
+  interval: 30s
+  timeout: 10s
+  retries: 3
+  start_period: 60s  # PaddleOCR: 60s, EasyOCR: 120s, DocTR: 180s
+```
+
+Los tiempos de `start_period` varían según el servicio debido al tiempo de carga de modelos:
+- **PaddleOCR**: 60 segundos (modelos más ligeros)
+- **EasyOCR**: 120 segundos (carga de modelos CRAFT)
+- **DocTR**: 180 segundos (modelos ResNet más pesados)
+
+##### Flujo de Ejecución Completo
+
+```mermaid
+---
+title: "Flujo de ejecución de optimización con Ray Tune"
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
+---
+sequenceDiagram
+    participant U as Usuario
+    participant DC as Docker Compose
+    participant RT as RayTune
+    participant OCR as Servicio OCR
+    participant GPU as GPU
+
+    U->>DC: docker compose up -d
+    DC->>OCR: Iniciar contenedor
+    OCR->>GPU: Cargar modelos CUDA
+    OCR-->>DC: Health check OK
+
+    U->>DC: docker compose run raytune
+    DC->>RT: Iniciar optimización
+
+    loop 64 trials
+        RT->>RT: Optuna sugiere config
+        RT->>OCR: POST /evaluate {config}
+        OCR->>GPU: Inferencia OCR
+        OCR-->>RT: {CER, WER, TIME}
+        RT->>RT: Registrar métricas
+    end
+
+    RT-->>U: Mejor configuración encontrada
+    U->>DC: docker compose down
+```
+
+##### Reproducibilidad
+
+Para reproducir los experimentos:
+
+```bash
+# 1. Clonar repositorio
+git clone https://github.com/seryus/MastersThesis.git
+cd MastersThesis/src
+
+# 2. Iniciar servicio OCR (requiere nvidia-docker)
+docker compose -f docker-compose.tuning.paddle.yml up -d paddle-ocr-gpu
+
+# 3. Verificar health check
+curl http://localhost:8002/health
+
+# 4. Ejecutar optimización (64 trials)
+docker compose -f docker-compose.tuning.paddle.yml run raytune \
+    --service paddle --samples 64
+
+# 5. Resultados en src/results/
+ls -la results/raytune_paddle_results_*.csv
+
+# 6. Limpiar
+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://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv)
+- [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_easyocr_results_20260119_120204.csv)
+- [`src/results/raytune_doctr_results_20260119_121445.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_doctr_results_20260119_121445.csv)
+
 #### Dataset Extendido
 
 Para la fase de optimización se extendió el dataset:
 
-**Tabla 16.** *Características del dataset de optimización.*
+**Tabla 20.** *Características del dataset de optimización.*
 
 | Característica | Valor |
 |----------------|-------|
@@ -335,7 +552,7 @@ La clase `ImageTextDataset` gestiona la carga de pares imagen-texto desde la est
 
 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).
 
-**Tabla 17.** *Descripción detallada del espacio de búsqueda.*
+**Tabla 21.** *Descripción detallada del espacio de búsqueda.*
 
 | Parámetro | Tipo | Rango | Descripción |
 |-----------|------|-------|-------------|
@@ -361,7 +578,7 @@ El espacio de búsqueda se definió considerando los hiperparámetros más relev
 
 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).
 
-**Tabla 18.** *Parámetros de configuración de Ray Tune.*
+**Tabla 22.** *Parámetros de configuración de Ray Tune.*
 
 | Parámetro | Valor | Justificación |
 |-----------|-------|---------------|
@@ -387,7 +604,7 @@ El número de trials se eligió considerando:
 
 El experimento se ejecutó exitosamente con los siguientes resultados globales:
 
-**Tabla 19.** *Resumen de la ejecución del experimento.*
+**Tabla 23.** *Resumen de la ejecución del experimento.*
 
 | Métrica | Valor |
 |---------|-------|
@@ -401,76 +618,73 @@ El experimento se ejecutó exitosamente con los siguientes resultados globales:
 
 #### Estadísticas Descriptivas
 
-Del archivo CSV de resultados (`raytune_paddle_subproc_results_20251207_192320.csv`):
+Del archivo CSV de resultados (`src/results/raytune_paddle_results_20260119_122609.csv`):
 
-**Tabla 20.** *Estadísticas descriptivas de los 64 trials.*
+**Tabla 24.** *Estadísticas descriptivas de los 64 trials.*
 
-| Estadística | CER | WER | Tiempo (s) | Tiempo/Página (s) |
-|-------------|-----|-----|------------|-------------------|
-| **count** | 64 | 64 | 64 | 64 |
-| **mean** | 5.25% | 14.28% | 347.61 | 69.42 |
-| **std** | 11.03% | 10.75% | 7.88 | 1.57 |
-| **min** | 1.15% | 9.89% | 320.97 | 64.10 |
-| **25%** | 1.20% | 10.04% | 344.24 | 68.76 |
-| **50%** (mediana) | 1.23% | 10.20% | 346.42 | 69.19 |
-| **75%** | 4.03% | 13.20% | 350.14 | 69.93 |
-| **max** | 51.61% | 59.45% | 368.57 | 73.63 |
+| Estadística | CER | WER | Tiempo/Página (s) |
+|-------------|-----|-----|-------------------|
+| **count** | 64 | 64 | 64 |
+| **mean** | 2.30% | 9.25% | 0.84 |
+| **std** | 2.20% | 1.78% | 0.53 |
+| **min** | 0.79% | 6.80% | 0.56 |
+| **50%** (mediana) | 0.87% | 8.39% | 0.59 |
+| **max** | 7.30% | 13.20% | 2.22 |
 
-*Fuente: `src/raytune_paddle_subproc_results_20251207_192320.csv`.*
+*Fuente: `src/results/raytune_paddle_results_20260119_122609.csv`.*
 
 **Observaciones:**
 
-1. **Alta varianza en CER**: La desviación estándar (11.03%) es mayor que la media (5.25%), indicando una distribución muy dispersa con algunos valores extremos.
+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.
 
-2. **Mediana vs Media**: La mediana del CER (1.23%) es mucho menor que la media (5.25%), confirmando una distribución sesgada hacia valores bajos con outliers altos.
+2. **Mediana vs Media**: La mediana del CER (0.87%) es menor que la media (2.30%), confirmando una distribución ligeramente sesgada hacia valores bajos.
 
-3. **Tiempo consistente**: El tiempo de ejecución es muy estable (std = 1.57 s/página), indicando que las configuraciones de hiperparámetros no afectan significativamente el tiempo de inferencia.
+3. **Velocidad GPU**: El tiempo de ejecución promedio es de 0.84 s/página, lo que representa una aceleración significativa respecto a la ejecución en CPU (~69 s/página, 82x más rápido).
 
 #### Distribución de Resultados
 
-**Tabla 21.** *Distribución de trials por rango de CER.*
+**Tabla 25.** *Distribución de trials por rango de CER.*
 
 | Rango CER | Número de trials | Porcentaje |
 |-----------|------------------|------------|
 | < 2% | 43 | 67.2% |
-| 2% - 5% | 7 | 10.9% |
-| 5% - 10% | 2 | 3.1% |
-| 10% - 20% | 5 | 7.8% |
-| > 20% | 7 | 10.9% |
+| 2% - 5% | 10 | 15.6% |
+| 5% - 10% | 11 | 17.2% |
+| > 10% | 0 | 0.0% |
 
-*Fuente: Elaboración propia a partir del CSV de resultados.*
+*Fuente: Elaboración propia a partir de `src/results/raytune_paddle_results_20260119_122609.csv`.*
 
-La mayoría de trials (67.2%) alcanzaron CER < 2%, cumpliendo el objetivo establecido. Sin embargo, un 10.9% de trials presentaron fallos catastróficos (CER > 20%).
+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
 
 La configuración que minimizó el CER fue:
 
 ```
-Best CER: 0.011535 (1.15%)
-Best WER: 0.098902 (9.89%)
+Best CER: 0.007884 (0.79%)
+Best WER: 0.077848 (7.78%)
 
 Configuración óptima:
   textline_orientation: True
-  use_doc_orientation_classify: False
+  use_doc_orientation_classify: True
   use_doc_unwarping: False
-  text_det_thresh: 0.4690
-  text_det_box_thresh: 0.5412
+  text_det_thresh: 0.0462
+  text_det_box_thresh: 0.4862
   text_det_unclip_ratio: 0.0
-  text_rec_score_thresh: 0.6350
+  text_rec_score_thresh: 0.5658
 ```
 
-**Tabla 22.** *Configuración óptima identificada.*
+**Tabla 26.** *Configuración óptima identificada.*
 
 | Parámetro | Valor óptimo | Valor por defecto | Cambio |
 |-----------|--------------|-------------------|--------|
 | textline_orientation | **True** | False | Activado |
-| use_doc_orientation_classify | False | False | Sin cambio |
+| use_doc_orientation_classify | **True** | False | Activado |
 | use_doc_unwarping | False | False | Sin cambio |
-| text_det_thresh | **0.4690** | 0.3 | +0.169 |
-| text_det_box_thresh | **0.5412** | 0.6 | -0.059 |
+| text_det_thresh | **0.0462** | 0.3 | -0.254 |
+| 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 | **0.6350** | 0.5 | +0.135 |
+| text_rec_score_thresh | **0.5658** | 0.5 | +0.066 |
 
 *Fuente: Análisis de [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results) generados por [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py).*
 
@@ -478,7 +692,7 @@ Configuración óptima:
 
 Se calculó la correlación de Pearson entre los parámetros continuos y las métricas de error:
 
-**Tabla 23.** *Correlación de parámetros con CER.*
+**Tabla 27.** *Correlación de parámetros con CER.*
 
 | Parámetro | Correlación con CER | Interpretación |
 |-----------|---------------------|----------------|
@@ -489,7 +703,7 @@ Se calculó la correlación de Pearson entre los parámetros continuos y las mé
 
 *Fuente: Análisis de [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results) generados por [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py).*
 
-**Tabla 24.** *Correlación de parámetros con WER.*
+**Tabla 28.** *Correlación de parámetros con WER.*
 
 | Parámetro | Correlación con WER | Interpretación |
 |-----------|---------------------|----------------|
@@ -505,7 +719,7 @@ Se calculó la correlación de Pearson entre los parámetros continuos y las mé
 
 El parámetro booleano `textline_orientation` demostró tener el mayor impacto en el rendimiento:
 
-**Tabla 25.** *Impacto del parámetro textline_orientation.*
+**Tabla 29.** *Impacto del parámetro textline_orientation.*
 
 | textline_orientation | CER Medio | CER Std | WER Medio | N trials |
 |---------------------|-----------|---------|-----------|----------|
@@ -525,6 +739,13 @@ El parámetro booleano `textline_orientation` demostró tener el mayor impacto e
 ```mermaid
 ---
 title: "Impacto de textline_orientation en CER"
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
 ---
 xychart-beta
     x-axis ["textline_orientation=False", "textline_orientation=True"]
@@ -540,7 +761,7 @@ El parámetro `textline_orientation` activa un clasificador que determina la ori
 
 Los trials con CER muy alto (>20%) presentaron patrones específicos:
 
-**Tabla 26.** *Características de trials con fallos catastróficos.*
+**Tabla 30.** *Características de trials con fallos catastróficos.*
 
 | Trial | CER | text_det_thresh | textline_orientation | Diagnóstico |
 |-------|-----|-----------------|---------------------|-------------|
@@ -565,42 +786,52 @@ Los trials con CER muy alto (>20%) presentaron patrones específicos:
 
 #### Evaluación sobre Dataset Completo
 
-La configuración óptima identificada se evaluó sobre el dataset completo de 24 páginas, comparando con la configuración baseline (valores por defecto de PaddleOCR). Los parámetros optimizados más relevantes fueron: `textline_orientation=True`, `text_det_thresh=0.4690`, `text_det_box_thresh=0.5412`, y `text_rec_score_thresh=0.6350`.
+La configuración óptima identificada se evaluó sobre el dataset completo de 45 páginas, comparando con la configuración baseline (valores por defecto de PaddleOCR). Los parámetros optimizados más relevantes fueron: `textline_orientation=True`, `use_doc_orientation_classify=True`, `text_det_thresh=0.0462`, `text_det_box_thresh=0.4862`, y `text_rec_score_thresh=0.5658`.
 
-**Tabla 27.** *Comparación baseline vs optimizado (24 páginas).*
+**Tabla 31.** *Comparación baseline vs optimizado (45 páginas).*
 
 | Modelo | CER | Precisión Caracteres | WER | Precisión Palabras |
 |--------|-----|---------------------|-----|-------------------|
-| PaddleOCR (Baseline) | 7.78% | 92.22% | 14.94% | 85.06% |
-| PaddleOCR-HyperAdjust | **1.49%** | **98.51%** | **7.62%** | **92.38%** |
+| 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://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py), resultados en [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results).*
 
+> **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.
+
 #### Métricas de Mejora
 
-**Tabla 28.** *Análisis cuantitativo de la mejora.*
+**Tabla 32.** *Análisis cuantitativo de la mejora.*
 
 | Forma de Medición | CER | WER |
 |-------------------|-----|-----|
-| Valor baseline | 7.78% | 14.94% |
-| Valor optimizado | 1.49% | 7.62% |
-| Mejora absoluta | -6.29 pp | -7.32 pp |
-| Reducción relativa del error | **80.9%** | **49.0%** |
-| Factor de mejora | 5.2× | 2.0× |
+| Valor baseline | 8.85% | 13.05% |
+| Valor optimizado | 7.72% | 11.40% |
+| Mejora absoluta | -1.13 pp | -1.65 pp |
+| Reducción relativa del error | **12.8%** | **12.6%** |
+| Factor de mejora | 1.15× | 1.14× |
+| **Mejor trial (5 páginas)** | **0.79%** | **7.78%** |
 
 *Fuente: Elaboración propia.*
 
 ```mermaid
 ---
-title: "Reducción de errores: Baseline vs Optimizado"
+title: "Reducción de errores: Baseline vs Optimizado (45 páginas)"
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
 ---
 xychart-beta
     x-axis ["CER Baseline", "CER Optimizado", "WER Baseline", "WER Optimizado"]
     y-axis "Tasa de error (%)" 0 --> 16
-    bar [7.78, 1.49, 14.94, 7.62]
+    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.*
+*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
 
@@ -608,58 +839,61 @@ xychart-beta
 
 | Configuración | Caracteres con error | Palabras con error* |
 |---------------|---------------------|---------------------|
-| Baseline | ~778 | ~225 |
-| Optimizada | ~149 | ~115 |
-| **Reducción** | **629 menos** | **110 menos** |
+| 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 del notebook:**
+**Interpretación:**
 
-> "La optimización de hiperparámetros mejoró la precisión de caracteres de 92.2% a 98.5%, una ganancia de 6.3 puntos porcentuales. Aunque el baseline ya ofrecía resultados aceptables, la configuración optimizada reduce los errores residuales en un 80.9%."
+> "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."
 
 ### Tiempo de Ejecución
 
-**Tabla 29.** *Métricas de tiempo del experimento.*
+**Tabla 33.** *Métricas de tiempo del experimento (GPU).*
 
 | Métrica | Valor |
 |---------|-------|
-| Tiempo total del experimento | ~6.4 horas |
-| Tiempo medio por trial | 347.61 segundos (~5.8 min) |
-| Tiempo medio por página | 69.42 segundos |
-| Variabilidad (std) | 1.57 segundos/página |
+| Tiempo total del experimento | ~1.5 horas |
+| Tiempo medio por trial | ~4.2 segundos |
+| Tiempo medio por página | 0.84 segundos |
+| Variabilidad (std) | 0.53 segundos/página |
 | Páginas procesadas totales | 320 |
 
-*Fuente: CSV de resultados.*
+*Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
 
 **Observaciones:**
 
-1. El tiempo por página (~70 segundos) corresponde a ejecución en CPU sin aceleración.
-2. La variabilidad del tiempo es muy baja, indicando que los hiperparámetros no afectan significativamente la velocidad.
-3. Con GPU, los tiempos serían 10-50× menores según benchmarks de PaddleOCR.
+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.
+3. En comparación, la ejecución en CPU requiere ~69 segundos/página (82× más lento), lo que justifica el uso de GPU para optimización y producción.
 
 ### Resumen de la Sección
 
 Esta sección ha presentado:
 
-1. **Configuración del experimento**: Arquitectura Docker Compose, dataset extendido, espacio de búsqueda de 7 dimensiones
+1. **Configuración del experimento**: Arquitectura Docker Compose, dataset de 45 páginas, espacio de búsqueda de 7 dimensiones, ejecución con GPU RTX 3060
 
 2. **Resultados estadísticos**:
-   - CER medio: 5.25% (std: 11.03%)
-   - CER mínimo: 1.15%
+   - CER medio: 2.30% (std: 2.20%)
+   - CER mínimo (mejor trial): **0.79%**
    - 67.2% de trials con CER < 2%
 
 3. **Hallazgos clave**:
-   - `textline_orientation=True` reduce CER en 69.7%
-   - `text_det_thresh` tiene correlación -0.52 con CER
-   - Valores de `text_det_thresh` < 0.1 causan fallos catastróficos
+   - `textline_orientation=True` y `use_doc_orientation_classify=True` son críticos
+   - `text_det_thresh` bajo (0.0462) optimiza la detección de texto
+   - Ningún trial presentó fallos catastróficos (CER > 10%)
 
-4. **Mejora final**: CER reducido de 7.78% a 1.49% (reducción del 80.9%)
+4. **Mejora en dataset completo**: CER reducido de 8.85% a 7.72% (reducción del 12.8%)
+
+5. **Observación sobre generalización**: El mejor trial (0.79%) no generalizó completamente al dataset completo (7.72%), evidenciando sobreajuste al subconjunto de 5 páginas
 
 **Fuentes de datos:**
 - [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py): Script principal de optimización
 - [`src/raytune_ocr.py`](https://github.com/seryus/MastersThesis/blob/main/src/raytune_ocr.py): Librería de utilidades Ray Tune
-- [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results): Resultados CSV de los trials
+- [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv): Resultados CSV de los 64 trials
 
 ## Discusión y análisis de resultados
 
@@ -671,49 +905,51 @@ Esta sección presenta un análisis consolidado de los resultados obtenidos en l
 
 #### Progresión del Rendimiento
 
-**Tabla 30.** *Evolución del rendimiento a través del estudio.*
+**Tabla 34.** *Evolución del rendimiento a través del estudio.*
 
 | Fase | Configuración | CER | Mejora vs anterior |
 |------|--------------|-----|-------------------|
-| Benchmark inicial | Baseline (5 páginas) | ~5-6% | - |
-| Optimización (mejor trial) | Optimizada (5 páginas) | 1.15% | ~80% |
-| Validación final | Optimizada (24 páginas) | 1.49% | - |
+| 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 |
 
 *Fuente: Elaboración propia.*
 
-El incremento del CER de 1.15% (5 páginas) a 1.49% (24 páginas) es esperado debido a la mayor diversidad de layouts en el dataset completo.
+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.
 
 #### Comparación con Objetivo
 
-**Tabla 31.** *Verificación del objetivo general.*
+**Tabla 35.** *Verificación del objetivo general.*
 
-| Aspecto | Objetivo | Resultado | Cumplimiento |
-|---------|----------|-----------|--------------|
-| Métrica | CER | CER | ✓ |
-| Umbral | < 2% | 1.49% | ✓ |
-| Método | Sin fine-tuning | Solo hiperparámetros | ✓ |
-| Hardware | Sin GPU | CPU only | ✓ |
+| Aspecto | Objetivo | Resultado (trial) | Resultado (full) | Cumplimiento |
+|---------|----------|-------------------|------------------|--------------|
+| Métrica | CER | CER | CER | ✓ |
+| Umbral | < 2% | **0.79%** | 7.72% | Parcial |
+| Método | Sin fine-tuning | Solo hiperparámetros | Solo hiperparámetros | ✓ |
+| Hardware | GPU | RTX 3060 | RTX 3060 | ✓ |
 
 *Fuente: Elaboración propia.*
 
+> **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.
+
 ### Análisis Detallado de Hiperparámetros
 
 #### Jerarquía de Importancia
 
-Basándose en el análisis de correlación y el impacto observado:
+Basándose en el análisis de los resultados de optimización:
 
-**Tabla 32.** *Ranking de importancia de hiperparámetros.*
+**Tabla 36.** *Ranking de importancia de hiperparámetros.*
 
 | Rank | Parámetro | Impacto | Evidencia |
 |------|-----------|---------|-----------|
-| 1 | `textline_orientation` | **Crítico** | Reduce CER 69.7% |
-| 2 | `text_det_thresh` | **Alto** | Correlación -0.52 |
-| 3 | `text_rec_score_thresh` | Medio | Correlación -0.16 |
-| 4 | `text_det_box_thresh` | Bajo | Correlación +0.23 |
-| 5 | `use_doc_orientation_classify` | Nulo | Sin mejora |
-| 6 | `use_doc_unwarping` | Nulo | Sin mejora |
+| 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 |
 
-*Fuente: Elaboración propia.*
+*Fuente: Elaboración propia basada en [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
 
 #### Análisis del Parámetro textline_orientation
 
@@ -735,35 +971,39 @@ Para documentos académicos que típicamente incluyen tablas, listas y encabezad
 
 | Rango | CER típico | Comportamiento |
 |-------|------------|----------------|
-| 0.0 - 0.1 | >20% | Fallos catastróficos |
-| 0.1 - 0.3 | 5-15% | Rendimiento pobre |
-| 0.3 - 0.5 | 1-5% | Rendimiento óptimo |
-| 0.5 - 0.7 | 2-8% | Rendimiento aceptable |
+| 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:**
 
-- Valores muy bajos (< 0.1) incluyen ruido y artefactos como "texto"
-- Valores muy altos (> 0.6) filtran texto legítimo de bajo contraste
-- El rango óptimo (0.3-0.5) balancea precisión y recall de detección
+- 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**: 0.4690
+**Valor óptimo encontrado**: 0.0462
 
-#### Parámetros sin Impacto Significativo
+#### Análisis de Parámetros de Preprocesamiento
 
-**`use_doc_orientation_classify` y `use_doc_unwarping`:**
+**`use_doc_orientation_classify`:**
 
-Estos módulos están diseñados para:
+En la configuración óptima GPU, este parámetro está **activado** (True), a diferencia de lo observado en experimentos anteriores. Esto sugiere que la clasificación de orientación del documento puede beneficiar incluso documentos digitales cuando se combina con `textline_orientation=True`.
+
+**`use_doc_unwarping`:**
+
+Este módulo permanece desactivado en la configuración óptima. Está diseñado para:
 - Documentos escaneados con rotación
 - Fotografías de documentos con perspectiva
 - Documentos curvados o deformados
 
-Para documentos PDF digitales como los evaluados, estos módulos son innecesarios e incluso pueden introducir artefactos. Su desactivación reduce el tiempo de procesamiento sin pérdida de precisión.
+Para documentos PDF digitales como los evaluados, este módulo es innecesario y puede introducir artefactos.
 
 ### Análisis de Casos de Fallo
 
 #### Clasificación de Errores
 
-**Tabla 33.** *Tipología de errores observados.*
+**Tabla 37.** *Tipología de errores observados.*
 
 | Tipo de error | Frecuencia | Ejemplo | Causa probable |
 |---------------|------------|---------|----------------|
@@ -777,7 +1017,7 @@ Para documentos PDF digitales como los evaluados, estos módulos son innecesario
 
 #### Patrones de Fallo por Tipo de Contenido
 
-**Tabla 34.** *Tasa de error por tipo de contenido.*
+**Tabla 38.** *Tasa de error por tipo de contenido.*
 
 | Tipo de contenido | CER estimado | Factor de riesgo |
 |-------------------|--------------|------------------|
@@ -792,18 +1032,20 @@ Para documentos PDF digitales como los evaluados, estos módulos son innecesario
 
 ### Comparación con Objetivos Específicos
 
-**Tabla 35.** *Cumplimiento de objetivos específicos.*
+**Tabla 39.** *Cumplimiento de objetivos específicos.*
 
 | Objetivo | Descripción | Resultado | Estado |
 |----------|-------------|-----------|--------|
 | OE1 | Comparar soluciones OCR | EasyOCR, PaddleOCR, DocTR evaluados; PaddleOCR seleccionado | ✓ Cumplido |
-| OE2 | Preparar dataset de evaluación | 24 páginas con ground truth | ✓ Cumplido |
-| OE3 | Identificar hiperparámetros críticos | `textline_orientation` y `text_det_thresh` identificados | ✓ Cumplido |
-| OE4 | Optimizar con Ray Tune (≥50 trials) | 64 trials ejecutados | ✓ Cumplido |
-| OE5 | Validar configuración optimizada | CER: 7.78% → 1.49% documentado | ✓ Cumplido |
+| OE2 | Preparar dataset de evaluación | 45 páginas con ground truth | ✓ Cumplido |
+| 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.*
 
+> **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.
+
 ### Limitaciones del Estudio
 
 #### Limitaciones de Generalización
@@ -818,11 +1060,11 @@ Para documentos PDF digitales como los evaluados, estos módulos son innecesario
 
 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.
 
-2. **Tamaño del dataset**: 24 páginas es un dataset pequeño. Un dataset más amplio proporcionaría estimaciones más robustas.
+2. **Tamaño del dataset**: 45 páginas es un dataset limitado. Un dataset más amplio proporcionaría estimaciones más robustas.
 
 3. **Parámetro fijo**: `text_det_unclip_ratio` se mantuvo en 0.0 durante todo el experimento. Explorar este parámetro podría revelar mejoras adicionales.
 
-4. **Ejecución en CPU**: Los tiempos reportados corresponden a ejecución en CPU. El comportamiento con GPU podría diferir.
+4. **Subconjunto de ajuste limitado**: El ajuste de hiperparámetros se realizó sobre 5 páginas (páginas 5-10), lo que contribuyó al sobreajuste observado en la validación del dataset completo.
 
 #### Limitaciones de Validación
 
@@ -836,31 +1078,33 @@ Para documentos PDF digitales como los evaluados, estos módulos son innecesario
 
 Para documentos académicos en español similares a los evaluados:
 
-**Tabla 31.** *Configuración recomendada para PaddleOCR.*
+**Tabla 40.** *Configuración recomendada para PaddleOCR con GPU.*
 
 | Parámetro | Valor | Prioridad | Justificación |
 |-----------|-------|-----------|---------------|
-| `textline_orientation` | True | Obligatorio | Reduce CER en 69.7% |
-| `text_det_thresh` | 0.45 (rango: 0.4-0.5) | Recomendado | Correlación fuerte con CER |
-| `text_rec_score_thresh` | 0.6 (rango: 0.5-0.7) | Recomendado | Filtra reconocimientos poco confiables |
-| `text_det_box_thresh` | 0.55 (rango: 0.5-0.6) | Opcional | Impacto moderado |
-| `use_doc_orientation_classify` | False | No recomendado | Innecesario para PDFs digitales |
+| `textline_orientation` | True | Obligatorio | Crítico para layouts complejos |
+| `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 resultados de optimización.*
+*Fuente: Análisis de [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
 
 #### Cuándo Aplicar Esta Metodología
 
 La optimización de hiperparámetros es recomendable cuando:
 
-1. **Sin GPU disponible**: El fine-tuning requiere GPU; la optimización de hiperparámetros no.
+1. **GPU disponible**: Acelera significativamente la exploración del espacio de hiperparámetros (82× más rápido que CPU).
 
-2. **Modelo preentrenado adecuado**: El modelo ya soporta el idioma objetivo.
+2. **Modelo preentrenado adecuado**: El modelo ya soporta el idioma objetivo (como PaddleOCR para español).
 
 3. **Dominio específico**: Se busca optimizar para un tipo de documento particular.
 
 4. **Mejora incremental**: El rendimiento baseline es aceptable pero mejorable.
 
+5. **Sin datos de entrenamiento**: No se dispone de datasets etiquetados para fine-tuning.
+
 #### Cuándo NO Aplicar Esta Metodología
 
 La optimización de hiperparámetros puede ser insuficiente cuando:
@@ -882,33 +1126,38 @@ Este capítulo ha presentado el desarrollo completo de la contribución:
 - Selección de PaddleOCR por su configurabilidad
 
 **Desarrollo de la comparativa:**
-- 64 trials de Ray Tune con Optuna
-- Identificación de `textline_orientation` y `text_det_thresh` como críticos
-- CER mínimo alcanzado: 1.15%
+- 64 trials de Ray Tune con Optuna usando GPU RTX 3060
+- Identificación de `textline_orientation`, `use_doc_orientation_classify` y `text_det_thresh` como críticos
+- CER mínimo alcanzado en trial individual: **0.79%**
 
 **Discusión y análisis:**
-- Mejora del CER de 7.78% a 1.49% (reducción del 80.9%)
-- Cumplimiento de todos los objetivos específicos
-- Identificación de limitaciones y recomendaciones prácticas
+- Mejora del CER en dataset completo de 8.85% a 7.72% (reducción del **12.8%**)
+- Mejor trial: 0.79% CER (cumple objetivo CER < 2%)
+- Identificación de sobreajuste y recomendaciones prácticas
 
-**Resultado principal**: Se logró alcanzar el objetivo de CER < 2% mediante optimización de hiperparámetros, sin requerir fine-tuning ni recursos GPU.
+**Resultados principales**:
+- El objetivo de CER < 2% se cumple en el mejor trial (0.79%)
+- La generalización al dataset completo (7.72%) revela sobreajuste que requiere trabajo futuro
+- La optimización de hiperparámetros con GPU es viable y eficiente (82× más rápido que CPU)
 
 **Fuentes de datos:**
 - [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py): Script principal de optimización
-- [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results): Resultados CSV de los trials
+- [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv): Resultados CSV de PaddleOCR
+- [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_easyocr_results_20260119_120204.csv): Resultados CSV de EasyOCR
+- [`src/results/raytune_doctr_results_20260119_121445.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_doctr_results_20260119_121445.csv): Resultados CSV de DocTR
 
 **Imágenes Docker:**
 - `seryus.ddns.net/unir/paddle-ocr-gpu`: PaddleOCR con soporte GPU
 - `seryus.ddns.net/unir/easyocr-gpu`: EasyOCR con soporte GPU
 - `seryus.ddns.net/unir/doctr-gpu`: DocTR con soporte GPU
 
-### Validación con Aceleración GPU
+### Comparativa de Rendimiento CPU vs GPU
 
-Para evaluar la viabilidad práctica del enfoque optimizado en escenarios de producción, se realizó una validación adicional utilizando aceleración GPU. Esta fase complementa los experimentos en CPU presentados anteriormente y demuestra la aplicabilidad del método cuando se dispone de hardware con capacidad de procesamiento paralelo.
+Esta sección presenta la comparación de rendimiento entre ejecución en CPU y GPU, justificando la elección de GPU para el experimento principal y demostrando el impacto práctico de la aceleración por hardware.
 
 #### Configuración del Entorno GPU
 
-**Tabla 36.** *Especificaciones del entorno de validación GPU.*
+**Tabla 41.** *Especificaciones del entorno GPU utilizado.*
 
 | Componente | Especificación |
 |------------|----------------|
@@ -920,28 +1169,32 @@ Para evaluar la viabilidad práctica del enfoque optimizado en escenarios de pro
 
 *Fuente: Elaboración propia.*
 
-El entorno de validación representa hardware de consumo típico para desarrollo de aplicaciones de machine learning, permitiendo evaluar el rendimiento en condiciones realistas de despliegue.
+Este hardware representa configuración típica de desarrollo, permitiendo evaluar el rendimiento en condiciones realistas de despliegue.
 
 #### Comparación CPU vs GPU
 
-Se evaluó el tiempo de procesamiento utilizando la configuración optimizada identificada en la fase anterior, comparando el rendimiento entre CPU y GPU.
+Se comparó el tiempo de procesamiento entre CPU y GPU utilizando los datos de [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://github.com/seryus/MastersThesis/blob/main/src/raytune_paddle_subproc_results_20251207_192320.csv) (CPU) y [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv) (GPU).
 
-**Tabla 37.** *Rendimiento comparativo CPU vs GPU.*
+**Tabla 42.** *Rendimiento comparativo CPU vs GPU.*
 
 | Métrica | CPU | GPU (RTX 3060) | Factor de Aceleración |
 |---------|-----|----------------|----------------------|
-| Tiempo/Página | 69.4s | 0.55s | **126x** |
-| Dataset completo (45 páginas) | ~52 min | ~25 seg | **126x** |
+| 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** |
 
-*Fuente: Elaboración propia a partir de experimentos.*
+*Fuente: Elaboración propia a partir de [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://github.com/seryus/MastersThesis/blob/main/src/raytune_paddle_subproc_results_20251207_192320.csv) y [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
 
-La aceleración de 126x obtenida con GPU transforma la aplicabilidad práctica del sistema. Mientras que el procesamiento en CPU limita el uso a escenarios de procesamiento por lotes sin restricciones de tiempo, la velocidad con GPU habilita casos de uso interactivos y de tiempo real.
+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
+- **Producción con GPU (0.84s/página)**: Habilita procesamiento en tiempo real
 
 #### Comparación de Modelos PaddleOCR
 
 PaddleOCR ofrece dos variantes de modelos: Mobile (optimizados para dispositivos con recursos limitados) y Server (mayor precisión a costa de mayor consumo de memoria). Se evaluó la viabilidad de ambas variantes en el hardware disponible.
 
-**Tabla 38.** *Comparación de modelos Mobile vs Server en RTX 3060.*
+**Tabla 43.** *Comparación de modelos Mobile vs Server en RTX 3060.*
 
 | Modelo | VRAM Requerida | Resultado | Recomendación |
 |--------|----------------|-----------|---------------|
@@ -956,7 +1209,7 @@ Los modelos Server, a pesar de ofrecer potencialmente mayor precisión, resultan
 
 La validación con aceleración GPU permite extraer las siguientes conclusiones:
 
-1. **Aceleración significativa**: La GPU proporciona una aceleración de 126x sobre CPU, haciendo viable el procesamiento en tiempo real para aplicaciones interactivas.
+1. **Aceleración significativa**: La GPU proporciona una aceleración de 82× sobre CPU, haciendo viable el procesamiento en tiempo real para aplicaciones interactivas.
 
 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.
 
@@ -964,4 +1217,4 @@ La validación con aceleración GPU permite extraer las siguientes conclusiones:
 
 4. **Escalabilidad**: La arquitectura de microservicios dockerizados utilizada para la validación GPU facilita el despliegue horizontal, permitiendo escalar el procesamiento según demanda.
 
-Esta validación demuestra que la configuración optimizada mediante Ray Tune no solo mejora la precisión (CER: 7.78% → 1.49%) sino que, combinada con aceleración GPU, resulta prácticamente aplicable en escenarios de producción real.
+Esta validación demuestra que la configuración optimizada mediante Ray Tune mejora la precisión (CER: 8.85% → 7.72% en dataset completo, 0.79% en mejor trial individual) y, combinada con aceleración GPU, resulta prácticamente aplicable en escenarios de producción real.

docs/05_conclusiones_trabajo_futuro.md

@@ -6,18 +6,20 @@ Este capítulo resume las principales conclusiones del trabajo, evalúa el grado
 
 ### Conclusiones Generales
 
-Este Trabajo Fin de Máster ha demostrado que es posible mejorar significativamente el rendimiento de sistemas OCR preentrenados mediante optimización sistemática de hiperparámetros, sin requerir fine-tuning ni recursos GPU dedicados.
+Este Trabajo Fin de Máster ha demostrado que es posible mejorar significativamente el rendimiento de sistemas OCR preentrenados mediante optimización sistemática de hiperparámetros, utilizando una infraestructura dockerizada con aceleración GPU para facilitar la experimentación.
 
-El objetivo principal del trabajo era alcanzar un CER inferior al 2% en documentos académicos en español. Los resultados obtenidos confirman el cumplimiento de este objetivo:
+El objetivo principal del trabajo era alcanzar un CER inferior al 2% en documentos académicos en español. Los resultados obtenidos se resumen a continuación:
 
-**Tabla 39.** *Cumplimiento del objetivo de CER.*
+**Tabla 44.** *Cumplimiento del objetivo de CER.*
 
-| Métrica | Objetivo | Resultado |
-|---------|----------|-----------|
-| CER | < 2% | **1.49%** |
+| Métrica | Objetivo | Mejor Trial | Dataset Completo | Cumplimiento |
+|---------|----------|-------------|------------------|--------------|
+| CER | < 2% | **0.79%** | **7.72%** | ✓ Parcial |
 
 *Fuente: Elaboración propia.*
 
+> **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.
+
 ### Conclusiones Específicas
 
 **Respecto a OE1 (Comparativa de soluciones OCR)**:
@@ -25,25 +27,27 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 - PaddleOCR demostró el mejor rendimiento base para documentos en español
 - La configurabilidad del pipeline de PaddleOCR lo hace idóneo para optimización
 
-**Respecto a OE2 (Preparación del dataset)**:
-- Se construyó un dataset estructurado con 24 páginas de documentos académicos
+**Respecto a OE2 (Preparación del conjunto de datos)**:
+- Se construyó un conjunto de datos estructurado con 45 páginas de documentos académicos
 - La clase `ImageTextDataset` facilita la carga de pares imagen-texto
-- El ground truth se extrajo automáticamente del PDF mediante PyMuPDF
+- El texto de referencia se extrajo automáticamente del PDF mediante PyMuPDF
 
 **Respecto a OE3 (Identificación de hiperparámetros críticos)**:
-- El parámetro `textline_orientation` es el más influyente: reduce el CER en un 69.7% cuando está habilitado
-- El umbral `text_det_thresh` presenta la correlación más fuerte (-0.52) con el CER
-- Los parámetros de corrección de documento (`use_doc_orientation_classify`, `use_doc_unwarping`) no aportan mejora en documentos digitales
+- El parámetro `textline_orientation` es el más influyente, siendo crítico para obtener buenos resultados
+- El parámetro `use_doc_orientation_classify` demostró impacto positivo en la configuración GPU
+- El umbral `text_det_thresh` presenta correlación negativa moderada (-0.52) con el CER
+- El parámetro `use_doc_unwarping` no aporta mejora en documentos digitales
 
 **Respecto a OE4 (Optimización con Ray Tune)**:
-- Se ejecutaron 64 trials con el algoritmo OptunaSearch
-- El tiempo total del experimento fue aproximadamente 6 horas (en CPU)
+- Se ejecutaron 64 trials con el algoritmo OptunaSearch y aceleración GPU
+- El tiempo total del experimento fue aproximadamente 1.5 horas (con GPU RTX 3060)
 - La arquitectura basada en contenedores Docker permitió superar incompatibilidades entre Ray y los motores OCR, facilitando además la portabilidad y reproducibilidad
 
 **Respecto a OE5 (Validación de la configuración)**:
-- Se validó la configuración óptima sobre el dataset completo de 24 páginas
-- La mejora obtenida fue del 80.9% en reducción del CER (7.78% → 1.49%)
-- La precisión de caracteres alcanzó el 98.51%
+- Se validó la configuración óptima sobre el conjunto de datos completo de 45 páginas
+- El mejor trial individual alcanzó un CER de 0.79% (precisión del 99.21%)
+- En el conjunto de datos completo se obtuvo una mejora del 12.8% en CER (8.85% → 7.72%)
+- La diferencia entre resultados de trial y validación completa revela sobreajuste al subconjunto de optimización
 
 ### Hallazgos Clave
 
@@ -53,7 +57,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 
 3. **Simplicidad para documentos digitales**: Para documentos PDF digitales (no escaneados), los módulos de corrección de orientación y deformación son innecesarios.
 
-4. **Optimización sin fine-tuning**: Se puede mejorar significativamente el rendimiento de modelos preentrenados mediante ajuste de hiperparámetros de inferencia.
+4. **Optimización sin fine-tuning**: Se puede mejorar el rendimiento de modelos preentrenados mediante ajuste de hiperparámetros de inferencia, aunque la generalización a conjuntos de datos más amplios requiere validación cuidadosa.
 
 ### Contribuciones del Trabajo
 
@@ -69,23 +73,27 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 
 1. **Tipo de documento único**: Los experimentos se realizaron únicamente sobre documentos académicos de UNIR. La generalización a otros tipos de documentos requiere validación adicional.
 
-2. **Tamaño del dataset**: 24 páginas es un corpus limitado para conclusiones estadísticamente robustas.
+2. **Tamaño del conjunto de datos**: 45 páginas es un corpus limitado para conclusiones estadísticamente robustas.
 
-3. **Ground truth automático**: La extracción automática del texto de referencia puede introducir errores en layouts complejos.
+3. **Texto de referencia automático**: La extracción automática del texto de referencia puede introducir errores en diseños complejos.
 
-4. **Validación en entorno limitado**: Aunque se validó con GPU (126x más rápido que CPU, 0.55s/página), los experimentos se realizaron en hardware de consumo (RTX 3060). Hardware empresarial podría ofrecer mejor rendimiento.
+4. **Sobreajuste al subconjunto de optimización**: El ajuste sobre 5 páginas no generalizó completamente al conjunto de datos de 45 páginas, resultando en un CER de 7.72% frente al 0.79% del mejor trial.
 
 5. **Parámetro no explorado**: `text_det_unclip_ratio` permaneció fijo en 0.0 durante todo el experimento.
 
+6. **Hardware de consumo**: Aunque la GPU RTX 3060 proporcionó una aceleración de 82× respecto a CPU, hardware empresarial podría ofrecer mejor rendimiento.
+
 ## Líneas de trabajo futuro
 
 ### Extensiones Inmediatas
 
 1. **Validación cruzada**: Evaluar la configuración óptima en otros tipos de documentos en español (facturas, formularios, textos manuscritos).
 
-2. **Exploración de `text_det_unclip_ratio`**: Incluir este parámetro en el espacio de búsqueda.
+2. **Subconjunto de optimización más amplio**: Utilizar un subconjunto mayor (15-20 páginas) para el ajuste de hiperparámetros y reducir el sobreajuste.
 
-3. **Dataset ampliado**: Construir un corpus más amplio y diverso de documentos en español.
+3. **Exploración de `text_det_unclip_ratio`**: Incluir este parámetro en el espacio de búsqueda.
+
+4. **Conjunto de datos ampliado**: Construir un corpus más amplio y diverso de documentos en español.
 
 ### Líneas de Investigación
 
@@ -107,9 +115,11 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 
 ### Reflexión Final
 
-Este trabajo demuestra que, en un contexto de recursos limitados donde el fine-tuning de modelos de deep learning no es viable, la optimización de hiperparámetros representa una alternativa práctica y efectiva para mejorar sistemas OCR.
+Este trabajo demuestra que la optimización de hiperparámetros representa una alternativa viable al fine-tuning para mejorar sistemas OCR, especialmente cuando se dispone de modelos preentrenados para el idioma objetivo.
 
-La metodología propuesta es reproducible, los resultados son cuantificables, y las conclusiones son aplicables a escenarios reales de procesamiento documental. La reducción del CER del 7.78% al 1.49% representa una mejora sustancial que puede tener impacto directo en aplicaciones downstream como extracción de información, análisis semántico y búsqueda de documentos.
+La metodología propuesta es reproducible, los resultados son cuantificables, y las conclusiones son aplicables a escenarios reales de procesamiento documental. Aunque el objetivo de CER < 2% se alcanzó en el mejor trial individual (0.79%), la validación sobre el conjunto de datos completo (7.72%) revela la importancia de utilizar subconjuntos de optimización representativos y de validar rigurosamente la generalización.
 
-El código fuente y los datos experimentales están disponibles públicamente para facilitar la reproducción y extensión de este trabajo.
+La infraestructura dockerizada desarrollada facilita la reproducibilidad de los experimentos y la evaluación sistemática de configuraciones OCR. La aceleración de 82× proporcionada por GPU hace viable la exploración exhaustiva de espacios de hiperparámetros en tiempos razonables.
+
+El código fuente, las imágenes Docker y los datos experimentales están disponibles públicamente en el [repositorio del proyecto](https://github.com/seryus/MastersThesis) para facilitar la reproducción y extensión de este trabajo.
 

docs/07_anexo_a.md

@@ -16,33 +16,79 @@ El repositorio incluye:
 
 ## A.2 Estructura del Repositorio
 
+```mermaid
+---
+title: "Estructura del repositorio MastersThesis"
+config:
+  theme: base
+  themeVariables:
+    primaryColor: "#E6F4F9"
+    primaryTextColor: "#404040"
+    primaryBorderColor: "#0098CD"
+    lineColor: "#0098CD"
+---
+flowchart TB
+    subgraph root["MastersThesis/"]
+        direction TB
+
+        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"]
+            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
 ```
-MastersThesis/
-├── docs/                           # Documentación de la tesis
-│   └── metrics/                    # Métricas de rendimiento OCR
-│       ├── metrics.md              # Resumen comparativo
-│       ├── metrics_paddle.md       # Resultados PaddleOCR
-│       ├── metrics_doctr.md        # Resultados DocTR
-│       └── metrics_easyocr.md      # Resultados EasyOCR
-├── src/
-│   ├── paddle_ocr/                 # Servicio PaddleOCR
-│   │   ├── Dockerfile.gpu          # Imagen Docker GPU
-│   │   ├── Dockerfile.cpu          # Imagen Docker CPU
-│   │   ├── docker-compose.yml      # Configuración Docker
-│   │   └── main.py                 # API FastAPI
-│   ├── doctr_service/              # Servicio DocTR
-│   │   ├── Dockerfile.gpu
-│   │   ├── docker-compose.yml
-│   │   └── main.py
-│   ├── easyocr_service/            # Servicio EasyOCR
-│   │   ├── Dockerfile.gpu
-│   │   ├── docker-compose.yml
-│   │   └── main.py
-│   ├── dataset/                    # Dataset de evaluación
-│   ├── raytune_ocr.py              # Utilidades compartidas Ray Tune
-│   └── results/                    # Resultados de ajuste CSV
-└── .gitea/workflows/ci.yaml        # Pipeline CI/CD
-```
+
+**Tabla A5.** *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.*
 
 ## A.3 Requisitos de Software
 
@@ -79,8 +125,8 @@ MastersThesis/
 ### PaddleOCR (Puerto 8002)
 
 **Imágenes Docker:**
-- GPU: `seryus.ddns.net/unir/paddle-ocr-gpu`
-- CPU: `seryus.ddns.net/unir/paddle-ocr-cpu`
+- GPU: [`seryus.ddns.net/unir/paddle-ocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-gpu/latest)
+- CPU: [`seryus.ddns.net/unir/paddle-ocr-cpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-cpu/latest)
 
 ```bash
 cd src/paddle_ocr
@@ -88,13 +134,13 @@ cd src/paddle_ocr
 # GPU (recomendado)
 docker compose up -d
 
-# CPU (más lento, 126x)
+# CPU (más lento, 82x)
 docker compose -f docker-compose.cpu-registry.yml up -d
 ```
 
 ### DocTR (Puerto 8003)
 
-**Imagen Docker:** `seryus.ddns.net/unir/doctr-gpu`
+**Imagen Docker:** [`seryus.ddns.net/unir/doctr-gpu`](https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest)
 
 ```bash
 cd src/doctr_service
@@ -105,12 +151,14 @@ docker compose up -d
 
 ### EasyOCR (Puerto 8002)
 
-**Imagen Docker:** `seryus.ddns.net/unir/easyocr-gpu`
+> **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)
 
 ```bash
 cd src/easyocr_service
 
-# GPU
+# GPU (usar archivo separado para evitar conflicto de puerto)
 docker compose up -d
 ```
 
@@ -183,20 +231,22 @@ analyze_results(results, prefix='raytune_paddle', config_keys=PADDLE_OCR_CONFIG_
 
 **Tabla A3.** *Servicios Docker y puertos.*
 
-| Servicio | Puerto | Script de Ajuste |
-|----------|--------|------------------|
-| PaddleOCR | 8002 | `paddle_ocr_payload` |
-| DocTR | 8003 | `doctr_payload` |
-| EasyOCR | 8002 | `easyocr_payload` |
+| Servicio | Puerto | Script de Ajuste | Nota |
+|----------|--------|------------------|------|
+| PaddleOCR | 8002 | `paddle_ocr_payload` | - |
+| DocTR | 8003 | `doctr_payload` | - |
+| EasyOCR | 8002 | `easyocr_payload` | Conflicto con PaddleOCR |
 
 *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`.
+
 ## A.7 Métricas de Rendimiento
 
 Los resultados detallados de las evaluaciones y ajustes de hiperparámetros se encuentran en:
 
 - [Métricas Generales](metrics/metrics.md) - Comparativa de los tres servicios
-- [PaddleOCR](metrics/metrics_paddle.md) - Mejor precisión (7.76% CER baseline, **1.49% optimizado**)
+- [PaddleOCR](metrics/metrics_paddle.md) - Mejor precisión (8.85% CER baseline, **7.72% optimizado**, **0.79% mejor trial**)
 - [DocTR](metrics/metrics_doctr.md) - Más rápido (0.50s/página)
 - [EasyOCR](metrics/metrics_easyocr.md) - Balance intermedio
 

docs/metrics/metrics_paddle.md

@@ -1,6 +1,8 @@
 # Resultados de Ajuste de Hiperparámetros PaddleOCR
 
-> **Nota:** Los resultados de este documento corresponden a la fase de validación GPU con 45 páginas. El resultado oficial del TFM es **CER 1.49%** obtenido en la validación final de 24 páginas con la configuración optimizada (ver `docs/04_desarrollo_especifico.md`).
+> **Resultados principales del TFM:**
+> - Mejor trial (5 páginas): **CER 0.79%** ✓ cumple objetivo CER < 2%
+> - Dataset completo (45 páginas): **CER 7.72%** (mejora del 12.8% respecto a baseline)
 
 **Fecha de Ajuste:** 2026-01-19
 **Plataforma:** NVIDIA RTX 3060 Laptop GPU