unir/MastersThesis
0
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

LaTex ecuations
Some checks failed
build_docker / essential (push) Successful in 1s
Details
build_docker / build_paddle_ocr (push) Has started running
Details
build_docker / build_doctr_gpu (push) Has been cancelled
Details
build_docker / build_easyocr (push) Has been cancelled
Details
build_docker / build_easyocr_gpu (push) Has been cancelled
Details
build_docker / build_doctr (push) Has been cancelled
Details
build_docker / build_raytune (push) Has been cancelled
Details
build_docker / build_paddle_ocr_gpu (push) Has been cancelled
Details

Browse Source
This commit is contained in:
Sergio Jimenez Jimenez
2026-02-04 21:07:27 +01:00
parent e9c937a042
commit b91e31e173
9 changed files with 157 additions and 108 deletions
Download Patch File Download Diff File Expand all files Collapse all files

6
docs/04_desarrollo_especifico.md
View File

@@ -1130,7 +1130,7 @@ Para documentos académicos en español similares a los evaluados:
**Fuente:** [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/src/branch/main/src/results/raytune_paddle_results_20260119_122609.csv).
#### Cuándo Aplicar Esta Metodología
#### ¿Cuándo aplicar esta metodología?
La optimización de hiperparámetros es recomendable cuando:
@@ -1144,7 +1144,7 @@ La optimización de hiperparámetros es recomendable cuando:
5. **Sin datos de entrenamiento**: No se dispone de datasets etiquetados para fine-tuning.
#### Cuándo NO Aplicar Esta Metodología
#### ¿Cuándo no aplicar esta metodología?
La optimización de hiperparámetros puede ser insuficiente cuando:
@@ -1262,4 +1262,4 @@ PaddleOCR ofrece dos variantes de modelos: Mobile (optimizados para dispositivos
Los modelos Server, a pesar de ofrecer potencialmente mayor precisión, resultan inviables en hardware con VRAM limitada (≤6 GB) debido a errores de memoria (Out of Memory). Los modelos Mobile, con un consumo de memoria 88 veces menor, funcionan de manera estable y ofrecen rendimiento suficiente para el caso de uso evaluado.
La validación con aceleración GPU 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 la aceleración de 82x proporcionada por GPU, resulta prácticamente aplicable en escenarios de producción real. Las conclusiones derivadas de esta validación se presentan en el Capítulo 5.
La validación con aceleración GPU 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 la aceleración de 82x proporcionada por GPU, resulta prácticamente aplicable en escenarios de producción real. Las conclusiones derivadas de esta validación se presentan en el [Capítulo 5](#capitulo-5).