Paddle ocr, easyicr and doctr gpu support. (#4)

README.md

@@ -18,11 +18,15 @@ Optimizar el rendimiento de PaddleOCR para documentos académicos en español me
 
 ## Resultados Principales
 
+**Tabla.** *Comparación de métricas OCR entre configuración baseline y optimizada.*
+
 | 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%** |
 
+*Fuente: Elaboración propia.*
+
 **Mejora obtenida:** Reducción del CER en un **80.9%**
 
 ### Configuración Óptima Encontrada
@@ -56,6 +60,8 @@ PDF (académico UNIR)
 
 ### Experimento de Optimización
 
+**Tabla.** *Parámetros de configuración del experimento Ray Tune.*
+
 | Parámetro | Valor |
 |-----------|-------|
 | Número de trials | 64 |
@@ -64,6 +70,8 @@ PDF (académico UNIR)
 | Trials concurrentes | 2 |
 | Tiempo total | ~6 horas (CPU) |
 
+*Fuente: Elaboración propia.*
+
 ---
 
 ## Estructura del Repositorio
@@ -113,18 +121,50 @@ 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
 
+**Tabla.** *Dependencias principales del proyecto y versiones utilizadas.*
+
 | Componente | Versión |
 |------------|---------|
-| Python | 3.11.9 |
+| Python | 3.12.3 |
 | PaddlePaddle | 3.2.2 |
 | PaddleOCR | 3.3.2 |
 | Ray | 2.52.1 |
-| Optuna | 4.6.0 |
+| Optuna | 4.7.0 |
 | jiwer | (para métricas CER/WER) |
 | PyMuPDF | (para conversión PDF) |
 
+*Fuente: Elaboración propia.*
+
 ---
 
 ## Uso
@@ -155,7 +195,7 @@ python src/paddle_ocr_tuning.py \
 
 ## Fuentes de Datos
 
-- **Dataset**: Instrucciones para la elaboración del TFE (UNIR), 24 páginas
+- **Dataset**: 2 documentos UNIR (45 páginas total): Instrucciones TFE (24 pág.) + Plantilla TFE (21 pág.)
 - **Resultados Ray Tune (PRINCIPAL)**: `src/raytune_paddle_subproc_results_20251207_192320.csv` - 64 trials de optimización con todas las métricas y configuraciones
 
 ---
@@ -234,14 +274,18 @@ python3 apply_content.py
 
 ### Archivos de Entrada y Salida
 
+**Tabla.** *Relación de scripts de generación con sus archivos de entrada y salida.*
+
 | Script | Entrada | Salida |
 |--------|---------|--------|
 | `generate_mermaid_figures.py` | `docs/*.md` (bloques ```mermaid```) | `thesis_output/figures/figura_*.png`, `figures_manifest.json` |
 | `apply_content.py` | `instructions/plantilla_individual.htm`, `docs/*.md`, `thesis_output/figures/*.png` | `thesis_output/plantilla_individual.htm` |
 
+*Fuente: Elaboración propia.*
+
 ### Contenido Generado Automáticamente
 
-- **30 tablas** con formato APA (Tabla X. *Título* + Fuente: ...)
+- **53 tablas** con formato APA (Tabla X. *Título* + Fuente: ...)
 - **8 figuras** desde Mermaid (Figura X. *Título* + Fuente: Elaboración propia)
 - **25 referencias** en formato APA con sangría francesa
 - **Resumen/Abstract** con palabras clave
@@ -252,48 +296,70 @@ 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.
 
-### Tareas Completadas
-
-- [x] **Estructura docs/ según plantilla UNIR**: Todos los capítulos siguen numeración exacta (1.1, 1.2, etc.)
-- [x] **Añadir diagramas Mermaid**: 7 diagramas añadidos (pipeline OCR, arquitectura Ray Tune, gráficos de comparación)
-- [x] **Generar documento TFM unificado**: Script `apply_content.py` genera documento completo desde docs/
-- [x] **Convertir Mermaid a PNG**: Script `generate_mermaid_figures.py` genera figuras automáticamente
-
 ### Tareas Pendientes
 
-#### 1. Validación del Enfoque (Prioridad Alta)
-- [ ] **Validación cruzada en otros documentos**: Evaluar la configuración óptima en otros tipos de documentos en español (facturas, formularios, contratos) para verificar generalización
-- [ ] **Ampliar el dataset**: El dataset actual tiene solo 24 páginas. Construir un corpus más amplio y diverso (mínimo 100 páginas)
-- [ ] **Validación del ground truth**: Revisar manualmente el texto de referencia extraído automáticamente para asegurar su exactitud
-
-#### 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
-
-#### 3. Documentación y Presentación (Prioridad Alta)
+#### Obligatorias para Entrega
+- [ ] **Revisión final del documento**: Abrir en Word, actualizar índices (Ctrl+A → F9), ajustar figuras, guardar como .docx
 - [ ] **Crear presentación**: Preparar slides para la defensa del TFM
-- [ ] **Revisión final del documento**: Verificar formato, índices y contenido en Word
 
-#### 4. Extensiones Futuras (Opcional)
-- [ ] **Herramienta de configuración automática**: Desarrollar una herramienta que determine automáticamente la configuración óptima para un nuevo tipo de documento
-- [ ] **Benchmark público para español**: Publicar un benchmark de OCR para documentos en español que facilite comparación de soluciones
-- [ ] **Optimización multi-objetivo**: Considerar CER, WER y tiempo de inferencia simultáneamente
+#### Opcionales (Mejoras Futuras)
+- [ ] **Validación cruzada**: Evaluar configuración en otros documentos (facturas, formularios)
+- [ ] **Explorar `text_det_unclip_ratio`**: Parámetro fijado en 0.0, podría mejorar resultados
+- [ ] **Comparativa con fine-tuning**: Cuantificar brecha vs fine-tuning real
+- [ ] **Herramienta de configuración automática**: Auto-detectar configuración óptima por documento
+- [ ] **Benchmark público para español**: Facilitar comparación de soluciones OCR
 
-### Recomendación de Próximos Pasos
+#### Completadas
+- [x] **Estructura docs/ según plantilla UNIR**
+- [x] **Diagramas Mermaid**: 8 figuras generadas
+- [x] **Documento TFM unificado**: Script `apply_content.py`
+- [x] **Evaluación con GPU**: RTX 3060 - 126x más rápido (0.55s/página)
 
-1. **Inmediato**: Abrir documento generado en Word, actualizar índices (Ctrl+A, F9), guardar como .docx
-2. **Corto plazo**: Validar en 2-3 tipos de documentos adicionales para demostrar generalización
-3. **Para la defensa**: Crear presentación con visualizaciones de resultados
+### Dataset
+
+El dataset contiene **45 páginas** de 2 documentos UNIR:
+- `src/dataset/0/`: Instrucciones TFE (24 páginas)
+- `src/dataset/1/`: Plantilla TFE (21 páginas)
+
+#### Formato Hugging Face
+
+El dataset está disponible en formato Hugging Face en `src/dataset_hf/`:
+
+```
+src/dataset_hf/
+├── README.md          # Dataset card
+├── metadata.jsonl     # Metadata (image_path, text, doc_id, page_num)
+└── data/              # 45 imágenes PNG
+```
+
+#### Generar/Regenerar Dataset
+
+```bash
+# Convertir de formato original a HF
+source .venv/bin/activate
+python src/dataset_formatting/convert_to_hf_dataset.py
+
+# Upload a Gitea packages (requiere GITEA_TOKEN)
+./src/dataset_formatting/upload-dataset.sh $GITEA_TOKEN
+```
+
+#### Descargar Dataset
+
+```bash
+# Desde Gitea packages
+curl -O https://seryus.ddns.net/api/packages/unir/generic/ocr-dataset-spanish/1.0.0/dataset-1.0.0.tar.gz
+tar -xzf dataset-1.0.0.tar.gz -C src/dataset_hf/
+```
 
 ---