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

Paddle ocr, easyicr and doctr gpu support. (#4)
All checks were successful
build_docker / essential (push) Successful in 0s
Details
build_docker / build_cpu (push) Successful in 5m0s
Details
build_docker / build_gpu (push) Successful in 22m55s
Details
build_docker / build_easyocr (push) Successful in 18m47s
Details
build_docker / build_easyocr_gpu (push) Successful in 19m0s
Details
build_docker / build_raytune (push) Successful in 3m27s
Details
build_docker / build_doctr (push) Successful in 19m42s
Details
build_docker / build_doctr_gpu (push) Successful in 14m49s
Details

Browse Source
This commit was merged in pull request #4.
This commit is contained in:
Sergio Jimenez Jimenez
2026-01-19 17:35:24 +00:00
committed by Sergio Jimenez Jimenez
parent 8e2b7a5096
commit c7ed7b2b9c
105 changed files with 8170 additions and 1263 deletions
Download Patch File Download Diff File Expand all files Collapse all files

12
docs/01_introduccion.md
View File

@@ -18,6 +18,8 @@ El procesamiento de documentos en español presenta particularidades que complic
La Tabla 1 resume los principales desafíos lingüísticos del OCR en español:
**Tabla 1.** *Desafíos lingüísticos específicos del OCR en español.*
| Desafío | Descripción | Impacto en OCR |
|---------|-------------|----------------|
| Caracteres especiales | ñ, á, é, í, ó, ú, ü, ¿, ¡ | Confusión con caracteres similares (n/ñ, a/á) |
@@ -25,7 +27,7 @@ La Tabla 1 resume los principales desafíos lingüísticos del OCR en español:
| Abreviaturas | Dr., Sra., Ud., etc. | Puntos internos confunden segmentación |
| Nombres propios | Tildes en apellidos (García, Martínez) | Bases de datos sin soporte Unicode |
*Tabla 1. Desafíos lingüísticos específicos del OCR en español. Fuente: Elaboración propia.*
*Fuente: Elaboración propia.*
Además de los aspectos lingüísticos, los documentos académicos y administrativos en español presentan características tipográficas que complican el reconocimiento: variaciones en fuentes entre encabezados, cuerpo y notas al pie; presencia de tablas con bordes y celdas; logotipos institucionales; marcas de agua; y elementos gráficos como firmas o sellos. Estos elementos generan ruido que puede propagarse en aplicaciones downstream como la extracción de entidades nombradas o el análisis semántico.
@@ -37,6 +39,8 @@ La adaptación de modelos preentrenados a dominios específicos típicamente req
La Tabla 2 ilustra los requisitos típicos para diferentes estrategias de mejora de OCR:
**Tabla 2.** *Comparación de estrategias de mejora de modelos OCR.*
| Estrategia | Datos requeridos | Hardware | Tiempo | Expertise |
|------------|------------------|----------|--------|-----------|
| Fine-tuning completo | >10,000 imágenes etiquetadas | GPU (≥16GB VRAM) | Días-Semanas | Alto |
@@ -44,7 +48,7 @@ La Tabla 2 ilustra los requisitos típicos para diferentes estrategias de mejora
| Transfer learning | >500 imágenes etiquetadas | GPU (≥8GB VRAM) | Horas | Medio |
| **Optimización de hiperparámetros** | **<100 imágenes de validación** | **CPU suficiente** | **Horas** | **Bajo-Medio** |
*Tabla 2. Comparación de estrategias de mejora de modelos OCR. Fuente: Elaboración propia.*
*Fuente: Elaboración propia.*
### La oportunidad: optimización sin fine-tuning
@@ -88,6 +92,8 @@ Una solución técnicamente superior pero impracticable tiene valor limitado. Es
Este trabajo se centra específicamente en:
**Tabla 3.** *Delimitación del alcance del trabajo.*
| Aspecto | Dentro del alcance | Fuera del alcance |
|---------|-------------------|-------------------|
| **Tipo de documento** | Documentos académicos digitales (PDF) | Documentos escaneados, manuscritos |
@@ -96,7 +102,7 @@ Este trabajo se centra específicamente en:
| **Método de mejora** | Optimización de hiperparámetros | Fine-tuning, aumento de datos |
| **Hardware** | Ejecución en CPU | Aceleración GPU |
*Tabla 3. Delimitación del alcance del trabajo. Fuente: Elaboración propia.*
*Fuente: Elaboración propia.*
### Relevancia y beneficiarios