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

10
docs/05_conclusiones_trabajo_futuro.md
View File

@@ -10,10 +10,14 @@ Este Trabajo Fin de Máster ha demostrado que es posible mejorar significativame
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:
**Tabla 39.** *Cumplimiento del objetivo de CER.*
| Métrica | Objetivo | Resultado |
|---------|----------|-----------|
| CER | < 2% | **1.49%** |
*Fuente: Elaboración propia.*
### Conclusiones Específicas
**Respecto a OE1 (Comparativa de soluciones OCR)**:
@@ -34,7 +38,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
**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)
- La arquitectura basada en subprocesos permitió superar incompatibilidades entre Ray y PaddleOCR
- 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
@@ -69,7 +73,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
3. **Ground truth automático**: La extracción automática del texto de referencia puede introducir errores en layouts complejos.
4. **Ejecución en CPU**: Los tiempos de procesamiento (~69s/página) limitan la aplicabilidad en escenarios de alto volumen.
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.
5. **Parámetro no explorado**: `text_det_unclip_ratio` permaneció fijo en 0.0 durante todo el experimento.
@@ -83,8 +87,6 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
3. **Dataset ampliado**: Construir un corpus más amplio y diverso de documentos en español.
4. **Evaluación con GPU**: Medir tiempos de inferencia con aceleración GPU.
### Líneas de Investigación
1. **Transfer learning de hiperparámetros**: Investigar si las configuraciones óptimas para un tipo de documento transfieren a otros dominios.