autogen test

docs/03_objetivos_metodologia.md

@@ -1,8 +1,8 @@
-# 3. Objetivos concretos y metodología de trabajo
+# Objetivos concretos y metodología de trabajo
 
 Este capítulo establece los objetivos del trabajo siguiendo la metodología SMART (Doran, 1981) y describe la metodología experimental empleada para alcanzarlos. Se define un objetivo general y cinco objetivos específicos, todos ellos medibles y verificables.
 
-## 3.1. Objetivo general
+## 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.**
 
@@ -16,7 +16,7 @@ Este capítulo establece los objetivos del trabajo siguiendo la metodología SMA
 | **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 |
 
-## 3.2. Objetivos específicos
+## Objetivos específicos
 
 ### OE1: Comparar soluciones OCR de código abierto
 > **Evaluar el rendimiento base de EasyOCR, PaddleOCR y DocTR en documentos académicos en español, utilizando CER y WER como métricas, para seleccionar el modelo más prometedor.**
@@ -33,9 +33,9 @@ Este capítulo establece los objetivos del trabajo siguiendo la metodología SMA
 ### OE5: Validar la configuración optimizada
 > **Comparar el rendimiento de la configuración baseline versus la configuración optimizada sobre el dataset completo, documentando la mejora obtenida.**
 
-## 3.3. Metodología del trabajo
+## Metodología del trabajo
 
-### 3.3.1. Visión General
+### Visión General
 
 
 
@@ -71,7 +71,7 @@ flowchart TD
 
 ```
 
-### 3.3.2. Fase 1: Preparación del Dataset
+### Fase 1: Preparación del Dataset
 
 #### Fuente de Datos
 Se utilizaron documentos PDF académicos de UNIR (Universidad Internacional de La Rioja), específicamente las instrucciones para la elaboración del TFE del Máster en Inteligencia Artificial.
@@ -124,7 +124,7 @@ class ImageTextDataset:
         # Retorna (PIL.Image, str)
 ```
 
-### 3.3.3. Fase 2: Benchmark Comparativo
+### Fase 2: Benchmark Comparativo
 
 #### Modelos Evaluados
 
@@ -148,7 +148,7 @@ def evaluate_text(reference, prediction):
     }
 ```
 
-### 3.3.4. Fase 3: Espacio de Búsqueda
+### Fase 3: Espacio de Búsqueda
 
 #### Hiperparámetros Seleccionados
 
@@ -190,7 +190,7 @@ tuner = tune.Tuner(
 )
 ```
 
-### 3.3.5. Fase 4: Ejecución de Optimización
+### Fase 4: Ejecución de Optimización
 
 #### Arquitectura de Ejecución
 
@@ -232,7 +232,7 @@ Y retorna métricas en formato JSON:
 }
 ```
 
-### 3.3.6. Fase 5: Validación
+### Fase 5: Validación
 
 #### Protocolo de Validación
 
@@ -241,7 +241,7 @@ Y retorna métricas en formato JSON:
 3. **Comparación**: Evaluación sobre las 24 páginas del dataset completo
 4. **Métricas reportadas**: CER, WER, tiempo de procesamiento
 
-### 3.3.7. Entorno de Ejecución
+### Entorno de Ejecución
 
 #### Hardware
 
@@ -263,7 +263,7 @@ Y retorna métricas en formato JSON:
 | Ray | 2.52.1 |
 | Optuna | 4.6.0 |
 
-### 3.3.8. Limitaciones Metodológicas
+### Limitaciones Metodológicas
 
 1. **Tamaño del dataset**: El dataset contiene 24 páginas de un único tipo de documento. Resultados pueden no generalizar a otros formatos.
 
@@ -273,7 +273,7 @@ Y retorna métricas en formato JSON:
 
 4. **Parámetro fijo**: `text_det_unclip_ratio` quedó fijado en 0.0 durante todo el experimento por decisión de diseño inicial.
 
-## 3.4. Resumen del capítulo
+## Resumen del capítulo
 
 Este capítulo ha establecido: