autogen test

docs/04_desarrollo_especifico.md

@@ -1,14 +1,14 @@
-# 4. Desarrollo específico de la contribución
+# Desarrollo específico de la contribución
 
 Este capítulo presenta el desarrollo completo del estudio comparativo y la optimización de hiperparámetros de sistemas OCR. Se estructura según el tipo de trabajo "Comparativa de soluciones" establecido por las instrucciones de UNIR: planteamiento de la comparativa, desarrollo de la comparativa, y discusión y análisis de resultados.
 
-## 4.1. Planteamiento de la comparativa
+## Planteamiento de la comparativa
 
-### 4.1.1. Introducción
+### Introducción
 
 Esta sección presenta los resultados del estudio comparativo realizado entre tres soluciones OCR de código abierto: EasyOCR, PaddleOCR y DocTR. Los experimentos fueron documentados en el notebook `ocr_benchmark_notebook.ipynb` del repositorio. El objetivo es identificar el modelo base más prometedor para la posterior fase de optimización de hiperparámetros.
 
-### 4.1.2. Configuración del Experimento
+### Configuración del Experimento
 
 #### Dataset de Evaluación
 
@@ -61,7 +61,7 @@ def evaluate_text(reference, prediction):
     return {'WER': wer(reference, prediction), 'CER': cer(reference, prediction)}
 ```
 
-### 4.1.3. Resultados del Benchmark
+### Resultados del Benchmark
 
 #### Resultados de PaddleOCR (Datos del CSV)
 
@@ -107,7 +107,7 @@ Del archivo CSV, un ejemplo de predicción de PaddleOCR para la página 8:
 - `titulacióon` en lugar de `titulación` (carácter duplicado)
 - `Apa` en lugar de `APA` (capitalización)
 
-### 4.1.4. Justificación de la Selección de PaddleOCR
+### Justificación de la Selección de PaddleOCR
 
 #### Criterios de Selección
 
@@ -128,13 +128,13 @@ Basándose en los resultados obtenidos y la documentación del benchmark:
 - Alta configurabilidad de hiperparámetros de inferencia
 - Pipeline modular que permite experimentación
 
-### 4.1.5. Limitaciones del Benchmark
+### Limitaciones del Benchmark
 
 1. **Tamaño reducido**: Solo 5 páginas evaluadas en el benchmark comparativo inicial
 2. **Único tipo de documento**: Documentos académicos de UNIR únicamente
 3. **Ground truth**: El texto de referencia se extrajo automáticamente del PDF, lo cual puede introducir errores en layouts complejos
 
-### 4.1.6. Resumen de la Sección
+### Resumen de la Sección
 
 Esta sección ha presentado:
 
@@ -147,13 +147,13 @@ Esta sección ha presentado:
 - `results/ai_ocr_benchmark_finetune_results_20251206_113206.csv`: Resultados numéricos
 - Documentación oficial de PaddleOCR
 
-## 4.2. Desarrollo de la comparativa: Optimización de hiperparámetros
+## Desarrollo de la comparativa: Optimización de hiperparámetros
 
-### 4.2.1. Introducción
+### Introducción
 
 Esta sección describe el proceso de optimización de hiperparámetros de PaddleOCR utilizando Ray Tune con el algoritmo de búsqueda Optuna. Los experimentos fueron implementados en el notebook `src/paddle_ocr_fine_tune_unir_raytune.ipynb` y los resultados se almacenaron en `src/raytune_paddle_subproc_results_20251207_192320.csv`.
 
-### 4.2.2. Configuración del Experimento
+### Configuración del Experimento
 
 #### Entorno de Ejecución
 
@@ -229,7 +229,7 @@ tuner = tune.Tuner(
 - **Número de trials**: 64
 - **Trials concurrentes**: 2
 
-### 4.2.3. Resultados de la Optimización
+### Resultados de la Optimización
 
 #### Estadísticas Descriptivas
 
@@ -330,7 +330,7 @@ Ejemplo de trial con fallo catastrófico:
 - WER: 59.45%
 - Configuración: `text_det_thresh=0.017`, `textline_orientation=True`
 
-### 4.2.4. Comparación Baseline vs Optimizado
+### Comparación Baseline vs Optimizado
 
 #### Resultados sobre Dataset Completo (24 páginas)
 
@@ -377,7 +377,7 @@ xychart-beta
 - Optimizado: ~149 caracteres con error
 - Diferencia: ~629 caracteres menos con errores
 
-### 4.2.5. Tiempo de Ejecución
+### Tiempo de Ejecución
 
 | Métrica | Valor |
 |---------|-------|
@@ -386,7 +386,7 @@ xychart-beta
 | Tiempo medio por página | 69.42 segundos |
 | Total páginas procesadas | 64 trials × 5 páginas = 320 evaluaciones |
 
-### 4.2.6. Resumen de la Sección
+### Resumen de la Sección
 
 Esta sección ha presentado:
 
@@ -403,13 +403,13 @@ Esta sección ha presentado:
 - `src/raytune_paddle_subproc_results_20251207_192320.csv`: Resultados de 64 trials
 - `src/paddle_ocr_tuning.py`: Script de evaluación
 
-## 4.3. Discusión y análisis de resultados
+## Discusión y análisis de resultados
 
-### 4.3.1. Introducción
+### Introducción
 
 Esta sección presenta un análisis consolidado de los resultados obtenidos en las fases de benchmark comparativo y optimización de hiperparámetros. Se discuten las implicaciones prácticas y se evalúa el cumplimiento de los objetivos planteados.
 
-### 4.3.2. Resumen de Resultados
+### Resumen de Resultados
 
 #### Resultados del Benchmark Comparativo
 
@@ -446,7 +446,7 @@ Resultados del notebook `src/paddle_ocr_fine_tune_unir_raytune.ipynb`:
 | PaddleOCR (Baseline) | 7.78% | 92.22% | 14.94% | 85.06% |
 | PaddleOCR-HyperAdjust | 1.49% | 98.51% | 7.62% | 92.38% |
 
-### 4.3.3. Análisis de Resultados
+### Análisis de Resultados
 
 #### Mejora Obtenida
 
@@ -504,7 +504,7 @@ config_optimizada = {
 }
 ```
 
-### 4.3.4. Discusión
+### Discusión
 
 #### Hallazgos Principales
 
@@ -542,7 +542,7 @@ La correlación negativa de `text_det_thresh` (-0.52) con el CER indica que:
 | OE5: Validar configuración | Documentar mejora | CER 7.78% → 1.49% | ✓ |
 | **Objetivo General** | CER < 2% | CER = 1.49% | ✓ |
 
-### 4.3.5. Implicaciones Prácticas
+### Implicaciones Prácticas
 
 #### Recomendaciones de Configuración
 
@@ -570,7 +570,7 @@ Esta metodología de optimización es aplicable cuando:
 - El modelo preentrenado ya tiene soporte para el idioma objetivo
 - Se busca mejorar rendimiento sin reentrenar
 
-### 4.3.6. Resumen de la Sección
+### Resumen de la Sección
 
 Esta sección ha presentado: