autogen test

docs/05_conclusiones_trabajo_futuro.md

@@ -1,10 +1,10 @@
-# 5. Conclusiones y trabajo futuro
+# Conclusiones y trabajo futuro
 
 Este capítulo resume las principales conclusiones del trabajo, evalúa el grado de cumplimiento de los objetivos planteados y propone líneas de trabajo futuro que permitirían ampliar y profundizar los resultados obtenidos.
 
-## 5.1. Conclusiones
+## Conclusiones
 
-### 5.1.1. Conclusiones Generales
+### Conclusiones Generales
 
 Este Trabajo Fin de Máster ha demostrado que es posible mejorar significativamente el rendimiento de sistemas OCR preentrenados mediante optimización sistemática de hiperparámetros, sin requerir fine-tuning ni recursos GPU dedicados.
 
@@ -14,7 +14,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 |---------|----------|-----------|
 | CER | < 2% | **1.49%** |
 
-### 5.1.2. Conclusiones Específicas
+### Conclusiones Específicas
 
 **Respecto a OE1 (Comparativa de soluciones OCR)**:
 - Se evaluaron tres soluciones OCR de código abierto: EasyOCR, PaddleOCR (PP-OCRv5) y DocTR
@@ -41,7 +41,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 - La mejora obtenida fue del 80.9% en reducción del CER (7.78% → 1.49%)
 - La precisión de caracteres alcanzó el 98.51%
 
-### 5.1.3. Hallazgos Clave
+### Hallazgos Clave
 
 1. **Arquitectura sobre umbrales**: Un único parámetro booleano (`textline_orientation`) tiene más impacto que todos los umbrales continuos combinados.
 
@@ -51,7 +51,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 
 4. **Optimización sin fine-tuning**: Se puede mejorar significativamente el rendimiento de modelos preentrenados mediante ajuste de hiperparámetros de inferencia.
 
-### 5.1.4. Contribuciones del Trabajo
+### Contribuciones del Trabajo
 
 1. **Metodología reproducible**: Se documenta un proceso completo de optimización de hiperparámetros OCR con Ray Tune + Optuna.
 
@@ -61,7 +61,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 
 4. **Código fuente**: Todo el código está disponible en el repositorio GitHub para reproducción y extensión.
 
-### 5.1.5. Limitaciones del Trabajo
+### Limitaciones del Trabajo
 
 1. **Tipo de documento único**: Los experimentos se realizaron únicamente sobre documentos académicos de UNIR. La generalización a otros tipos de documentos requiere validación adicional.
 
@@ -73,9 +73,9 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 
 5. **Parámetro no explorado**: `text_det_unclip_ratio` permaneció fijo en 0.0 durante todo el experimento.
 
-## 5.2. Líneas de trabajo futuro
+## Líneas de trabajo futuro
 
-### 5.2.1. Extensiones Inmediatas
+### Extensiones Inmediatas
 
 1. **Validación cruzada**: Evaluar la configuración óptima en otros tipos de documentos en español (facturas, formularios, textos manuscritos).
 
@@ -85,7 +85,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 
 4. **Evaluación con GPU**: Medir tiempos de inferencia con aceleración GPU.
 
-### 5.2.2. Líneas de Investigación
+### Líneas de Investigación
 
 1. **Transfer learning de hiperparámetros**: Investigar si las configuraciones óptimas para un tipo de documento transfieren a otros dominios.
 
@@ -95,7 +95,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 
 4. **Comparación con fine-tuning**: Cuantificar la brecha de rendimiento entre optimización de hiperparámetros y fine-tuning real.
 
-### 5.2.3. Aplicaciones Prácticas
+### Aplicaciones Prácticas
 
 1. **Herramienta de configuración automática**: Desarrollar una herramienta que determine automáticamente la configuración óptima para un nuevo tipo de documento.
 
@@ -103,7 +103,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 
 3. **Benchmark público**: Publicar un benchmark de OCR para documentos en español que facilite la comparación de soluciones.
 
-### 5.2.4. Reflexión Final
+### Reflexión Final
 
 Este trabajo demuestra que, en un contexto de recursos limitados donde el fine-tuning de modelos de deep learning no es viable, la optimización de hiperparámetros representa una alternativa práctica y efectiva para mejorar sistemas OCR.