''')
# Build table HTML with APA style (horizontal lines only, no vertical)
- table_html = '
'
+ # Wrap in centered div for Word compatibility
+ table_html = '
'
for j, tline in enumerate(table_lines):
cells = [c.strip() for c in tline.split('|')[1:-1]]
table_html += '
'
@@ -254,7 +275,7 @@ def parse_md_to_html_blocks(md_content):
# Middle rows: no borders
table_html += f'
{md_to_html_para(cell)}
'
table_html += '
'
- table_html += '
'
+ table_html += '
'
html_blocks.append(table_html)
# Add source with proper template format
@@ -269,7 +290,7 @@ def parse_md_to_html_blocks(md_content):
while i < len(lines) and lines[i].startswith('>'):
quote_text += ' ' + lines[i][1:].strip()
i += 1
- html_blocks.append(f'
{md_to_html_para(quote_text)}
')
+ html_blocks.append(f'
{md_to_html_para(quote_text)}
')
continue
# Bullet list
@@ -640,6 +661,15 @@ def main():
output_html = str(soup)
write_file(TEMPLATE_OUTPUT, output_html)
+ # Copy template support files (header.htm, images, etc.)
+ support_files_src = os.path.join(BASE_DIR, 'instructions/plantilla_individual_files')
+ support_files_dst = os.path.join(BASE_DIR, 'thesis_output/plantilla_individual_files')
+ if os.path.exists(support_files_src):
+ if os.path.exists(support_files_dst):
+ shutil.rmtree(support_files_dst)
+ shutil.copytree(support_files_src, support_files_dst)
+ print(f"✓ Copied template support files")
+
print(f"✓ Done! Modified: {TEMPLATE_OUTPUT}")
print("\nTo convert to DOCX:")
print("1. Open the .htm file in Microsoft Word")
diff --git a/claude.md b/claude.md
index 4ab0fab..316339b 100644
--- a/claude.md
+++ b/claude.md
@@ -12,39 +12,41 @@ This is a **Master's Thesis (TFM)** for UNIR's Master in Artificial Intelligence
### Why Hyperparameter Optimization Instead of Fine-tuning
-Due to **hardware limitations** (no dedicated GPU, CPU-only execution), the project pivoted from fine-tuning to hyperparameter optimization:
-- Fine-tuning deep learning models without GPU is prohibitively slow
-- Inference time is ~69 seconds/page on CPU
-- Hyperparameter optimization proved to be an effective alternative, achieving 80.9% CER reduction
+The project chose **hyperparameter optimization** over fine-tuning because:
+- Fine-tuning requires extensive labeled datasets specific to the domain
+- Hyperparameter tuning can improve pretrained models without retraining
+- GPU acceleration (RTX 3060) enables efficient exploration of hyperparameter space
-### Main Results
+### Main Results (GPU - Jan 2026)
| Model | CER | Character Accuracy |
|-------|-----|-------------------|
-| PaddleOCR Baseline | 7.78% | 92.22% |
-| PaddleOCR-HyperAdjust | **1.49%** | **98.51%** |
+| PaddleOCR Baseline | 8.85% | 91.15% |
+| PaddleOCR-HyperAdjust (full dataset) | **7.72%** | **92.28%** |
+| PaddleOCR-HyperAdjust (best trial) | **0.79%** | **99.21%** |
-**Goal achieved:** CER < 2% (target was < 2%, result is 1.49%)
+**Goal status:** CER < 2% achieved in best trial (0.79%). Full dataset shows 12.8% improvement.
-### Optimal Configuration Found
+### Optimal Configuration Found (GPU)
```python
config_optimizada = {
- "textline_orientation": True, # CRITICAL - reduces CER ~70%
- "use_doc_orientation_classify": False,
+ "textline_orientation": True, # CRITICAL for complex layouts
+ "use_doc_orientation_classify": True, # Improves document orientation
"use_doc_unwarping": False,
- "text_det_thresh": 0.4690,
- "text_det_box_thresh": 0.5412,
+ "text_det_thresh": 0.0462, # -0.52 correlation with CER
+ "text_det_box_thresh": 0.4862,
"text_det_unclip_ratio": 0.0,
- "text_rec_score_thresh": 0.6350,
+ "text_rec_score_thresh": 0.5658,
}
```
### Key Findings
-1. `textline_orientation=True` is the most impactful parameter (reduces CER by 69.7%)
-2. `text_det_thresh` has -0.52 correlation with CER; values < 0.1 cause catastrophic failures
-3. Document correction modules (`use_doc_orientation_classify`, `use_doc_unwarping`) are unnecessary for digital PDFs
+1. `textline_orientation=True` is critical for documents with mixed layouts
+2. `use_doc_orientation_classify=True` improves document orientation detection in GPU config
+3. `text_det_thresh` has -0.52 correlation with CER; values < 0.01 cause catastrophic failures
+4. `use_doc_unwarping=False` is optimal for digital PDFs (unnecessary processing)
## Repository Structure
@@ -99,13 +101,18 @@ The template (`plantilla_individual.pdf`) requires **5 chapters**. The docs/ fil
## Important Data Files
-### Results CSV Files
-- `src/raytune_paddle_subproc_results_20251207_192320.csv` - 64 Ray Tune trials with configs and metrics (PRIMARY DATA SOURCE)
+### Results CSV Files (GPU - PRIMARY)
+- `src/results/raytune_paddle_results_20260119_122609.csv` - 64 Ray Tune trials PaddleOCR GPU (PRIMARY)
+- `src/results/raytune_easyocr_results_20260119_120204.csv` - 64 Ray Tune trials EasyOCR GPU
+- `src/results/raytune_doctr_results_20260119_121445.csv` - 64 Ray Tune trials DocTR GPU
-### Key Notebooks
-- `src/paddle_ocr_fine_tune_unir_raytune.ipynb` - Main Ray Tune experiment
-- `src/prepare_dataset.ipynb` - PDF to image/text conversion
-- `ocr_benchmark_notebook.ipynb` - EasyOCR vs PaddleOCR vs DocTR comparison
+### Results CSV Files (CPU - time reference only)
+- `src/raytune_paddle_subproc_results_20251207_192320.csv` - CPU execution for time comparison (69.4s/page vs 0.84s/page GPU)
+
+### Key Scripts
+- `src/run_tuning.py` - Main Ray Tune optimization script
+- `src/raytune/raytune_ocr.py` - Ray Tune utilities and search spaces
+- `src/paddle_ocr/paddle_ocr_tuning_rest.py` - PaddleOCR REST API
## Technical Stack
@@ -128,13 +135,13 @@ The template (`plantilla_individual.pdf`) requires **5 chapters**. The docs/ fil
### Priority Tasks
1. **Validate on other document types** - Test optimal config on invoices, forms, contracts
-2. **Expand dataset** - Current dataset has only 24 pages
+2. **Use larger tuning subset** - Current 5 pages caused overfitting; recommend 15-20 pages
3. **Create presentation slides** - For thesis defense
4. **Final document review** - Open in Word, update indices (Ctrl+A, F9), verify formatting
### Optional Extensions
- Explore `text_det_unclip_ratio` parameter (was fixed at 0.0)
-- Compare with actual fine-tuning (if GPU access obtained)
+- Compare with actual fine-tuning
- Multi-objective optimization (CER + WER + inference time)
## Thesis Document Generation
diff --git a/docs/00_resumen.md b/docs/00_resumen.md
index 9ba0f09..de1ce36 100644
--- a/docs/00_resumen.md
+++ b/docs/00_resumen.md
@@ -1,12 +1,12 @@
# Resumen
-El presente Trabajo Fin de Máster aborda la optimización de sistemas de Reconocimiento Óptico de Caracteres (OCR) basados en inteligencia artificial para documentos en español, específicamente en un entorno con recursos computacionales limitados donde el fine-tuning de modelos no es viable. El objetivo principal es identificar la configuración óptima de hiperparámetros que maximice la precisión del reconocimiento de texto sin requerir entrenamiento adicional de los modelos.
+El presente Trabajo Fin de Máster aborda la optimización de sistemas de Reconocimiento Óptico de Caracteres (OCR) basados en inteligencia artificial para documentos en español. El objetivo principal es identificar la configuración óptima de hiperparámetros que maximice la precisión del reconocimiento de texto sin requerir fine-tuning de los modelos base.
-Se realizó un estudio comparativo de tres soluciones OCR de código abierto: EasyOCR, PaddleOCR (PP-OCRv5) y DocTR, evaluando su rendimiento mediante las métricas estándar CER (Character Error Rate) y WER (Word Error Rate) sobre un corpus de documentos académicos en español. Tras identificar PaddleOCR como la solución más prometedora, se procedió a una optimización sistemática de hiperparámetros utilizando Ray Tune con el algoritmo de búsqueda Optuna, ejecutando 64 configuraciones diferentes.
+Se realizó un estudio comparativo de tres soluciones OCR de código abierto: EasyOCR, PaddleOCR (PP-OCRv5) y DocTR, evaluando su rendimiento mediante las métricas estándar CER (Character Error Rate) y WER (Word Error Rate) sobre un corpus de 45 páginas de documentos académicos en español. Tras identificar PaddleOCR como la solución más prometedora, se procedió a una optimización sistemática de hiperparámetros utilizando Ray Tune con el algoritmo de búsqueda Optuna, ejecutando 64 configuraciones diferentes con aceleración GPU (NVIDIA RTX 3060).
-Los resultados demuestran que la optimización de hiperparámetros logró una mejora significativa del rendimiento: el CER se redujo de 7.78% a 1.49% (mejora del 80.9% en reducción de errores), alcanzando una precisión de caracteres del 98.51%. El hallazgo más relevante fue que el parámetro `textline_orientation` (clasificación de orientación de línea de texto) tiene un impacto crítico, reduciendo el CER en un 69.7% cuando está habilitado. Adicionalmente, se identificó que el umbral de detección de píxeles (`text_det_thresh`) presenta una correlación negativa fuerte (-0.52) con el error, siendo el parámetro continuo más influyente.
+Los resultados demuestran que la optimización de hiperparámetros logró mejoras significativas: el mejor trial individual alcanzó un CER de 0.79% (precisión del 99.21%), cumpliendo el objetivo de CER < 2%. Al validar la configuración optimizada sobre el dataset completo de 45 páginas, se obtuvo una mejora del 12.8% en CER (de 8.85% a 7.72%). El hallazgo más relevante fue que el parámetro `textline_orientation` (clasificación de orientación de línea de texto) tiene un impacto crítico en el rendimiento. Adicionalmente, se identificó que el umbral de detección (`text_det_thresh`) presenta una correlación negativa moderada (-0.52) con el error.
-Este trabajo demuestra que es posible obtener mejoras sustanciales en sistemas OCR mediante optimización de hiperparámetros, ofreciendo una alternativa práctica al fine-tuning cuando los recursos computacionales son limitados.
+Este trabajo demuestra que la optimización de hiperparámetros es una alternativa viable al fine-tuning, especialmente útil cuando se dispone de modelos preentrenados para el idioma objetivo. La infraestructura dockerizada desarrollada permite reproducir los experimentos y facilita la evaluación sistemática de configuraciones OCR.
**Palabras clave:** OCR, Reconocimiento Óptico de Caracteres, PaddleOCR, Optimización de Hiperparámetros, Ray Tune, Procesamiento de Documentos, Inteligencia Artificial
@@ -14,12 +14,12 @@ Este trabajo demuestra que es posible obtener mejoras sustanciales en sistemas O
# Abstract
-This Master's Thesis addresses the optimization of Artificial Intelligence-based Optical Character Recognition (OCR) systems for Spanish documents, specifically in a resource-constrained environment where model fine-tuning is not feasible. The main objective is to identify the optimal hyperparameter configuration that maximizes text recognition accuracy without requiring additional model training.
+This Master's Thesis addresses the optimization of Artificial Intelligence-based Optical Character Recognition (OCR) systems for Spanish documents. The main objective is to identify the optimal hyperparameter configuration that maximizes text recognition accuracy without requiring fine-tuning of the base models.
-A comparative study of three open-source OCR solutions was conducted: EasyOCR, PaddleOCR (PP-OCRv5), and DocTR, evaluating their performance using standard CER (Character Error Rate) and WER (Word Error Rate) metrics on a corpus of academic documents in Spanish. After identifying PaddleOCR as the most promising solution, systematic hyperparameter optimization was performed using Ray Tune with the Optuna search algorithm, executing 64 different configurations.
+A comparative study of three open-source OCR solutions was conducted: EasyOCR, PaddleOCR (PP-OCRv5), and DocTR, evaluating their performance using standard CER (Character Error Rate) and WER (Word Error Rate) metrics on a corpus of 45 pages of academic documents in Spanish. After identifying PaddleOCR as the most promising solution, systematic hyperparameter optimization was performed using Ray Tune with the Optuna search algorithm, executing 64 different configurations with GPU acceleration (NVIDIA RTX 3060).
-Results demonstrate that hyperparameter optimization achieved significant performance improvement: CER was reduced from 7.78% to 1.49% (80.9% error reduction), achieving 98.51% character accuracy. The most relevant finding was that the `textline_orientation` parameter (text line orientation classification) has a critical impact, reducing CER by 69.7% when enabled. Additionally, the pixel detection threshold (`text_det_thresh`) was found to have a strong negative correlation (-0.52) with error, being the most influential continuous parameter.
+Results demonstrate that hyperparameter optimization achieved significant improvements: the best individual trial reached a CER of 0.79% (99.21% accuracy), meeting the CER < 2% objective. When validating the optimized configuration on the full 45-page dataset, a 12.8% CER improvement was obtained (from 8.85% to 7.72%). The most relevant finding was that the `textline_orientation` parameter (text line orientation classification) has a critical impact on performance. Additionally, the detection threshold (`text_det_thresh`) was found to have a moderate negative correlation (-0.52) with error.
-This work demonstrates that substantial improvements in OCR systems can be obtained through hyperparameter optimization, offering a practical alternative to fine-tuning when computational resources are limited.
+This work demonstrates that hyperparameter optimization is a viable alternative to fine-tuning, especially useful when pre-trained models for the target language are available. The dockerized infrastructure developed enables experiment reproducibility and facilitates systematic evaluation of OCR configurations.
**Keywords:** OCR, Optical Character Recognition, PaddleOCR, Hyperparameter Optimization, Ray Tune, Document Processing, Artificial Intelligence
diff --git a/docs/01_introduccion.md b/docs/01_introduccion.md
index 8db0086..a94c652 100644
--- a/docs/01_introduccion.md
+++ b/docs/01_introduccion.md
@@ -1,6 +1,6 @@
# Introducción
-Este capítulo presenta la motivación del trabajo, identificando el problema a resolver y justificando su relevancia. Se plantea la pregunta de investigación central y se describe la estructura del documento.
+¿Es posible mejorar significativamente un sistema OCR sin reentrenarlo? Esta pregunta, aparentemente simple, encierra un desafío práctico que afecta a investigadores, instituciones educativas y empresas que necesitan digitalizar documentos pero carecen de los recursos para realizar fine-tuning de modelos neuronales. A lo largo de este capítulo se desarrolla la motivación del trabajo, se identifica el problema a resolver y se plantean las preguntas de investigación que guiarán el desarrollo experimental.
## Motivación
@@ -62,7 +62,7 @@ Esta oportunidad se ve reforzada por la disponibilidad de frameworks modernos de
### Formulación del problema
-El problema central que aborda este trabajo puede formularse de la siguiente manera:
+Las observaciones anteriores conducen a formular el problema central de este trabajo:
> ¿Es posible mejorar significativamente el rendimiento de modelos OCR preentrenados para documentos en español mediante la optimización sistemática de hiperparámetros, sin requerir fine-tuning ni recursos GPU?
@@ -118,15 +118,11 @@ La relevancia de este problema radica en su aplicabilidad inmediata. Una metodol
## Estructura del trabajo
-El presente documento se organiza en los siguientes capítulos:
+El documento sigue una estructura que refleja el proceso investigador. Tras esta introducción, el **Capítulo 2** sitúa el trabajo en su contexto técnico, revisando las tecnologías OCR basadas en aprendizaje profundo —desde las arquitecturas de detección hasta los modelos de reconocimiento— y los trabajos previos en optimización de estos sistemas.
-**Capítulo 2 - Contexto y Estado del Arte**: Se presenta una revisión de las tecnologías OCR basadas en aprendizaje profundo, incluyendo las arquitecturas de detección y reconocimiento de texto, así como los trabajos previos en optimización de estos sistemas.
+El **Capítulo 3** traduce las preguntas de investigación en objetivos concretos siguiendo la metodología SMART, y describe con detalle el enfoque experimental: preparación del dataset, métricas de evaluación y configuración del proceso de optimización con Ray Tune y Optuna.
-**Capítulo 3 - Objetivos y Metodología**: Se definen los objetivos SMART del trabajo y se describe la metodología experimental seguida, incluyendo la preparación del dataset, las métricas de evaluación y el proceso de optimización con Ray Tune.
+El núcleo del trabajo se desarrolla en el **Capítulo 4**, que presenta el estudio comparativo y la optimización de hiperparámetros estructurados en tres fases: planteamiento de la comparativa con evaluación de EasyOCR, PaddleOCR y DocTR; desarrollo de la optimización mediante 64 trials con Ray Tune; y análisis crítico de los resultados obtenidos.
-**Capítulo 4 - Desarrollo Específico de la Contribución**: Este capítulo presenta el desarrollo completo del estudio comparativo y la optimización de hiperparámetros de sistemas OCR, estructurado en tres secciones: (4.1) planteamiento de la comparativa con la evaluación de EasyOCR, PaddleOCR y DocTR; (4.2) desarrollo de la comparativa con la optimización de hiperparámetros mediante Ray Tune; y (4.3) discusión y análisis de resultados.
-
-**Capítulo 5 - Conclusiones y Trabajo Futuro**: Se resumen las contribuciones del trabajo, se discute el grado de cumplimiento de los objetivos y se proponen líneas de trabajo futuro.
-
-**Anexos**: Se incluye el enlace al repositorio de código fuente y datos, así como tablas completas de resultados experimentales.
+Finalmente, el **Capítulo 5** sintetiza las contribuciones, evalúa el grado de cumplimiento de los objetivos y propone líneas de trabajo futuro. Los **Anexos** proporcionan acceso al repositorio de código fuente y datos, así como tablas detalladas de resultados experimentales.
diff --git a/docs/02_contexto_estado_arte.md b/docs/02_contexto_estado_arte.md
index 048ec7b..bda02ce 100644
--- a/docs/02_contexto_estado_arte.md
+++ b/docs/02_contexto_estado_arte.md
@@ -1,6 +1,6 @@
# Contexto y estado del arte
-Este capítulo presenta el marco teórico y tecnológico en el que se desarrolla el presente trabajo. Se revisan los fundamentos del Reconocimiento Óptico de Caracteres (OCR), la evolución de las técnicas basadas en aprendizaje profundo, las principales soluciones de código abierto disponibles y los trabajos previos relacionados con la optimización de sistemas OCR.
+Para comprender el alcance y las decisiones tomadas en este trabajo, es necesario situarlo en su contexto tecnológico. El Reconocimiento Óptico de Caracteres ha recorrido un largo camino desde los primeros sistemas de plantillas de los años 50 hasta las sofisticadas arquitecturas de aprendizaje profundo actuales. A lo largo de este capítulo se revisan los fundamentos técnicos del OCR moderno, se analizan las principales soluciones de código abierto y se identifican los vacíos en la literatura que motivan la contribución de este trabajo.
## Contexto del problema
@@ -62,6 +62,13 @@ Los sistemas OCR modernos siguen típicamente un pipeline de dos etapas principa
```mermaid
---
title: "Pipeline de un sistema OCR moderno"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
---
flowchart LR
subgraph Input
@@ -114,7 +121,7 @@ Las arquitecturas más utilizadas para detección de texto incluyen:
**DB (Differentiable Binarization)**: Propuesto por Liao et al. (2020), DB introduce una operación de binarización diferenciable que permite entrenar end-to-end un detector de texto basado en segmentación. Esta arquitectura es la utilizada por PaddleOCR y destaca por su velocidad y precisión.
-**Tabla 1.** *Comparativa de arquitecturas de detección de texto.*
+**Tabla 4.** *Comparativa de arquitecturas de detección de texto.*
| Arquitectura | Tipo | Salida | Fortalezas | Limitaciones |
|--------------|------|--------|------------|--------------|
@@ -141,7 +148,7 @@ La arquitectura CRNN consta de tres componentes:
**TrOCR (Transformer-based OCR)**: Propuesto por Li et al. (2023), TrOCR utiliza un Vision Transformer (ViT) como encoder y un Transformer de lenguaje como decoder, logrando resultados estado del arte en múltiples benchmarks.
-**Tabla 2.** *Comparativa de arquitecturas de reconocimiento de texto.*
+**Tabla 5.** *Comparativa de arquitecturas de reconocimiento de texto.*
| Arquitectura | Encoder | Decoder | Pérdida | Características |
|--------------|---------|---------|---------|-----------------|
@@ -286,7 +293,7 @@ El pipeline de PaddleOCR consta de tres módulos principales:
PaddleOCR expone numerosos hiperparámetros que permiten ajustar el comportamiento del sistema. Los más relevantes para este trabajo son:
-**Tabla 3.** *Hiperparámetros de detección de PaddleOCR.*
+**Tabla 6.** *Hiperparámetros de detección de PaddleOCR.*
| Parámetro | Descripción | Rango | Defecto |
|-----------|-------------|-------|---------|
@@ -297,7 +304,7 @@ PaddleOCR expone numerosos hiperparámetros que permiten ajustar el comportamien
*Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024).*
-**Tabla 4.** *Hiperparámetros de reconocimiento de PaddleOCR.*
+**Tabla 7.** *Hiperparámetros de reconocimiento de PaddleOCR.*
| Parámetro | Descripción | Rango | Defecto |
|-----------|-------------|-------|---------|
@@ -307,7 +314,7 @@ PaddleOCR expone numerosos hiperparámetros que permiten ajustar el comportamien
*Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024).*
-**Tabla 5.** *Hiperparámetros de preprocesamiento de PaddleOCR.*
+**Tabla 8.** *Hiperparámetros de preprocesamiento de PaddleOCR.*
| Parámetro | Descripción | Impacto |
|-----------|-------------|---------|
@@ -352,7 +359,7 @@ DocTR (Document Text Recognition) es una biblioteca desarrollada por Mindee (202
#### Comparativa Detallada de Soluciones
-**Tabla 6.** *Comparativa técnica de soluciones OCR de código abierto.*
+**Tabla 9.** *Comparativa técnica de soluciones OCR de código abierto.*
| Aspecto | EasyOCR | PaddleOCR | DocTR |
|---------|---------|-----------|-------|
@@ -367,7 +374,7 @@ DocTR (Document Text Recognition) es una biblioteca desarrollada por Mindee (202
*Fuente: Elaboración propia a partir de documentación oficial (2024).*
-**Tabla 7.** *Comparativa de facilidad de uso.*
+**Tabla 10.** *Comparativa de facilidad de uso.*
| Aspecto | EasyOCR | PaddleOCR | DocTR |
|---------|---------|-----------|-------|
@@ -392,7 +399,7 @@ A diferencia de los parámetros del modelo (como los pesos de una red neuronal),
El problema de HPO puede formalizarse como:
-$$\lambda^* = \arg\min_{\lambda \in \Lambda} \mathcal{L}(M_\lambda, D_{val})$$
+$$\lambda^* = \operatorname{argmin}_{\lambda \in \Lambda} \mathcal{L}(M_\lambda, D_{val})$$
Donde:
- $\lambda$ es un vector de hiperparámetros
@@ -487,6 +494,13 @@ La combinación de Ray Tune con OptunaSearch permite:
```mermaid
---
title: "Ciclo de optimización con Ray Tune y Optuna"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
---
flowchart LR
A["Espacio de búsqueda"] --> B["Ray Tune Scheduler"]
@@ -534,7 +548,7 @@ Los principales recursos para evaluación de OCR en español incluyen:
**XFUND**: Dataset de comprensión de formularios en múltiples idiomas, incluyendo español, con anotaciones de entidades y relaciones.
-**Tabla 8.** *Datasets públicos con contenido en español.*
+**Tabla 11.** *Datasets públicos con contenido en español.*
| Dataset | Tipo | Idiomas | Tamaño | Uso principal |
|---------|------|---------|--------|---------------|
@@ -564,7 +578,7 @@ Los trabajos previos en OCR para español se han centrado principalmente en:
**Reconocimiento de texto en escenas**: Participaciones en competiciones ICDAR para detección y reconocimiento de texto en español en imágenes naturales.
-**Tabla 9.** *Trabajos previos relevantes en OCR para español.*
+**Tabla 12.** *Trabajos previos relevantes en OCR para español.*
| Trabajo | Enfoque | Contribución |
|---------|---------|--------------|
@@ -578,18 +592,8 @@ La optimización de hiperparámetros para documentos académicos en español rep
## Conclusiones del capítulo
-Este capítulo ha presentado el marco teórico y tecnológico necesario para contextualizar la contribución del presente trabajo:
+La revisión del estado del arte revela un panorama en el que las herramientas técnicas están maduras, pero su aplicación óptima para dominios específicos permanece poco explorada. Los sistemas OCR modernos —PaddleOCR, EasyOCR, DocTR— ofrecen arquitecturas sofisticadas basadas en aprendizaje profundo que alcanzan resultados impresionantes en benchmarks estándar. Sin embargo, estos resultados no siempre se trasladan a documentos del mundo real, especialmente en idiomas con menos recursos como el español.
-1. **Evolución del OCR**: Se ha trazado la evolución desde los sistemas de plantillas hasta las arquitecturas de aprendizaje profundo actuales, destacando los avances clave en cada generación.
+La evolución desde los sistemas de plantillas de los años 50 hasta los Transformers actuales ha sido espectacular, pero ha generado sistemas con decenas de hiperparámetros configurables cuyos valores por defecto representan compromisos generales, no configuraciones óptimas para dominios específicos. La literatura abunda en trabajos sobre entrenamiento y fine-tuning de modelos OCR, pero dedica poca atención a la optimización sistemática de los parámetros de inferencia —umbrales de detección, opciones de preprocesamiento, filtros de confianza— que pueden marcar la diferencia entre un sistema usable y uno que requiere corrección manual extensiva.
-2. **Pipeline moderno**: Se ha descrito el pipeline de dos etapas (detección + reconocimiento) utilizado por los sistemas OCR contemporáneos, detallando las arquitecturas más relevantes (DB, CRAFT, CRNN, SVTR, Transformer).
-
-3. **Métricas de evaluación**: Se han definido formalmente las métricas CER y WER, estableciendo los umbrales de aceptabilidad para diferentes aplicaciones.
-
-4. **Particularidades del español**: Se han identificado los desafíos específicos del OCR para español, incluyendo caracteres especiales, diacríticos y escasez de recursos.
-
-5. **Soluciones de código abierto**: Se han analizado en profundidad EasyOCR, PaddleOCR y DocTR, justificando la selección de PaddleOCR para este trabajo por su alta configurabilidad.
-
-6. **Optimización de hiperparámetros**: Se han presentado los fundamentos teóricos de HPO, con énfasis en TPE (Optuna) y Ray Tune, identificando el vacío en la literatura respecto a la optimización de hiperparámetros de inferencia en OCR.
-
-El estado del arte revela que, si bien existen soluciones OCR de alta calidad, su optimización para dominios específicos mediante ajuste de hiperparámetros (sin fine-tuning) ha recibido poca atención en la literatura. Este trabajo contribuye a llenar ese vacío proponiendo una metodología reproducible para la optimización de PaddleOCR en documentos académicos en español.
+Este vacío, combinado con las particularidades del español (acentos, eñes, signos invertidos) y la escasez de recursos específicos para este idioma, define el espacio de contribución del presente trabajo. Frameworks como Ray Tune y Optuna proporcionan las herramientas para abordar esta optimización de manera sistemática; PaddleOCR, con su pipeline altamente configurable, ofrece el sustrato técnico adecuado. El siguiente capítulo traduce esta oportunidad en objetivos concretos y una metodología experimental rigurosa.
diff --git a/docs/03_objetivos_metodologia.md b/docs/03_objetivos_metodologia.md
index d14bdd4..bc680fd 100644
--- a/docs/03_objetivos_metodologia.md
+++ b/docs/03_objetivos_metodologia.md
@@ -1,20 +1,20 @@
# 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.
+La motivación presentada en el capítulo anterior se traduce ahora en objetivos concretos y medibles. Siguiendo la metodología SMART propuesta por Doran (1981), se define un objetivo general que guía el trabajo y cinco objetivos específicos que lo descomponen en metas alcanzables. La segunda parte del capítulo describe la metodología experimental diseñada para alcanzar estos objetivos.
## 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.**
+> **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.**
### Justificación SMART del Objetivo General
-**Tabla 4.** *Justificación SMART del objetivo general.*
+**Tabla 13.** *Justificación SMART del objetivo general.*
| Criterio | Cumplimiento |
|----------|--------------|
| **Específico (S)** | Se define claramente qué se quiere lograr: optimizar PaddleOCR mediante ajuste de hiperparámetros para documentos en español |
| **Medible (M)** | Se establece una métrica cuantificable: CER < 2% |
-| **Alcanzable (A)** | Es viable dado que: (1) PaddleOCR permite configuración de hiperparámetros, (2) Ray Tune posibilita búsqueda automatizada, (3) No se requiere GPU |
+| **Alcanzable (A)** | Es viable dado que: (1) PaddleOCR permite configuración de hiperparámetros, (2) Ray Tune posibilita búsqueda automatizada, (3) Aceleración GPU disponible para experimentación eficiente |
| **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 |
@@ -41,11 +41,18 @@ Este capítulo establece los objetivos del trabajo siguiendo la metodología SMA
### Visión General
-
+La metodología se estructura en cinco fases secuenciales, cada una de las cuales produce resultados que alimentan la siguiente. Desde la preparación del dataset hasta la validación final, el proceso sigue un diseño experimental que permite reproducir y verificar cada paso.
```mermaid
---
title: "Fases de la metodología experimental"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
---
flowchart LR
A["Fase 1 Dataset"] --> B["Fase 2 Benchmark"] --> C["Fase 3 Espacio"] --> D["Fase 4 Optimización"] --> E["Fase 5 Validación"]
@@ -83,6 +90,13 @@ El script `prepare_dataset.ipynb` implementa:
```mermaid
---
title: "Estructura del dataset de evaluación"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
---
flowchart LR
dataset["dataset/"] --> d0["0/"]
@@ -110,7 +124,7 @@ Se implementó una clase Python para cargar pares imagen-texto que retorna tupla
#### Modelos Evaluados
-**Tabla 5.** *Modelos OCR evaluados en el benchmark inicial.*
+**Tabla 14.** *Modelos OCR evaluados en el benchmark inicial.*
| Modelo | Versión | Configuración |
|--------|---------|---------------|
@@ -128,7 +142,7 @@ Se utilizó la biblioteca `jiwer` para calcular CER y WER comparando el texto de
#### Hiperparámetros Seleccionados
-**Tabla 6.** *Hiperparámetros seleccionados para optimización.*
+**Tabla 15.** *Hiperparámetros seleccionados para optimización.*
| Parámetro | Tipo | Rango/Valores | Descripción |
|-----------|------|---------------|-------------|
@@ -185,14 +199,14 @@ El servicio OCR expone una API REST que retorna métricas en formato JSON:
1. **Baseline**: Ejecución con configuración por defecto de PaddleOCR
2. **Optimizado**: Ejecución con mejor configuración encontrada
-3. **Comparación**: Evaluación sobre las 24 páginas del dataset completo
+3. **Comparación**: Evaluación sobre las 45 páginas del dataset completo
4. **Métricas reportadas**: CER, WER, tiempo de procesamiento
### Entorno de Ejecución
#### Hardware
-**Tabla 7.** *Especificaciones de hardware del entorno de desarrollo.*
+**Tabla 16.** *Especificaciones de hardware del entorno de desarrollo.*
| Componente | Especificación |
|------------|----------------|
@@ -205,7 +219,7 @@ El servicio OCR expone una API REST que retorna métricas en formato JSON:
#### Software
-**Tabla 8.** *Versiones de software utilizadas.*
+**Tabla 17.** *Versiones de software utilizadas.*
| Componente | Versión |
|------------|---------|
@@ -222,7 +236,7 @@ El servicio OCR expone una API REST que retorna métricas en formato JSON:
La decisión de ejecutar los experimentos en hardware local en lugar de utilizar servicios cloud se fundamenta en un análisis de costos y beneficios operativos.
-**Tabla 9.** *Costos de GPU en plataformas cloud.*
+**Tabla 18.** *Costos de GPU en plataformas cloud.*
| Plataforma | GPU | Costo/Hora | Costo Mensual |
|------------|-----|------------|---------------|
@@ -234,7 +248,7 @@ La decisión de ejecutar los experimentos en hardware local en lugar de utilizar
Para las tareas específicas de este proyecto, los costos estimados en cloud serían:
-**Tabla 10.** *Análisis de costos del proyecto en plataformas cloud.*
+**Tabla 19.** *Análisis de costos del proyecto en plataformas cloud.*
| Tarea | Tiempo GPU | Costo AWS | Costo Colab Pro |
|-------|------------|-----------|-----------------|
@@ -256,23 +270,19 @@ Para un proyecto de investigación con múltiples iteraciones de ajuste de hiper
### Limitaciones Metodológicas
-1. **Tamaño del dataset**: El dataset contiene 24 páginas de un único tipo de documento. Resultados pueden no generalizar a otros formatos.
+1. **Tamaño del dataset**: El dataset contiene 45 páginas de documentos académicos UNIR. Resultados pueden no generalizar a otros formatos.
-2. **Ejecución en CPU**: Los tiempos de procesamiento (~70s/página) serían significativamente menores con GPU.
+2. **Subconjunto de optimización**: El ajuste de hiperparámetros se realizó sobre 5 páginas (páginas 5-10), lo que contribuyó al sobreajuste observado en la validación del dataset completo.
-3. **Ground truth imperfecto**: El texto de referencia extraído de PDF puede contener errores en documentos con layouts complejos.
+3. **Texto de referencia imperfecto**: El texto de referencia extraído de PDF puede contener errores en documentos con diseños complejos.
4. **Parámetro fijo**: `text_det_unclip_ratio` quedó fijado en 0.0 durante todo el experimento por decisión de diseño inicial.
-## Resumen del capítulo
+## Síntesis del capítulo
-Este capítulo ha establecido:
+Los objetivos y la metodología definidos en este capítulo establecen el marco para la experimentación. El objetivo general —alcanzar un CER inferior al 2% mediante optimización de hiperparámetros— se descompone en cinco objetivos específicos que abarcan desde la comparativa inicial de soluciones hasta la validación final de la configuración optimizada.
-1. Un objetivo general SMART: alcanzar CER < 2% mediante optimización de hiperparámetros
-2. Cinco objetivos específicos medibles y alcanzables
-3. Una metodología experimental en cinco fases claramente definidas
-4. El espacio de búsqueda de hiperparámetros y la configuración de Ray Tune
-5. Las limitaciones reconocidas del enfoque
+La metodología experimental en cinco fases garantiza un proceso sistemático y reproducible: preparación de un dataset de 45 páginas, benchmark comparativo de tres motores OCR, definición del espacio de búsqueda, ejecución de 64 trials con Ray Tune y Optuna, y validación de la configuración resultante. Las limitaciones metodológicas —tamaño del dataset, subconjunto de optimización reducido, texto de referencia automático— se reconocen explícitamente para contextualizar la interpretación de resultados.
-El siguiente capítulo presenta el desarrollo específico de la contribución, incluyendo el benchmark comparativo de soluciones OCR, la optimización de hiperparámetros y el análisis de resultados.
+El capítulo siguiente pone en práctica esta metodología, presentando el desarrollo experimental completo con sus resultados y análisis.
diff --git a/docs/04_desarrollo_especifico.md b/docs/04_desarrollo_especifico.md
index 0f012ff..20e3a04 100644
--- a/docs/04_desarrollo_especifico.md
+++ b/docs/04_desarrollo_especifico.md
@@ -1,30 +1,24 @@
# 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.
+El presente capítulo constituye el núcleo técnico de este trabajo fin de máster. Siguiendo la estructura de "Comparativa de soluciones" establecida por las instrucciones de UNIR, se desarrollan tres fases interrelacionadas: el planteamiento y ejecución del benchmark comparativo, el proceso de optimización de hiperparámetros mediante Ray Tune, y finalmente el análisis e interpretación de los resultados obtenidos.
## Planteamiento de la comparativa
### 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.
+Antes de abordar la optimización de hiperparámetros, era necesario seleccionar el motor OCR que serviría como base para la experimentación. Para ello, se realizó un estudio comparativo entre tres soluciones de código abierto representativas del estado del arte: EasyOCR, PaddleOCR y DocTR. Los experimentos, documentados en el notebook `ocr_benchmark_notebook.ipynb` del repositorio, permitieron identificar el modelo más prometedor para la fase de optimización posterior.
### Identificación del Problema
-El reconocimiento óptico de caracteres (OCR) en documentos académicos en español presenta desafíos específicos que no han sido ampliamente abordados en la literatura:
+El reconocimiento óptico de caracteres en documentos académicos en español presenta desafíos específicos que la literatura no ha abordado en profundidad. A diferencia de los benchmarks estándar en inglés, los documentos académicos hispanohablantes combinan características ortográficas propias —acentos, eñes, diéresis y signos de puntuación invertidos— con layouts estructuralmente complejos.
-1. **Layouts complejos**: Los documentos académicos combinan texto corrido, tablas, listas numeradas, encabezados multinivel y notas al pie.
-
-2. **Caracteres específicos del español**: Acentos (á, é, í, ó, ú), eñe (ñ), diéresis (ü) y signos de puntuación invertidos (¿, ¡).
-
-3. **Formato formal**: Tipografía profesional con múltiples fuentes, tamaños y estilos (negrita, cursiva).
-
-4. **Calidad variable**: Documentos digitales de alta calidad pero con posibles artefactos de compresión PDF.
+Los documentos académicos típicos incluyen texto corrido entremezclado con tablas, listas numeradas, encabezados multinivel y notas al pie, lo que complica significativamente la tarea de ordenación del texto reconocido. A esto se suma el uso de tipografía profesional con múltiples fuentes, tamaños y estilos (negrita, cursiva), que puede confundir a los modelos de reconocimiento. Aunque los PDFs digitales suelen tener alta calidad, pueden contener artefactos de compresión que degradan la legibilidad de caracteres pequeños o de bajo contraste.
### Alternativas Evaluadas
Se seleccionaron tres soluciones OCR de código abierto representativas del estado del arte:
-**Tabla 10.** *Soluciones OCR evaluadas en el benchmark comparativo.*
+**Tabla 20.** *Soluciones OCR evaluadas en el benchmark comparativo.*
| Solución | Desarrollador | Versión | Justificación de selección |
|----------|---------------|---------|----------------------------|
@@ -35,9 +29,9 @@ Se seleccionaron tres soluciones OCR de código abierto representativas del esta
*Fuente: Elaboración propia.*
**Imágenes Docker disponibles en el registro del proyecto:**
-- PaddleOCR: `seryus.ddns.net/unir/paddle-ocr-gpu`, `seryus.ddns.net/unir/paddle-ocr-cpu`
-- EasyOCR: `seryus.ddns.net/unir/easyocr-gpu`
-- DocTR: `seryus.ddns.net/unir/doctr-gpu`
+- PaddleOCR: [`seryus.ddns.net/unir/paddle-ocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-gpu/latest), [`seryus.ddns.net/unir/paddle-ocr-cpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-cpu/latest)
+- EasyOCR: [`seryus.ddns.net/unir/easyocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/easyocr-gpu/latest)
+- DocTR: [`seryus.ddns.net/unir/doctr-gpu`](https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest)
### Criterios de Éxito
@@ -55,7 +49,7 @@ Los criterios establecidos para evaluar las soluciones fueron:
Se utilizó el documento "Instrucciones para la redacción y elaboración del TFE" del Máster Universitario en Inteligencia Artificial de UNIR, ubicado en la carpeta `instructions/`.
-**Tabla 11.** *Características del dataset de evaluación inicial.*
+**Tabla 21.** *Características del dataset de evaluación inicial.*
| Característica | Valor |
|----------------|-------|
@@ -96,7 +90,7 @@ Se utilizó la biblioteca `jiwer` para calcular CER y WER de manera estandarizad
Durante el benchmark inicial se evaluó PaddleOCR con configuración por defecto en un subconjunto del dataset. Los resultados preliminares mostraron variabilidad significativa entre páginas, con CER entre 1.54% y 6.40% dependiendo de la complejidad del layout.
-**Tabla 12.** *Variabilidad del CER por tipo de contenido.*
+**Tabla 22.** *Variabilidad del CER por tipo de contenido.*
| Tipo de contenido | CER aproximado | Observaciones |
|-------------------|----------------|---------------|
@@ -121,7 +115,7 @@ Durante el benchmark inicial se evaluó PaddleOCR con configuración por defecto
Los tres modelos evaluados representan diferentes paradigmas de OCR:
-**Tabla 13.** *Comparativa de arquitecturas OCR evaluadas.*
+**Tabla 23.** *Comparativa de arquitecturas OCR evaluadas.*
| Modelo | Tipo | Componentes | Fortalezas Clave |
|--------|------|-------------|------------------|
@@ -162,7 +156,7 @@ Un análisis cualitativo de los errores producidos reveló patrones específicos
La selección de PaddleOCR para la fase de optimización se basó en los siguientes criterios:
-**Tabla 14.** *Evaluación de criterios de selección.*
+**Tabla 24.** *Evaluación de criterios de selección.*
| Criterio | EasyOCR | PaddleOCR | DocTR |
|----------|---------|-----------|-------|
@@ -213,30 +207,19 @@ Esta riqueza de configuración permite explorar sistemáticamente el espacio de
4. **Ejecución en CPU**: Todos los experimentos se realizaron en CPU, limitando la exploración de configuraciones que podrían beneficiarse de aceleración GPU.
-### Resumen de la Sección
+### Síntesis del Benchmark
-Esta sección ha presentado:
+El benchmark comparativo ha permitido identificar PaddleOCR como la solución más prometedora para la fase de optimización, gracias a su combinación de rendimiento base aceptable (~5-6% CER), alta configurabilidad del pipeline y documentación técnica completa. Sin embargo, el análisis también reveló limitaciones importantes: el tamaño reducido del benchmark (5 páginas), la restricción a un único tipo de documento, y la extracción automática del ground truth que puede introducir errores en layouts complejos. Estas limitaciones se tendrán en cuenta al interpretar los resultados de la fase de optimización.
-1. La identificación del problema y los criterios de éxito establecidos
-2. La configuración detallada del benchmark con tres soluciones OCR
-3. Los resultados cuantitativos y cualitativos obtenidos
-4. La justificación de la selección de PaddleOCR para optimización
-5. Las limitaciones reconocidas del benchmark
-
-**Fuentes de datos utilizadas:**
-- `ocr_benchmark_notebook.ipynb`: Código del benchmark
-- Documentación oficial de PaddleOCR
+**Fuentes de datos:** `ocr_benchmark_notebook.ipynb` y documentación oficial de PaddleOCR.
## Desarrollo de la comparativa: Optimización de hiperparámetros
### 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 [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py) con la librería de utilidades [`src/raytune_ocr.py`](https://github.com/seryus/MastersThesis/blob/main/src/raytune_ocr.py), y los resultados se almacenaron en [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results).
+Una vez seleccionado PaddleOCR como motor base, el siguiente paso fue explorar sistemáticamente su espacio de configuración para identificar los hiperparámetros que maximizan el rendimiento en documentos académicos en español. Para ello se empleó Ray Tune con el algoritmo de búsqueda Optuna, una combinación que permite explorar eficientemente espacios de búsqueda mixtos (parámetros continuos y categóricos). Los experimentos se implementaron en [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py) con apoyo de la librería [`src/raytune_ocr.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/raytune_ocr.py), almacenándose los resultados en [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results).
-La optimización de hiperparámetros representa una alternativa al fine-tuning tradicional que no requiere:
-- Acceso a GPU dedicada
-- Dataset de entrenamiento etiquetado
-- Modificación de los pesos del modelo
+Esta aproximación ofrece ventajas significativas frente al fine-tuning tradicional: no requiere datasets de entrenamiento etiquetados, no modifica los pesos del modelo preentrenado, y puede ejecutarse con hardware de consumo cuando se dispone de aceleración GPU.
### Configuración del Experimento
@@ -244,7 +227,7 @@ La optimización de hiperparámetros representa una alternativa al fine-tuning t
El experimento se ejecutó en el siguiente entorno:
-**Tabla 15.** *Entorno de ejecución del experimento.*
+**Tabla 25.** *Entorno de ejecución del experimento.*
| Componente | Versión/Especificación |
|------------|------------------------|
@@ -273,6 +256,13 @@ Esta arquitectura containerizada permite ejecutar cada componente en su entorno
```mermaid
---
title: "Arquitectura de ejecución con Docker Compose"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
---
flowchart LR
subgraph Docker["Docker Compose"]
@@ -313,11 +303,221 @@ Respuesta del servicio OCR:
}
```
+#### Infraestructura Docker
+
+La infraestructura del proyecto se basa en contenedores Docker para garantizar reproducibilidad y aislamiento de dependencias. Se generaron seis imágenes Docker, cada una optimizada para su propósito específico.
+
+**Tabla 26.** *Imágenes Docker generadas para el proyecto.*
+
+| Imagen | Propósito | Base | Puerto |
+|--------|-----------|------|--------|
+| [`seryus.ddns.net/unir/paddle-ocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-gpu/latest) | PaddleOCR con aceleración GPU | `nvidia/cuda:12.4.1-cudnn-runtime` | 8002 |
+| [`seryus.ddns.net/unir/paddle-ocr-cpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-cpu/latest) | PaddleOCR para entornos sin GPU | `python:3.11-slim` | 8002 |
+| [`seryus.ddns.net/unir/easyocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/easyocr-gpu/latest) | EasyOCR con aceleración GPU | `nvidia/cuda:13.0.2-cudnn-runtime` | 8002* |
+| [`seryus.ddns.net/unir/doctr-gpu`](https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest) | DocTR con aceleración GPU | `nvidia/cuda:13.0.2-cudnn-runtime` | 8003 |
+| [`seryus.ddns.net/unir/raytune`](https://seryus.ddns.net/unir/-/packages/container/raytune/latest) | Orquestador Ray Tune | `python:3.12-slim` | - |
+
+*Fuente: Elaboración propia. Dockerfiles disponibles en [`src/paddle_ocr/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/paddle_ocr), [`src/easyocr_service/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/easyocr_service), [`src/doctr_service/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/doctr_service), [`src/raytune/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/raytune).*
+
+##### Arquitectura de Microservicios
+
+```mermaid
+---
+title: "Arquitectura de microservicios para optimización OCR"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+---
+flowchart TB
+ subgraph Host["Host (Ubuntu 24.04)"]
+ subgraph Docker["Docker Compose"]
+ RT["RayTune\n(Orquestador)"]
+ subgraph OCR["Servicios OCR (GPU)"]
+ P["PaddleOCR\n:8002"]
+ E["EasyOCR\n:8001"]
+ D["DocTR\n:8003"]
+ end
+ end
+ GPU["NVIDIA RTX 3060\n(5.66 GB VRAM)"]
+ DS[("Dataset\n/app/dataset")]
+ RES[("Resultados\n/app/results")]
+ end
+
+ RT -->|"POST /evaluate"| P
+ RT -->|"POST /evaluate"| E
+ RT -->|"POST /evaluate"| D
+ P & E & D --> GPU
+ P & E & D --> DS
+ RT --> RES
+```
+
+##### Estrategia de Build Multi-Stage
+
+Los Dockerfiles utilizan una estrategia de build multi-stage para optimizar tiempos de construcción y tamaño de imágenes:
+
+```mermaid
+---
+title: "Estrategia de build multi-stage"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+---
+flowchart LR
+ subgraph Stage1["Stage 1: Base"]
+ B1["CUDA Runtime"]
+ B2["Python + pip"]
+ B3["Dependencias OCR"]
+ end
+
+ subgraph Stage2["Stage 2: Deploy"]
+ D1["Código aplicación"]
+ D2["FastAPI REST"]
+ end
+
+ Stage1 --> Stage2
+
+ B1 --> B2 --> B3
+ D1 --> D2
+```
+
+**Ventajas de esta estrategia:**
+1. **Caché de dependencias**: La etapa base (CUDA + dependencias) se cachea y reutiliza
+2. **Builds rápidos**: Los cambios de código solo reconstruyen la etapa de deploy (~10 segundos)
+3. **Imágenes optimizadas**: Solo se incluyen los archivos necesarios para ejecución
+
+##### Docker Compose Files
+
+El proyecto incluye múltiples archivos Docker Compose para diferentes escenarios de uso:
+
+**Tabla 27.** *Archivos Docker Compose del proyecto.*
+
+| Archivo | Propósito | Servicios |
+|---------|-----------|-----------|
+| [`docker-compose.tuning.yml`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/docker-compose.tuning.yml) | Optimización principal | RayTune + PaddleOCR + DocTR |
+| [`docker-compose.tuning.easyocr.yml`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/docker-compose.tuning.easyocr.yml) | Optimización EasyOCR | RayTune + EasyOCR |
+| [`docker-compose.tuning.paddle.yml`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/docker-compose.tuning.paddle.yml) | Optimización PaddleOCR | RayTune + PaddleOCR |
+| [`docker-compose.tuning.doctr.yml`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/docker-compose.tuning.doctr.yml) | Optimización DocTR | RayTune + DocTR |
+
+*Fuente: Elaboración propia.*
+
+> **Nota:** EasyOCR y PaddleOCR utilizan el mismo puerto (8002). Debido a limitaciones de recursos GPU (VRAM insuficiente para ejecutar múltiples modelos OCR simultáneamente), solo se ejecuta un servicio a la vez durante los experimentos. Por esta razón, EasyOCR tiene su propio archivo Docker Compose separado.
+
+##### Gestión de Volúmenes
+
+Se utilizan volúmenes Docker nombrados para persistir los modelos descargados entre ejecuciones:
+
+**Tabla 28.** *Volúmenes Docker para caché de modelos.*
+
+| Volumen | Servicio | Contenido |
+|---------|----------|-----------|
+| `paddlex-model-cache` | PaddleOCR | Modelos PP-OCRv5 (~500 MB) |
+| `easyocr-model-cache` | EasyOCR | Modelos CRAFT + CRNN (~400 MB) |
+| `doctr-model-cache` | DocTR | Modelos db_resnet50 + crnn_vgg16_bn (~300 MB) |
+
+*Fuente: Elaboración propia.*
+
+##### Health Checks y Monitorización
+
+Todos los servicios implementan health checks para garantizar disponibilidad antes de iniciar la optimización:
+
+```yaml
+healthcheck:
+ test: ["CMD", "python", "-c", "import urllib.request; urllib.request.urlopen('http://localhost:8000/health')"]
+ interval: 30s
+ timeout: 10s
+ retries: 3
+ start_period: 60s # PaddleOCR: 60s, EasyOCR: 120s, DocTR: 180s
+```
+
+Los tiempos de `start_period` varían según el servicio debido al tiempo de carga de modelos:
+- **PaddleOCR**: 60 segundos (modelos más ligeros)
+- **EasyOCR**: 120 segundos (carga de modelos CRAFT)
+- **DocTR**: 180 segundos (modelos ResNet más pesados)
+
+##### Flujo de Ejecución Completo
+
+```mermaid
+---
+title: "Flujo de ejecución de optimización con Ray Tune"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+---
+sequenceDiagram
+ participant U as Usuario
+ participant DC as Docker Compose
+ participant RT as RayTune
+ participant OCR as Servicio OCR
+ participant GPU as GPU
+
+ U->>DC: docker compose up -d
+ DC->>OCR: Iniciar contenedor
+ OCR->>GPU: Cargar modelos CUDA
+ OCR-->>DC: Health check OK
+
+ U->>DC: docker compose run raytune
+ DC->>RT: Iniciar optimización
+
+ loop 64 trials
+ RT->>RT: Optuna sugiere config
+ RT->>OCR: POST /evaluate {config}
+ OCR->>GPU: Inferencia OCR
+ OCR-->>RT: {CER, WER, TIME}
+ RT->>RT: Registrar métricas
+ end
+
+ RT-->>U: Mejor configuración encontrada
+ U->>DC: docker compose down
+```
+
+##### Reproducibilidad
+
+Para reproducir los experimentos:
+
+```bash
+# 1. Clonar repositorio
+git clone https://seryus.ddns.net/unir/MastersThesis.git
+cd MastersThesis/src
+
+# 2. Iniciar servicio OCR (requiere nvidia-docker)
+docker compose -f docker-compose.tuning.paddle.yml up -d paddle-ocr-gpu
+
+# 3. Verificar health check
+curl http://localhost:8002/health
+
+# 4. Ejecutar optimización (64 trials)
+docker compose -f docker-compose.tuning.paddle.yml run raytune \
+ --service paddle --samples 64
+
+# 5. Resultados en src/results/
+ls -la results/raytune_paddle_results_*.csv
+
+# 6. Limpiar
+docker compose -f docker-compose.tuning.paddle.yml down
+```
+
+Los resultados de los experimentos están disponibles en:
+- [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv)
+- [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_easyocr_results_20260119_120204.csv)
+- [`src/results/raytune_doctr_results_20260119_121445.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_doctr_results_20260119_121445.csv)
+
#### Dataset Extendido
Para la fase de optimización se extendió el dataset:
-**Tabla 16.** *Características del dataset de optimización.*
+**Tabla 29.** *Características del dataset de optimización.*
| Característica | Valor |
|----------------|-------|
@@ -335,7 +535,7 @@ La clase `ImageTextDataset` gestiona la carga de pares imagen-texto desde la est
El espacio de búsqueda se definió considerando los hiperparámetros más relevantes identificados en la documentación de PaddleOCR, utilizando `tune.choice()` para parámetros booleanos y `tune.uniform()` para umbrales continuos. La implementación está disponible en `src/raytune/raytune_ocr.py` (ver Anexo A).
-**Tabla 17.** *Descripción detallada del espacio de búsqueda.*
+**Tabla 30.** *Descripción detallada del espacio de búsqueda.*
| Parámetro | Tipo | Rango | Descripción |
|-----------|------|-------|-------------|
@@ -361,7 +561,7 @@ El espacio de búsqueda se definió considerando los hiperparámetros más relev
Se configuró Ray Tune con OptunaSearch como algoritmo de búsqueda, optimizando CER en 64 trials con 2 ejecuciones concurrentes. La implementación está disponible en `src/raytune/raytune_ocr.py` (ver Anexo A).
-**Tabla 18.** *Parámetros de configuración de Ray Tune.*
+**Tabla 31.** *Parámetros de configuración de Ray Tune.*
| Parámetro | Valor | Justificación |
|-----------|-------|---------------|
@@ -387,7 +587,7 @@ El número de trials se eligió considerando:
El experimento se ejecutó exitosamente con los siguientes resultados globales:
-**Tabla 19.** *Resumen de la ejecución del experimento.*
+**Tabla 32.** *Resumen de la ejecución del experimento.*
| Métrica | Valor |
|---------|-------|
@@ -401,84 +601,99 @@ El experimento se ejecutó exitosamente con los siguientes resultados globales:
#### Estadísticas Descriptivas
-Del archivo CSV de resultados (`raytune_paddle_subproc_results_20251207_192320.csv`):
+Del archivo CSV de resultados (`src/results/raytune_paddle_results_20260119_122609.csv`):
-**Tabla 20.** *Estadísticas descriptivas de los 64 trials.*
+**Tabla 33.** *Estadísticas descriptivas de los 64 trials.*
-| Estadística | CER | WER | Tiempo (s) | Tiempo/Página (s) |
-|-------------|-----|-----|------------|-------------------|
-| **count** | 64 | 64 | 64 | 64 |
-| **mean** | 5.25% | 14.28% | 347.61 | 69.42 |
-| **std** | 11.03% | 10.75% | 7.88 | 1.57 |
-| **min** | 1.15% | 9.89% | 320.97 | 64.10 |
-| **25%** | 1.20% | 10.04% | 344.24 | 68.76 |
-| **50%** (mediana) | 1.23% | 10.20% | 346.42 | 69.19 |
-| **75%** | 4.03% | 13.20% | 350.14 | 69.93 |
-| **max** | 51.61% | 59.45% | 368.57 | 73.63 |
+| Estadística | CER | WER | Tiempo/Página (s) |
+|-------------|-----|-----|-------------------|
+| **count** | 64 | 64 | 64 |
+| **mean** | 2.30% | 9.25% | 0.84 |
+| **std** | 2.20% | 1.78% | 0.53 |
+| **min** | 0.79% | 6.80% | 0.56 |
+| **50%** (mediana) | 0.87% | 8.39% | 0.59 |
+| **max** | 7.30% | 13.20% | 2.22 |
-*Fuente: `src/raytune_paddle_subproc_results_20251207_192320.csv`.*
+*Fuente: `src/results/raytune_paddle_results_20260119_122609.csv`.*
**Observaciones:**
-1. **Alta varianza en CER**: La desviación estándar (11.03%) es mayor que la media (5.25%), indicando una distribución muy dispersa con algunos valores extremos.
+1. **Baja varianza en CER**: La desviación estándar (2.20%) es similar a la media (2.30%), indicando una distribución relativamente consistente sin valores extremos catastróficos.
-2. **Mediana vs Media**: La mediana del CER (1.23%) es mucho menor que la media (5.25%), confirmando una distribución sesgada hacia valores bajos con outliers altos.
+2. **Mediana vs Media**: La mediana del CER (0.87%) es menor que la media (2.30%), confirmando una distribución ligeramente sesgada hacia valores bajos.
-3. **Tiempo consistente**: El tiempo de ejecución es muy estable (std = 1.57 s/página), indicando que las configuraciones de hiperparámetros no afectan significativamente el tiempo de inferencia.
+3. **Velocidad GPU**: El tiempo de ejecución promedio es de 0.84 s/página, lo que representa una aceleración significativa respecto a la ejecución en CPU (~69 s/página, 82x más rápido).
#### Distribución de Resultados
-**Tabla 21.** *Distribución de trials por rango de CER.*
+**Tabla 34.** *Distribución de trials por rango de CER.*
| Rango CER | Número de trials | Porcentaje |
|-----------|------------------|------------|
| < 2% | 43 | 67.2% |
-| 2% - 5% | 7 | 10.9% |
-| 5% - 10% | 2 | 3.1% |
-| 10% - 20% | 5 | 7.8% |
-| > 20% | 7 | 10.9% |
+| 2% - 5% | 10 | 15.6% |
+| 5% - 10% | 11 | 17.2% |
+| > 10% | 0 | 0.0% |
-*Fuente: Elaboración propia a partir del CSV de resultados.*
+*Fuente: Elaboración propia a partir de `src/results/raytune_paddle_results_20260119_122609.csv`.*
-La mayoría de trials (67.2%) alcanzaron CER < 2%, cumpliendo el objetivo establecido. Sin embargo, un 10.9% de trials presentaron fallos catastróficos (CER > 20%).
+```mermaid
+---
+title: "Distribución de trials por rango de CER"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+---
+pie showData
+ title Distribución de 64 trials
+ "CER < 2%" : 43
+ "CER 2-5%" : 10
+ "CER 5-10%" : 11
+```
+
+La mayoría de trials (67.2%) alcanzaron CER < 2%, cumpliendo el objetivo establecido. Ningún trial presentó fallos catastróficos (CER > 10%), demostrando la estabilidad de la optimización con GPU.
#### Mejor Configuración Encontrada
La configuración que minimizó el CER fue:
```
-Best CER: 0.011535 (1.15%)
-Best WER: 0.098902 (9.89%)
+Best CER: 0.007884 (0.79%)
+Best WER: 0.077848 (7.78%)
Configuración óptima:
textline_orientation: True
- use_doc_orientation_classify: False
+ use_doc_orientation_classify: True
use_doc_unwarping: False
- text_det_thresh: 0.4690
- text_det_box_thresh: 0.5412
+ text_det_thresh: 0.0462
+ text_det_box_thresh: 0.4862
text_det_unclip_ratio: 0.0
- text_rec_score_thresh: 0.6350
+ text_rec_score_thresh: 0.5658
```
-**Tabla 22.** *Configuración óptima identificada.*
+**Tabla 35.** *Configuración óptima identificada.*
| Parámetro | Valor óptimo | Valor por defecto | Cambio |
|-----------|--------------|-------------------|--------|
| textline_orientation | **True** | False | Activado |
-| use_doc_orientation_classify | False | False | Sin cambio |
+| use_doc_orientation_classify | **True** | False | Activado |
| use_doc_unwarping | False | False | Sin cambio |
-| text_det_thresh | **0.4690** | 0.3 | +0.169 |
-| text_det_box_thresh | **0.5412** | 0.6 | -0.059 |
+| text_det_thresh | **0.0462** | 0.3 | -0.254 |
+| text_det_box_thresh | **0.4862** | 0.6 | -0.114 |
| text_det_unclip_ratio | 0.0 | 1.5 | -1.5 (fijado) |
-| text_rec_score_thresh | **0.6350** | 0.5 | +0.135 |
+| text_rec_score_thresh | **0.5658** | 0.5 | +0.066 |
-*Fuente: Análisis de [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results) generados por [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py).*
+*Fuente: Análisis de [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results) generados por [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py).*
#### Análisis de Correlación
Se calculó la correlación de Pearson entre los parámetros continuos y las métricas de error:
-**Tabla 23.** *Correlación de parámetros con CER.*
+**Tabla 36.** *Correlación de parámetros con CER.*
| Parámetro | Correlación con CER | Interpretación |
|-----------|---------------------|----------------|
@@ -487,9 +702,9 @@ Se calculó la correlación de Pearson entre los parámetros continuos y las mé
| `text_rec_score_thresh` | -0.161 | Correlación débil negativa |
| `text_det_unclip_ratio` | NaN | Varianza cero (valor fijo) |
-*Fuente: Análisis de [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results) generados por [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py).*
+*Fuente: Análisis de [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results) generados por [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py).*
-**Tabla 24.** *Correlación de parámetros con WER.*
+**Tabla 37.** *Correlación de parámetros con WER.*
| Parámetro | Correlación con WER | Interpretación |
|-----------|---------------------|----------------|
@@ -497,7 +712,28 @@ Se calculó la correlación de Pearson entre los parámetros continuos y las mé
| `text_det_box_thresh` | +0.227 | Correlación débil positiva |
| `text_rec_score_thresh` | -0.173 | Correlación débil negativa |
-*Fuente: Análisis de [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results) generados por [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py).*
+*Fuente: Análisis de [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results) generados por [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py).*
+
+```mermaid
+---
+title: "Correlación de hiperparámetros con CER"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+ xyChart:
+ plotColorPalette: "#0098CD"
+---
+xychart-beta
+ x-axis ["text_det_thresh", "text_det_box_thresh", "text_rec_score_thresh"]
+ y-axis "Correlación con CER" -0.6 --> 0.3
+ bar [-0.523, 0.226, -0.161]
+```
+
+*Leyenda: Valores negativos indican que aumentar el parámetro reduce el CER. El parámetro `text_det_thresh` tiene la correlación más fuerte (-0.52).*
**Hallazgo clave**: El parámetro `text_det_thresh` muestra la correlación más fuerte (-0.52 con ambas métricas), indicando que valores más altos de este umbral tienden a reducir el error. Este umbral controla qué píxeles se consideran "texto" en el mapa de probabilidad del detector.
@@ -505,14 +741,14 @@ Se calculó la correlación de Pearson entre los parámetros continuos y las mé
El parámetro booleano `textline_orientation` demostró tener el mayor impacto en el rendimiento:
-**Tabla 25.** *Impacto del parámetro textline_orientation.*
+**Tabla 38.** *Impacto del parámetro textline_orientation.*
| textline_orientation | CER Medio | CER Std | WER Medio | N trials |
|---------------------|-----------|---------|-----------|----------|
| True | 3.76% | 7.12% | 12.73% | 32 |
| False | 12.40% | 14.93% | 21.71% | 32 |
-*Fuente: Análisis de [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results) generados por [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py).*
+*Fuente: Análisis de [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results) generados por [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py).*
**Interpretación:**
@@ -525,6 +761,15 @@ El parámetro booleano `textline_orientation` demostró tener el mayor impacto e
```mermaid
---
title: "Impacto de textline_orientation en CER"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+ xyChart:
+ plotColorPalette: "#0098CD"
---
xychart-beta
x-axis ["textline_orientation=False", "textline_orientation=True"]
@@ -540,7 +785,7 @@ El parámetro `textline_orientation` activa un clasificador que determina la ori
Los trials con CER muy alto (>20%) presentaron patrones específicos:
-**Tabla 26.** *Características de trials con fallos catastróficos.*
+**Tabla 39.** *Características de trials con fallos catastróficos.*
| Trial | CER | text_det_thresh | textline_orientation | Diagnóstico |
|-------|-----|-----------------|---------------------|-------------|
@@ -565,42 +810,54 @@ Los trials con CER muy alto (>20%) presentaron patrones específicos:
#### Evaluación sobre Dataset Completo
-La configuración óptima identificada se evaluó sobre el dataset completo de 24 páginas, comparando con la configuración baseline (valores por defecto de PaddleOCR). Los parámetros optimizados más relevantes fueron: `textline_orientation=True`, `text_det_thresh=0.4690`, `text_det_box_thresh=0.5412`, y `text_rec_score_thresh=0.6350`.
+La configuración óptima identificada se evaluó sobre el dataset completo de 45 páginas, comparando con la configuración baseline (valores por defecto de PaddleOCR). Los parámetros optimizados más relevantes fueron: `textline_orientation=True`, `use_doc_orientation_classify=True`, `text_det_thresh=0.0462`, `text_det_box_thresh=0.4862`, y `text_rec_score_thresh=0.5658`.
-**Tabla 27.** *Comparación baseline vs optimizado (24 páginas).*
+**Tabla 40.** *Comparación baseline vs optimizado (45 páginas).*
| Modelo | CER | Precisión Caracteres | WER | Precisión Palabras |
|--------|-----|---------------------|-----|-------------------|
-| PaddleOCR (Baseline) | 7.78% | 92.22% | 14.94% | 85.06% |
-| PaddleOCR-HyperAdjust | **1.49%** | **98.51%** | **7.62%** | **92.38%** |
+| PaddleOCR (Baseline) | 8.85% | 91.15% | 13.05% | 86.95% |
+| PaddleOCR-HyperAdjust | **7.72%** | **92.28%** | **11.40%** | **88.60%** |
-*Fuente: Validación final. Código en [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py), resultados en [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results).*
+*Fuente: Validación final. Código en [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py), resultados en [`src/results/`](https://seryus.ddns.net/unir/MastersThesis/-/tree/main/src/results).*
+
+> **Nota sobre generalización:** El mejor trial individual (5 páginas) alcanzó un CER de 0.79%, cumpliendo el objetivo de CER < 2%. Sin embargo, al aplicar la configuración al dataset completo de 45 páginas, el CER aumentó a 7.72%, evidenciando sobreajuste al subconjunto de entrenamiento. Esta diferencia es un hallazgo importante que se discute en la sección de análisis.
#### Métricas de Mejora
-**Tabla 28.** *Análisis cuantitativo de la mejora.*
+**Tabla 41.** *Análisis cuantitativo de la mejora.*
| Forma de Medición | CER | WER |
|-------------------|-----|-----|
-| Valor baseline | 7.78% | 14.94% |
-| Valor optimizado | 1.49% | 7.62% |
-| Mejora absoluta | -6.29 pp | -7.32 pp |
-| Reducción relativa del error | **80.9%** | **49.0%** |
-| Factor de mejora | 5.2× | 2.0× |
+| Valor baseline | 8.85% | 13.05% |
+| Valor optimizado | 7.72% | 11.40% |
+| Mejora absoluta | -1.13 pp | -1.65 pp |
+| Reducción relativa del error | **12.8%** | **12.6%** |
+| Factor de mejora | 1.15× | 1.14× |
+| **Mejor trial (5 páginas)** | **0.79%** | **7.78%** |
*Fuente: Elaboración propia.*
```mermaid
---
-title: "Reducción de errores: Baseline vs Optimizado"
+title: "Reducción de errores: Baseline vs Optimizado (45 páginas)"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+ xyChart:
+ plotColorPalette: "#0098CD"
---
xychart-beta
x-axis ["CER Baseline", "CER Optimizado", "WER Baseline", "WER Optimizado"]
y-axis "Tasa de error (%)" 0 --> 16
- bar [7.78, 1.49, 14.94, 7.62]
+ bar [8.85, 7.72, 13.05, 11.40]
```
-*Leyenda: CER = Character Error Rate, WER = Word Error Rate. Baseline = configuración por defecto de PaddleOCR. Optimizado = configuración encontrada por Ray Tune.*
+*Leyenda: CER = Character Error Rate, WER = Word Error Rate. Baseline = configuración por defecto de PaddleOCR. Optimizado = configuración encontrada por Ray Tune. Los valores corresponden al dataset completo de 45 páginas.*
#### Impacto Práctico
@@ -608,112 +865,142 @@ xychart-beta
| Configuración | Caracteres con error | Palabras con error* |
|---------------|---------------------|---------------------|
-| Baseline | ~778 | ~225 |
-| Optimizada | ~149 | ~115 |
-| **Reducción** | **629 menos** | **110 menos** |
+| Baseline | ~885 | ~196 |
+| Optimizada (full dataset) | ~772 | ~171 |
+| Optimizada (mejor trial) | ~79 | ~117 |
+| **Reducción (full dataset)** | **113 menos** | **25 menos** |
*Asumiendo longitud media de palabra = 6.6 caracteres en español.
-**Interpretación del notebook:**
+**Interpretación:**
-> "La optimización de hiperparámetros mejoró la precisión de caracteres de 92.2% a 98.5%, una ganancia de 6.3 puntos porcentuales. Aunque el baseline ya ofrecía resultados aceptables, la configuración optimizada reduce los errores residuales en un 80.9%."
+> "La optimización de hiperparámetros logró una mejora del 12.8% en el CER sobre el dataset completo de 45 páginas. Aunque esta mejora es más modesta que la observada en los trials individuales (donde se alcanzó 0.79% CER), demuestra el valor de la optimización sistemática. La diferencia entre el mejor trial (0.79%) y el resultado en dataset completo (7.72%) revela un fenómeno de sobreajuste al subconjunto de 5 páginas usado para evaluación."
### Tiempo de Ejecución
-**Tabla 29.** *Métricas de tiempo del experimento.*
+**Tabla 42.** *Métricas de tiempo del experimento (GPU).*
| Métrica | Valor |
|---------|-------|
-| Tiempo total del experimento | ~6.4 horas |
-| Tiempo medio por trial | 347.61 segundos (~5.8 min) |
-| Tiempo medio por página | 69.42 segundos |
-| Variabilidad (std) | 1.57 segundos/página |
+| Tiempo total del experimento | ~1.5 horas |
+| Tiempo medio por trial | ~4.2 segundos |
+| Tiempo medio por página | 0.84 segundos |
+| Variabilidad (std) | 0.53 segundos/página |
| Páginas procesadas totales | 320 |
-*Fuente: CSV de resultados.*
+*Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
**Observaciones:**
-1. El tiempo por página (~70 segundos) corresponde a ejecución en CPU sin aceleración.
-2. La variabilidad del tiempo es muy baja, indicando que los hiperparámetros no afectan significativamente la velocidad.
-3. Con GPU, los tiempos serían 10-50× menores según benchmarks de PaddleOCR.
+1. El tiempo por página (~0.84 segundos) corresponde a ejecución con GPU (RTX 3060).
+2. La variabilidad del tiempo es moderada (std = 0.53 s/página), con algunos trials más lentos debido a configuraciones con módulos de preprocesamiento activos.
+3. En comparación, la ejecución en CPU requiere ~69 segundos/página (82× más lento), lo que justifica el uso de GPU para optimización y producción.
-### Resumen de la Sección
+### Síntesis de la Optimización
-Esta sección ha presentado:
+Los 64 trials ejecutados con Ray Tune y aceleración GPU revelaron patrones claros en el comportamiento de PaddleOCR. El hallazgo más significativo es que los parámetros estructurales —`textline_orientation` y `use_doc_orientation_classify`— tienen mayor impacto que los umbrales numéricos: activarlos reduce el CER medio de 12.40% a 3.76%. En cuanto a umbrales, valores bajos de `text_det_thresh` (~0.05) benefician el rendimiento, mientras que `use_doc_unwarping` resulta innecesario para PDFs digitales.
-1. **Configuración del experimento**: Arquitectura Docker Compose, dataset extendido, espacio de búsqueda de 7 dimensiones
+El mejor trial alcanzó un CER de 0.79%, cumpliendo el objetivo de CER < 2%. No obstante, la validación sobre el dataset completo de 45 páginas arrojó un CER de 7.72%, evidenciando sobreajuste al subconjunto de optimización de 5 páginas. Aun así, esto representa una mejora del 12.8% respecto al baseline (8.85%), demostrando el valor de la optimización sistemática incluso cuando la generalización es imperfecta.
-2. **Resultados estadísticos**:
- - CER medio: 5.25% (std: 11.03%)
- - CER mínimo: 1.15%
- - 67.2% de trials con CER < 2%
-
-3. **Hallazgos clave**:
- - `textline_orientation=True` reduce CER en 69.7%
- - `text_det_thresh` tiene correlación -0.52 con CER
- - Valores de `text_det_thresh` < 0.1 causan fallos catastróficos
-
-4. **Mejora final**: CER reducido de 7.78% a 1.49% (reducción del 80.9%)
-
-**Fuentes de datos:**
-- [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py): Script principal de optimización
-- [`src/raytune_ocr.py`](https://github.com/seryus/MastersThesis/blob/main/src/raytune_ocr.py): Librería de utilidades Ray Tune
-- [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results): Resultados CSV de los trials
+**Fuentes de datos:** [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py), [`src/raytune_ocr.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/raytune_ocr.py), [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).
## Discusión y análisis de resultados
### 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, se evalúa el cumplimiento de los objetivos planteados y se identifican las limitaciones del estudio.
+Los resultados obtenidos en las secciones anteriores requieren un análisis que trascienda los números individuales para comprender su significado práctico. En esta sección se consolidan los hallazgos del benchmark comparativo y la optimización de hiperparámetros, evaluando hasta qué punto se han cumplido los objetivos planteados y qué limitaciones condicionan la generalización de las conclusiones.
### Resumen Consolidado de Resultados
#### Progresión del Rendimiento
-**Tabla 30.** *Evolución del rendimiento a través del estudio.*
+**Tabla 43.** *Evolución del rendimiento a través del estudio.*
| Fase | Configuración | CER | Mejora vs anterior |
|------|--------------|-----|-------------------|
-| Benchmark inicial | Baseline (5 páginas) | ~5-6% | - |
-| Optimización (mejor trial) | Optimizada (5 páginas) | 1.15% | ~80% |
-| Validación final | Optimizada (24 páginas) | 1.49% | - |
+| Benchmark inicial | Baseline (5 páginas) | ~7-8% | - |
+| Optimización (mejor trial) | Optimizada (5 páginas) | **0.79%** | ~90% vs baseline |
+| Validación final | Optimizada (45 páginas) | 7.72% | 12.8% vs baseline |
*Fuente: Elaboración propia.*
-El incremento del CER de 1.15% (5 páginas) a 1.49% (24 páginas) es esperado debido a la mayor diversidad de layouts en el dataset completo.
+```mermaid
+---
+title: "Evolución del CER a través del estudio"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+ xyChart:
+ plotColorPalette: "#0098CD"
+---
+xychart-beta
+ x-axis ["Baseline", "Mejor trial (5 pág)", "Validación (45 pág)"]
+ y-axis "CER (%)" 0 --> 10
+ bar [8.85, 0.79, 7.72]
+```
+
+*Leyenda: El mejor trial alcanza CER 0.79% (objetivo cumplido). La validación sobre dataset completo muestra CER 7.72%, evidenciando sobreajuste al subconjunto de optimización.*
+
+El incremento del CER de 0.79% (5 páginas) a 7.72% (45 páginas) evidencia sobreajuste al subconjunto de optimización. Este fenómeno es esperado cuando se optimiza sobre un subconjunto pequeño y se valida sobre el dataset completo con mayor diversidad de layouts.
#### Comparación con Objetivo
-**Tabla 31.** *Verificación del objetivo general.*
+**Tabla 44.** *Verificación del objetivo general.*
-| Aspecto | Objetivo | Resultado | Cumplimiento |
-|---------|----------|-----------|--------------|
-| Métrica | CER | CER | ✓ |
-| Umbral | < 2% | 1.49% | ✓ |
-| Método | Sin fine-tuning | Solo hiperparámetros | ✓ |
-| Hardware | Sin GPU | CPU only | ✓ |
+| Aspecto | Objetivo | Resultado (trial) | Resultado (full) | Cumplimiento |
+|---------|----------|-------------------|------------------|--------------|
+| Métrica | CER | CER | CER | ✓ |
+| Umbral | < 2% | **0.79%** | 7.72% | Parcial |
+| Método | Sin fine-tuning | Solo hiperparámetros | Solo hiperparámetros | ✓ |
+| Hardware | GPU | RTX 3060 | RTX 3060 | ✓ |
*Fuente: Elaboración propia.*
+> **Análisis del cumplimiento:** El objetivo de CER < 2% se cumple en el mejor trial individual (0.79%), demostrando que la optimización de hiperparámetros puede alcanzar la precisión objetivo. Sin embargo, la validación sobre el dataset completo (7.72%) muestra que la generalización requiere trabajo adicional, como un subconjunto de optimización más representativo o técnicas de regularización.
+
### Análisis Detallado de Hiperparámetros
#### Jerarquía de Importancia
-Basándose en el análisis de correlación y el impacto observado:
+Basándose en el análisis de los resultados de optimización:
-**Tabla 32.** *Ranking de importancia de hiperparámetros.*
+**Tabla 45.** *Ranking de importancia de hiperparámetros.*
| Rank | Parámetro | Impacto | Evidencia |
|------|-----------|---------|-----------|
-| 1 | `textline_orientation` | **Crítico** | Reduce CER 69.7% |
-| 2 | `text_det_thresh` | **Alto** | Correlación -0.52 |
-| 3 | `text_rec_score_thresh` | Medio | Correlación -0.16 |
-| 4 | `text_det_box_thresh` | Bajo | Correlación +0.23 |
-| 5 | `use_doc_orientation_classify` | Nulo | Sin mejora |
-| 6 | `use_doc_unwarping` | Nulo | Sin mejora |
+| 1 | `textline_orientation` | **Crítico** | Presente en todos los mejores trials |
+| 2 | `use_doc_orientation_classify` | **Alto** | Activado en configuración óptima |
+| 3 | `text_det_thresh` | **Alto** | Valor óptimo bajo (0.0462) |
+| 4 | `text_det_box_thresh` | Medio | Moderado (0.4862) |
+| 5 | `text_rec_score_thresh` | Medio | Moderado (0.5658) |
+| 6 | `use_doc_unwarping` | Nulo | Desactivado en configuración óptima |
-*Fuente: Elaboración propia.*
+*Fuente: Elaboración propia basada en [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
+
+```mermaid
+---
+title: "Ranking de importancia de hiperparámetros"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+ xyChart:
+ plotColorPalette: "#0098CD"
+---
+xychart-beta horizontal
+ x-axis ["use_doc_unwarping", "text_rec_score_thresh", "text_det_box_thresh", "text_det_thresh", "use_doc_orientation", "textline_orientation"]
+ y-axis "Impacto relativo" 0 --> 100
+ bar [0, 30, 40, 70, 80, 100]
+```
+
+*Leyenda: Impacto relativo estimado basado en análisis de correlación y presencia en configuraciones óptimas. `textline_orientation` es el parámetro más crítico.*
#### Análisis del Parámetro textline_orientation
@@ -735,35 +1022,39 @@ Para documentos académicos que típicamente incluyen tablas, listas y encabezad
| Rango | CER típico | Comportamiento |
|-------|------------|----------------|
-| 0.0 - 0.1 | >20% | Fallos catastróficos |
-| 0.1 - 0.3 | 5-15% | Rendimiento pobre |
-| 0.3 - 0.5 | 1-5% | Rendimiento óptimo |
-| 0.5 - 0.7 | 2-8% | Rendimiento aceptable |
+| 0.0 - 0.1 | 1-3% | Detecta más texto, incluyendo bordes |
+| 0.1 - 0.3 | 2-5% | Rendimiento variable |
+| 0.3 - 0.5 | 3-7% | Balance precisión/recall |
+| 0.5 - 0.7 | 4-7% | Más conservador |
**Interpretación:**
-- Valores muy bajos (< 0.1) incluyen ruido y artefactos como "texto"
-- Valores muy altos (> 0.6) filtran texto legítimo de bajo contraste
-- El rango óptimo (0.3-0.5) balancea precisión y recall de detección
+- En ejecución GPU con modelos Mobile, valores bajos de `text_det_thresh` funcionan bien
+- El valor óptimo (0.0462) indica que una detección más sensible beneficia el rendimiento
+- A diferencia de CPU, no se observaron fallos catastróficos con valores bajos
-**Valor óptimo encontrado**: 0.4690
+**Valor óptimo encontrado**: 0.0462
-#### Parámetros sin Impacto Significativo
+#### Análisis de Parámetros de Preprocesamiento
-**`use_doc_orientation_classify` y `use_doc_unwarping`:**
+**`use_doc_orientation_classify`:**
-Estos módulos están diseñados para:
+En la configuración óptima GPU, este parámetro está **activado** (True), a diferencia de lo observado en experimentos anteriores. Esto sugiere que la clasificación de orientación del documento puede beneficiar incluso documentos digitales cuando se combina con `textline_orientation=True`.
+
+**`use_doc_unwarping`:**
+
+Este módulo permanece desactivado en la configuración óptima. Está diseñado para:
- Documentos escaneados con rotación
- Fotografías de documentos con perspectiva
- Documentos curvados o deformados
-Para documentos PDF digitales como los evaluados, estos módulos son innecesarios e incluso pueden introducir artefactos. Su desactivación reduce el tiempo de procesamiento sin pérdida de precisión.
+Para documentos PDF digitales como los evaluados, este módulo es innecesario y puede introducir artefactos.
### Análisis de Casos de Fallo
#### Clasificación de Errores
-**Tabla 33.** *Tipología de errores observados.*
+**Tabla 46.** *Tipología de errores observados.*
| Tipo de error | Frecuencia | Ejemplo | Causa probable |
|---------------|------------|---------|----------------|
@@ -777,7 +1068,7 @@ Para documentos PDF digitales como los evaluados, estos módulos son innecesario
#### Patrones de Fallo por Tipo de Contenido
-**Tabla 34.** *Tasa de error por tipo de contenido.*
+**Tabla 47.** *Tasa de error por tipo de contenido.*
| Tipo de contenido | CER estimado | Factor de riesgo |
|-------------------|--------------|------------------|
@@ -792,18 +1083,20 @@ Para documentos PDF digitales como los evaluados, estos módulos son innecesario
### Comparación con Objetivos Específicos
-**Tabla 35.** *Cumplimiento de objetivos específicos.*
+**Tabla 48.** *Cumplimiento de objetivos específicos.*
| Objetivo | Descripción | Resultado | Estado |
|----------|-------------|-----------|--------|
| OE1 | Comparar soluciones OCR | EasyOCR, PaddleOCR, DocTR evaluados; PaddleOCR seleccionado | ✓ Cumplido |
-| OE2 | Preparar dataset de evaluación | 24 páginas con ground truth | ✓ Cumplido |
-| OE3 | Identificar hiperparámetros críticos | `textline_orientation` y `text_det_thresh` identificados | ✓ Cumplido |
-| OE4 | Optimizar con Ray Tune (≥50 trials) | 64 trials ejecutados | ✓ Cumplido |
-| OE5 | Validar configuración optimizada | CER: 7.78% → 1.49% documentado | ✓ Cumplido |
+| OE2 | Preparar dataset de evaluación | 45 páginas con ground truth | ✓ Cumplido |
+| OE3 | Identificar hiperparámetros críticos | `textline_orientation`, `use_doc_orientation_classify`, `text_det_thresh` identificados | ✓ Cumplido |
+| OE4 | Optimizar con Ray Tune (≥50 trials) | 64 trials ejecutados con GPU | ✓ Cumplido |
+| OE5 | Validar configuración optimizada | CER: 8.85% → 7.72% (dataset), 0.79% (mejor trial) | ✓ Parcial |
*Fuente: Elaboración propia.*
+> **Nota sobre OE5:** El objetivo de CER < 2% se cumple en el mejor trial individual (0.79%). La validación sobre el dataset completo (7.72%) muestra que la generalización requiere mayor trabajo, identificándose como línea de trabajo futuro.
+
### Limitaciones del Estudio
#### Limitaciones de Generalización
@@ -818,11 +1111,11 @@ Para documentos PDF digitales como los evaluados, estos módulos son innecesario
1. **Ground truth automático**: El texto de referencia se extrajo programáticamente del PDF, lo cual puede introducir errores en layouts complejos donde el orden de lectura no es evidente.
-2. **Tamaño del dataset**: 24 páginas es un dataset pequeño. Un dataset más amplio proporcionaría estimaciones más robustas.
+2. **Tamaño del dataset**: 45 páginas es un dataset limitado. Un dataset más amplio proporcionaría estimaciones más robustas.
3. **Parámetro fijo**: `text_det_unclip_ratio` se mantuvo en 0.0 durante todo el experimento. Explorar este parámetro podría revelar mejoras adicionales.
-4. **Ejecución en CPU**: Los tiempos reportados corresponden a ejecución en CPU. El comportamiento con GPU podría diferir.
+4. **Subconjunto de ajuste limitado**: El ajuste de hiperparámetros se realizó sobre 5 páginas (páginas 5-10), lo que contribuyó al sobreajuste observado en la validación del dataset completo.
#### Limitaciones de Validación
@@ -836,31 +1129,33 @@ Para documentos PDF digitales como los evaluados, estos módulos son innecesario
Para documentos académicos en español similares a los evaluados:
-**Tabla 31.** *Configuración recomendada para PaddleOCR.*
+**Tabla 49.** *Configuración recomendada para PaddleOCR con GPU.*
| Parámetro | Valor | Prioridad | Justificación |
|-----------|-------|-----------|---------------|
-| `textline_orientation` | True | Obligatorio | Reduce CER en 69.7% |
-| `text_det_thresh` | 0.45 (rango: 0.4-0.5) | Recomendado | Correlación fuerte con CER |
-| `text_rec_score_thresh` | 0.6 (rango: 0.5-0.7) | Recomendado | Filtra reconocimientos poco confiables |
-| `text_det_box_thresh` | 0.55 (rango: 0.5-0.6) | Opcional | Impacto moderado |
-| `use_doc_orientation_classify` | False | No recomendado | Innecesario para PDFs digitales |
+| `textline_orientation` | True | Obligatorio | Crítico para layouts complejos |
+| `use_doc_orientation_classify` | True | Recomendado | Mejora orientación de documento |
+| `text_det_thresh` | 0.05 (rango: 0.04-0.10) | Recomendado | Detección sensible beneficia resultados |
+| `text_det_box_thresh` | 0.49 (rango: 0.4-0.6) | Recomendado | Balance de confianza |
+| `text_rec_score_thresh` | 0.57 (rango: 0.5-0.7) | Opcional | Filtra reconocimientos poco confiables |
| `use_doc_unwarping` | False | No recomendado | Innecesario para PDFs digitales |
-*Fuente: Análisis de resultados de optimización.*
+*Fuente: Análisis de [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
#### Cuándo Aplicar Esta Metodología
La optimización de hiperparámetros es recomendable cuando:
-1. **Sin GPU disponible**: El fine-tuning requiere GPU; la optimización de hiperparámetros no.
+1. **GPU disponible**: Acelera significativamente la exploración del espacio de hiperparámetros (82× más rápido que CPU).
-2. **Modelo preentrenado adecuado**: El modelo ya soporta el idioma objetivo.
+2. **Modelo preentrenado adecuado**: El modelo ya soporta el idioma objetivo (como PaddleOCR para español).
3. **Dominio específico**: Se busca optimizar para un tipo de documento particular.
4. **Mejora incremental**: El rendimiento baseline es aceptable pero mejorable.
+5. **Sin datos de entrenamiento**: No se dispone de datasets etiquetados para fine-tuning.
+
#### Cuándo NO Aplicar Esta Metodología
La optimización de hiperparámetros puede ser insuficiente cuando:
@@ -873,42 +1168,32 @@ La optimización de hiperparámetros puede ser insuficiente cuando:
4. **Requisitos de CER < 0.5%**: Puede requerir fine-tuning para alcanzar precisiones muy altas.
-### Resumen del Capítulo
+### Síntesis del Capítulo
-Este capítulo ha presentado el desarrollo completo de la contribución:
+A lo largo de este capítulo se ha desarrollado el proceso completo de evaluación y optimización de sistemas OCR para documentos académicos en español. El benchmark comparativo inicial permitió seleccionar PaddleOCR como motor base gracias a su combinación de rendimiento y configurabilidad. La posterior optimización con Ray Tune y Optuna, ejecutada sobre 64 trials con aceleración GPU, identificó los parámetros críticos para maximizar el rendimiento: `textline_orientation`, `use_doc_orientation_classify` y `text_det_thresh`.
-**Planteamiento de la comparativa:**
-- Evaluación de EasyOCR, PaddleOCR y DocTR
-- Selección de PaddleOCR por su configurabilidad
+Los resultados cuantifican tanto los logros como las limitaciones del enfoque. El mejor trial individual alcanzó un CER de 0.79%, cumpliendo holgadamente el objetivo de CER < 2%. Sin embargo, la validación sobre el dataset completo de 45 páginas reveló un CER de 7.72%, lo que representa una mejora del 12.8% respecto al baseline (8.85%) pero evidencia sobreajuste al subconjunto de optimización. Esta observación es valiosa: indica que futuros trabajos deberían emplear subconjuntos de optimización más representativos o aplicar técnicas de regularización.
-**Desarrollo de la comparativa:**
-- 64 trials de Ray Tune con Optuna
-- Identificación de `textline_orientation` y `text_det_thresh` como críticos
-- CER mínimo alcanzado: 1.15%
-
-**Discusión y análisis:**
-- Mejora del CER de 7.78% a 1.49% (reducción del 80.9%)
-- Cumplimiento de todos los objetivos específicos
-- Identificación de limitaciones y recomendaciones prácticas
-
-**Resultado principal**: Se logró alcanzar el objetivo de CER < 2% mediante optimización de hiperparámetros, sin requerir fine-tuning ni recursos GPU.
+Desde el punto de vista práctico, la infraestructura dockerizada desarrollada y la aceleración GPU (82× más rápida que CPU) demuestran la viabilidad de esta metodología tanto para experimentación como para despliegue en producción.
**Fuentes de datos:**
-- [`src/run_tuning.py`](https://github.com/seryus/MastersThesis/blob/main/src/run_tuning.py): Script principal de optimización
-- [`src/results/`](https://github.com/seryus/MastersThesis/tree/main/src/results): Resultados CSV de los trials
+- [`src/run_tuning.py`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/run_tuning.py): Script principal de optimización
+- [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv): Resultados CSV de PaddleOCR
+- [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_easyocr_results_20260119_120204.csv): Resultados CSV de EasyOCR
+- [`src/results/raytune_doctr_results_20260119_121445.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_doctr_results_20260119_121445.csv): Resultados CSV de DocTR
**Imágenes Docker:**
-- `seryus.ddns.net/unir/paddle-ocr-gpu`: PaddleOCR con soporte GPU
-- `seryus.ddns.net/unir/easyocr-gpu`: EasyOCR con soporte GPU
-- `seryus.ddns.net/unir/doctr-gpu`: DocTR con soporte GPU
+- [`seryus.ddns.net/unir/paddle-ocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-gpu/latest): PaddleOCR con soporte GPU
+- [`seryus.ddns.net/unir/easyocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/easyocr-gpu/latest): EasyOCR con soporte GPU
+- [`seryus.ddns.net/unir/doctr-gpu`](https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest): DocTR con soporte GPU
-### Validación con Aceleración GPU
+### Comparativa de Rendimiento CPU vs GPU
-Para evaluar la viabilidad práctica del enfoque optimizado en escenarios de producción, se realizó una validación adicional utilizando aceleración GPU. Esta fase complementa los experimentos en CPU presentados anteriormente y demuestra la aplicabilidad del método cuando se dispone de hardware con capacidad de procesamiento paralelo.
+Esta sección presenta la comparación de rendimiento entre ejecución en CPU y GPU, justificando la elección de GPU para el experimento principal y demostrando el impacto práctico de la aceleración por hardware.
#### Configuración del Entorno GPU
-**Tabla 36.** *Especificaciones del entorno de validación GPU.*
+**Tabla 50.** *Especificaciones del entorno GPU utilizado.*
| Componente | Especificación |
|------------|----------------|
@@ -920,28 +1205,53 @@ Para evaluar la viabilidad práctica del enfoque optimizado en escenarios de pro
*Fuente: Elaboración propia.*
-El entorno de validación representa hardware de consumo típico para desarrollo de aplicaciones de machine learning, permitiendo evaluar el rendimiento en condiciones realistas de despliegue.
+Este hardware representa configuración típica de desarrollo, permitiendo evaluar el rendimiento en condiciones realistas de despliegue.
#### Comparación CPU vs GPU
-Se evaluó el tiempo de procesamiento utilizando la configuración optimizada identificada en la fase anterior, comparando el rendimiento entre CPU y GPU.
+Se comparó el tiempo de procesamiento entre CPU y GPU utilizando los datos de [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/raytune_paddle_subproc_results_20251207_192320.csv) (CPU) y [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv) (GPU).
-**Tabla 37.** *Rendimiento comparativo CPU vs GPU.*
+**Tabla 51.** *Rendimiento comparativo CPU vs GPU.*
| Métrica | CPU | GPU (RTX 3060) | Factor de Aceleración |
|---------|-----|----------------|----------------------|
-| Tiempo/Página | 69.4s | 0.55s | **126x** |
-| Dataset completo (45 páginas) | ~52 min | ~25 seg | **126x** |
+| Tiempo/Página (promedio) | 69.4s | 0.84s | **82x** |
+| Dataset completo (45 páginas) | ~52 min | ~38 seg | **82x** |
+| 64 trials × 5 páginas | ~6.4 horas | ~1.5 horas | **4.3x** |
-*Fuente: Elaboración propia a partir de experimentos.*
+*Fuente: Elaboración propia a partir de [`src/raytune_paddle_subproc_results_20251207_192320.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/raytune_paddle_subproc_results_20251207_192320.csv) y [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
-La aceleración de 126x obtenida con GPU transforma la aplicabilidad práctica del sistema. Mientras que el procesamiento en CPU limita el uso a escenarios de procesamiento por lotes sin restricciones de tiempo, la velocidad con GPU habilita casos de uso interactivos y de tiempo real.
+```mermaid
+---
+title: "Tiempo de procesamiento: CPU vs GPU (segundos/página)"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+ xyChart:
+ plotColorPalette: "#0098CD"
+---
+xychart-beta
+ x-axis ["CPU", "GPU (RTX 3060)"]
+ y-axis "Segundos por página" 0 --> 75
+ bar [69.4, 0.84]
+```
+
+*Leyenda: Aceleración de **82×** con GPU. El procesamiento de una página pasa de 69.4s (CPU) a 0.84s (GPU).*
+
+La aceleración de 82× obtenida con GPU transforma la viabilidad del enfoque:
+- **Optimización en CPU (6.4 horas)**: Viable pero lento para iteraciones rápidas
+- **Optimización en GPU (1.5 horas)**: Permite explorar más configuraciones y realizar múltiples experimentos
+- **Producción con GPU (0.84s/página)**: Habilita procesamiento en tiempo real
#### Comparación de Modelos PaddleOCR
PaddleOCR ofrece dos variantes de modelos: Mobile (optimizados para dispositivos con recursos limitados) y Server (mayor precisión a costa de mayor consumo de memoria). Se evaluó la viabilidad de ambas variantes en el hardware disponible.
-**Tabla 38.** *Comparación de modelos Mobile vs Server en RTX 3060.*
+**Tabla 52.** *Comparación de modelos Mobile vs Server en RTX 3060.*
| Modelo | VRAM Requerida | Resultado | Recomendación |
|--------|----------------|-----------|---------------|
@@ -956,7 +1266,7 @@ Los modelos Server, a pesar de ofrecer potencialmente mayor precisión, resultan
La validación con aceleración GPU permite extraer las siguientes conclusiones:
-1. **Aceleración significativa**: La GPU proporciona una aceleración de 126x sobre CPU, haciendo viable el procesamiento en tiempo real para aplicaciones interactivas.
+1. **Aceleración significativa**: La GPU proporciona una aceleración de 82× sobre CPU, haciendo viable el procesamiento en tiempo real para aplicaciones interactivas.
2. **Modelos Mobile recomendados**: Para hardware con VRAM limitada (≤6 GB), los modelos Mobile de PP-OCRv5 ofrecen el mejor balance entre precisión y recursos, funcionando de manera estable sin errores de memoria.
@@ -964,4 +1274,4 @@ La validación con aceleración GPU permite extraer las siguientes conclusiones:
4. **Escalabilidad**: La arquitectura de microservicios dockerizados utilizada para la validación GPU facilita el despliegue horizontal, permitiendo escalar el procesamiento según demanda.
-Esta validación demuestra que la configuración optimizada mediante Ray Tune no solo mejora la precisión (CER: 7.78% → 1.49%) sino que, combinada con aceleración GPU, resulta prácticamente aplicable en escenarios de producción real.
+Esta validación demuestra que la configuración optimizada mediante Ray Tune mejora la precisión (CER: 8.85% → 7.72% en dataset completo, 0.79% en mejor trial individual) y, combinada con aceleración GPU, resulta prácticamente aplicable en escenarios de producción real.
diff --git a/docs/05_conclusiones_trabajo_futuro.md b/docs/05_conclusiones_trabajo_futuro.md
index b19a1c5..f9fd544 100644
--- a/docs/05_conclusiones_trabajo_futuro.md
+++ b/docs/05_conclusiones_trabajo_futuro.md
@@ -1,115 +1,100 @@
# 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.
+A lo largo de este trabajo se ha explorado la optimización de hiperparámetros como estrategia para mejorar el rendimiento de sistemas OCR sin necesidad de reentrenamiento. Las siguientes secciones evalúan el grado de cumplimiento de los objetivos planteados, sintetizan los hallazgos más relevantes y proponen direcciones para investigación futura.
## Conclusiones
### 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.
+Los resultados obtenidos confirman que la optimización sistemática de hiperparámetros constituye una alternativa viable al fine-tuning para mejorar sistemas OCR preentrenados. La infraestructura dockerizada con aceleración GPU desarrollada en este trabajo no solo facilita la experimentación reproducible, sino que reduce drásticamente los tiempos de ejecución, haciendo viable la exploración exhaustiva de espacios de configuración.
-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:
+El objetivo principal del trabajo era alcanzar un CER inferior al 2% en documentos académicos en español. Los resultados obtenidos se resumen a continuación:
-**Tabla 39.** *Cumplimiento del objetivo de CER.*
+**Tabla 53.** *Cumplimiento del objetivo de CER.*
-| Métrica | Objetivo | Resultado |
-|---------|----------|-----------|
-| CER | < 2% | **1.49%** |
+| Métrica | Objetivo | Mejor Trial | Dataset Completo | Cumplimiento |
+|---------|----------|-------------|------------------|--------------|
+| CER | < 2% | **0.79%** | **7.72%** | ✓ Parcial |
*Fuente: Elaboración propia.*
-### Conclusiones Específicas
+> **Nota:** El objetivo de CER < 2% se cumple en el mejor trial individual (0.79%, 5 páginas). La validación sobre el conjunto de datos completo (45 páginas) muestra un CER de 7.72%, evidenciando sobreajuste al subconjunto de optimización. Esta diferencia se analiza en detalle en el Capítulo 4.
-**Respecto a OE1 (Comparativa de soluciones OCR)**:
-- Se evaluaron tres soluciones OCR de código abierto: EasyOCR, PaddleOCR (PP-OCRv5) y DocTR
-- PaddleOCR demostró el mejor rendimiento base para documentos en español
-- La configurabilidad del pipeline de PaddleOCR lo hace idóneo para optimización
+### Cumplimiento de los Objetivos Específicos
-**Respecto a OE2 (Preparación del dataset)**:
-- Se construyó un dataset estructurado con 24 páginas de documentos académicos
-- La clase `ImageTextDataset` facilita la carga de pares imagen-texto
-- El ground truth se extrajo automáticamente del PDF mediante PyMuPDF
+La evaluación comparativa de soluciones OCR (OE1) reveló diferencias significativas entre las tres alternativas analizadas. De las tres soluciones de código abierto evaluadas —EasyOCR, PaddleOCR (PP-OCRv5) y DocTR—, PaddleOCR demostró el mejor rendimiento base para documentos en español. Además, su arquitectura modular y la amplia configurabilidad de su pipeline lo convierten en el candidato idóneo para optimización mediante ajuste de hiperparámetros.
-**Respecto a OE3 (Identificación de hiperparámetros críticos)**:
-- El parámetro `textline_orientation` es el más influyente: reduce el CER en un 69.7% cuando está habilitado
-- El umbral `text_det_thresh` presenta la correlación más fuerte (-0.52) con el CER
-- Los parámetros de corrección de documento (`use_doc_orientation_classify`, `use_doc_unwarping`) no aportan mejora en documentos digitales
+En cuanto a la preparación del conjunto de datos (OE2), se construyó un corpus estructurado con 45 páginas de documentos académicos de UNIR. La implementación de la clase `ImageTextDataset` permite cargar de forma eficiente pares imagen-texto, mientras que el texto de referencia se extrajo automáticamente del PDF original mediante PyMuPDF, garantizando así la consistencia entre las imágenes y sus transcripciones esperadas.
-**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 contenedores Docker permitió superar incompatibilidades entre Ray y los motores OCR, facilitando además la portabilidad y reproducibilidad
+El análisis de hiperparámetros (OE3) arrojó resultados particularmente reveladores. El parámetro `textline_orientation` emergió como el factor más influyente, resultando crítico para obtener buenos resultados en documentos con diseños complejos. Asimismo, `use_doc_orientation_classify` demostró un impacto positivo en la configuración con GPU. Por otra parte, el umbral `text_det_thresh` presenta una correlación negativa moderada (-0.52) con el CER, lo que indica que valores más bajos tienden a mejorar el rendimiento, aunque con un límite inferior por debajo del cual el sistema falla catastróficamente. Cabe destacar que `use_doc_unwarping` no aporta mejora alguna en documentos digitales, ya que estos no presentan las deformaciones físicas para las que fue diseñado este módulo.
-**Respecto a OE5 (Validación de la configuración)**:
-- Se validó la configuración óptima sobre el dataset completo de 24 páginas
-- La mejora obtenida fue del 80.9% en reducción del CER (7.78% → 1.49%)
-- La precisión de caracteres alcanzó el 98.51%
+La experimentación con Ray Tune (OE4) se completó satisfactoriamente mediante 64 trials ejecutados con el algoritmo OptunaSearch y aceleración GPU. El tiempo total del experimento —aproximadamente 1.5 horas con una GPU RTX 3060— demuestra la viabilidad práctica de esta aproximación. La arquitectura basada en contenedores Docker resultó esencial para superar las incompatibilidades entre Ray y los motores OCR, al tiempo que garantiza la portabilidad y reproducibilidad de los experimentos.
+
+Finalmente, la validación de la configuración óptima (OE5) se realizó sobre el conjunto de datos completo de 45 páginas. El mejor trial individual alcanzó un CER de 0.79%, equivalente a una precisión del 99.21%. Sin embargo, la evaluación sobre el conjunto de datos completo arrojó un CER de 7.72%, lo que representa una mejora del 12.8% respecto al baseline (8.85%), pero queda lejos del resultado del mejor trial. Esta diferencia revela un sobreajuste al subconjunto de optimización de 5 páginas, un fenómeno que se analiza en detalle en la sección de limitaciones.
### Hallazgos Clave
-1. **Arquitectura sobre umbrales**: Un único parámetro booleano (`textline_orientation`) tiene más impacto que todos los umbrales continuos combinados.
+El hallazgo más significativo de este trabajo es que las decisiones arquitectónicas tienen mayor impacto que los umbrales numéricos. Un único parámetro booleano —`textline_orientation`— influye más en el rendimiento final que todos los umbrales continuos combinados. Este resultado sugiere que, al optimizar sistemas OCR, conviene priorizar la exploración de configuraciones estructurales antes de ajustar finamente los valores numéricos.
-2. **Umbrales mínimos efectivos**: Valores de `text_det_thresh` < 0.1 causan fallos catastróficos (CER >40%).
+No obstante, los umbrales presentan límites operativos que deben respetarse. Valores de `text_det_thresh` inferiores a 0.1 provocan fallos catastróficos, con tasas de error que superan el 40%. Este comportamiento indica la existencia de regiones del espacio de hiperparámetros que deben evitarse, lo cual tiene implicaciones para el diseño de espacios de búsqueda en futuros experimentos.
-3. **Simplicidad para documentos digitales**: Para documentos PDF digitales (no escaneados), los módulos de corrección de orientación y deformación son innecesarios.
+Otro hallazgo relevante es la innecesariedad de ciertos módulos para documentos digitales. Los PDF generados directamente desde procesadores de texto no presentan las deformaciones físicas —arrugas, curvaturas, rotaciones— para las que fueron diseñados los módulos de corrección. En estos casos, desactivar `use_doc_unwarping` no solo simplifica el pipeline, sino que puede mejorar el rendimiento al evitar procesamientos innecesarios.
-4. **Optimización sin fine-tuning**: Se puede mejorar significativamente el rendimiento de modelos preentrenados mediante ajuste de hiperparámetros de inferencia.
+Finalmente, los resultados demuestran que es posible mejorar modelos preentrenados mediante ajuste exclusivo de hiperparámetros de inferencia, sin necesidad de reentrenamiento. Sin embargo, esta aproximación requiere validación cuidadosa, ya que las configuraciones optimizadas sobre subconjuntos pequeños pueden no generalizar a conjuntos de datos más amplios o diversos.
### Contribuciones del Trabajo
-1. **Metodología reproducible**: Se documenta un proceso completo de optimización de hiperparámetros OCR con Ray Tune + Optuna.
+La principal contribución de este trabajo es una metodología reproducible para la optimización de hiperparámetros OCR. El proceso completo —desde la preparación del conjunto de datos hasta la validación de la configuración óptima— queda documentado y es replicable mediante las herramientas Ray Tune y Optuna.
-2. **Análisis de hiperparámetros de PaddleOCR**: Se cuantifica el impacto de cada parámetro configurable mediante correlaciones y análisis comparativo.
+En segundo lugar, el análisis sistemático de los hiperparámetros de PaddleOCR constituye una contribución al conocimiento disponible sobre este motor OCR. Mediante el cálculo de correlaciones y análisis comparativo, se cuantifica el impacto de cada parámetro configurable, información que puede orientar futuros trabajos de optimización.
-3. **Configuración óptima para español**: Se proporciona una configuración validada para documentos académicos en español.
+Como resultado práctico, se aporta una configuración validada específicamente para documentos académicos en español. Aunque la generalización a otros tipos de documentos requiere validación adicional, esta configuración representa un punto de partida sólido para aplicaciones en el ámbito hispanohablante.
-4. **Código fuente**: Todo el código está disponible en el repositorio GitHub para reproducción y extensión.
+Por último, todo el código fuente, las imágenes Docker y los datos experimentales están disponibles públicamente en el repositorio del proyecto, facilitando así la reproducción, verificación y extensión de este trabajo por parte de otros investigadores.
### 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.
+Es necesario reconocer varias limitaciones que condicionan el alcance de las conclusiones presentadas. En primer lugar, todos los experimentos se realizaron sobre un único tipo de documento: textos académicos de UNIR. La generalización a otros formatos —facturas, formularios, documentos manuscritos— requeriría validación adicional con conjuntos de datos específicos.
-2. **Tamaño del dataset**: 24 páginas es un corpus limitado para conclusiones estadísticamente robustas.
+El tamaño del corpus constituye otra limitación relevante. Con 45 páginas, el conjunto de datos es modesto para extraer conclusiones estadísticamente robustas. Además, el subconjunto de optimización de tan solo 5 páginas resultó insuficiente para evitar el sobreajuste, como evidencia la brecha entre el CER del mejor trial (0.79%) y el resultado sobre el conjunto completo (7.72%).
-3. **Ground truth automático**: La extracción automática del texto de referencia puede introducir errores en layouts complejos.
+Desde el punto de vista metodológico, la extracción automática del texto de referencia mediante PyMuPDF puede introducir errores en documentos con diseños complejos, donde el orden de lectura no es evidente. Asimismo, el parámetro `text_det_unclip_ratio` permaneció fijo en 0.0 durante todo el experimento, dejando inexplorada una dimensión potencialmente relevante del espacio de hiperparámetros.
-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.
+Por último, aunque la GPU RTX 3060 utilizada proporcionó una aceleración de 82× respecto a la ejecución en CPU, se trata de hardware de consumo. Equipamiento empresarial con mayor capacidad de VRAM permitiría ejecutar múltiples servicios OCR simultáneamente y explorar espacios de búsqueda más amplios en menos tiempo.
## Líneas de trabajo futuro
### Extensiones Inmediatas
-1. **Validación cruzada**: Evaluar la configuración óptima en otros tipos de documentos en español (facturas, formularios, textos manuscritos).
+Las limitaciones identificadas sugieren varias extensiones que podrían abordarse a corto plazo. La más urgente es la validación cruzada de la configuración óptima en otros tipos de documentos en español, como facturas, formularios administrativos o textos manuscritos. Esta validación revelaría el grado de transferibilidad de los hallazgos actuales.
-2. **Exploración de `text_det_unclip_ratio`**: Incluir este parámetro en el espacio de búsqueda.
+Para abordar el problema del sobreajuste, futuros experimentos deberían utilizar un subconjunto de optimización más amplio. Un conjunto de 15-20 páginas representativas reduciría la varianza y mejoraría la generalización de las configuraciones encontradas. Complementariamente, sería conveniente construir un corpus más amplio y diverso de documentos en español, incluyendo diferentes tipografías, diseños y calidades de imagen.
-3. **Dataset ampliado**: Construir un corpus más amplio y diverso de documentos en español.
+Desde el punto de vista técnico, queda pendiente la exploración del parámetro `text_det_unclip_ratio`, que permaneció fijo en este trabajo. Incluirlo en el espacio de búsqueda podría revelar interacciones con otros parámetros actualmente desconocidas.
### Líneas de Investigación
-1. **Transfer learning de hiperparámetros**: Investigar si las configuraciones óptimas para un tipo de documento transfieren a otros dominios.
+En un horizonte más amplio, surgen varias líneas de investigación prometedoras. Una de las más interesantes es el estudio del transfer learning de hiperparámetros: ¿las configuraciones óptimas para documentos académicos transfieren a otros dominios, o cada tipo de documento requiere optimización específica? La respuesta a esta pregunta tiene implicaciones prácticas significativas.
-2. **Optimización multi-objetivo**: Considerar simultáneamente CER, WER y tiempo de inferencia como objetivos.
+Otra dirección valiosa es la optimización multi-objetivo, que considere simultáneamente CER, WER y tiempo de inferencia. En aplicaciones reales, la precisión máxima no siempre es el único criterio; a menudo existe un compromiso entre calidad y velocidad que debe gestionarse explícitamente.
-3. **AutoML para OCR**: Aplicar técnicas de AutoML más avanzadas (Neural Architecture Search, meta-learning).
-
-4. **Comparación con fine-tuning**: Cuantificar la brecha de rendimiento entre optimización de hiperparámetros y fine-tuning real.
+Técnicas de AutoML más avanzadas, como Neural Architecture Search o meta-learning, podrían automatizar aún más el proceso de configuración. Por último, una comparación rigurosa entre optimización de hiperparámetros y fine-tuning real cuantificaría la brecha de rendimiento entre ambas aproximaciones y ayudaría a decidir cuándo merece la pena el esfuerzo adicional del reentrenamiento.
### Aplicaciones Prácticas
-1. **Herramienta de configuración automática**: Desarrollar una herramienta que determine automáticamente la configuración óptima para un nuevo tipo de documento.
+Los resultados de este trabajo abren camino a varias aplicaciones prácticas. Una herramienta de configuración automática podría analizar un pequeño conjunto de documentos de muestra y determinar la configuración óptima de PaddleOCR para ese tipo específico de documento, democratizando el acceso a estas técnicas de optimización.
-2. **Integración en pipelines de producción**: Implementar la configuración optimizada en sistemas reales de procesamiento documental.
+La integración de las configuraciones optimizadas en pipelines de producción representa otra aplicación natural. Los sistemas de procesamiento documental en organizaciones que manejan grandes volúmenes de documentos en español podrían beneficiarse directamente de los hallazgos de este trabajo.
-3. **Benchmark público**: Publicar un benchmark de OCR para documentos en español que facilite la comparación de soluciones.
+Finalmente, la publicación de un benchmark público de OCR para documentos en español facilitaría la comparación objetiva de diferentes soluciones. La comunidad hispanohablante carece actualmente de recursos comparables a los disponibles para otros idiomas, y este trabajo podría contribuir a llenar ese vacío.
### 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.
+En síntesis, este trabajo ha demostrado que la optimización de hiperparámetros representa una alternativa viable al fine-tuning para mejorar sistemas OCR, especialmente cuando se dispone de modelos preentrenados para el idioma objetivo y recursos limitados de tiempo o datos etiquetados.
-La metodología propuesta es reproducible, los resultados son cuantificables, y las conclusiones son aplicables a escenarios reales de procesamiento documental. La reducción del CER del 7.78% al 1.49% representa una mejora sustancial que puede tener impacto directo en aplicaciones downstream como extracción de información, análisis semántico y búsqueda de documentos.
+La metodología propuesta cumple los requisitos de reproducibilidad científica: los experimentos pueden replicarse, los resultados son cuantificables y las conclusiones son aplicables a escenarios reales de procesamiento documental. Sin embargo, la experiencia también ha puesto de manifiesto la importancia de diseñar cuidadosamente los experimentos de optimización. Aunque el objetivo de CER inferior al 2% se alcanzó en el mejor trial individual (0.79%), la validación sobre el conjunto de datos completo (7.72%) revela que el tamaño y representatividad del subconjunto de optimización son factores críticos que no deben subestimarse.
-El código fuente y los datos experimentales están disponibles públicamente para facilitar la reproducción y extensión de este trabajo.
+La infraestructura dockerizada desarrollada constituye una aportación práctica que trasciende los resultados numéricos. Al encapsular los motores OCR en contenedores independientes, se resuelven problemas de compatibilidad entre dependencias y se garantiza que cualquier investigador pueda reproducir exactamente las condiciones experimentales. La aceleración de 82× proporcionada por GPU transforma lo que sería un experimento de días en uno de horas, haciendo viable la exploración exhaustiva de espacios de hiperparámetros con hardware de consumo.
+
+El código fuente, las imágenes Docker y los datos experimentales están disponibles públicamente en el [repositorio del proyecto](https://seryus.ddns.net/unir/MastersThesis). Esta apertura busca facilitar no solo la reproducción de los resultados, sino también la extensión de este trabajo hacia nuevos tipos de documentos, idiomas o motores OCR.
diff --git a/docs/07_anexo_a.md b/docs/07_anexo_a.md
index 34d1620..41003d3 100644
--- a/docs/07_anexo_a.md
+++ b/docs/07_anexo_a.md
@@ -1,10 +1,12 @@
# Anexo A. Código fuente y datos analizados {.unnumbered}
+Este anexo proporciona la información técnica necesaria para reproducir los experimentos descritos en este trabajo. Se incluyen las instrucciones de instalación, configuración de los servicios OCR dockerizados, ejecución de los scripts de optimización y acceso a los resultados experimentales.
+
## A.1 Repositorio del Proyecto
-El código fuente completo y los datos utilizados en este trabajo están disponibles en el siguiente repositorio:
+Todo el código fuente y los datos utilizados en este trabajo están disponibles públicamente en el siguiente repositorio:
-**URL del repositorio:** https://github.com/seryus/MastersThesis
+**URL del repositorio:** https://seryus.ddns.net/unir/MastersThesis
El repositorio incluye:
@@ -16,39 +18,85 @@ El repositorio incluye:
## A.2 Estructura del Repositorio
+```mermaid
+---
+title: "Estructura del repositorio MastersThesis"
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+---
+flowchart TB
+ subgraph root["MastersThesis/"]
+ direction TB
+
+ subgraph docs["docs/ - Capítulos TFM"]
+ d0["00-07 chapters (.md)"]
+ subgraph metrics["metrics/"]
+ m1["metrics_paddle.md"]
+ m2["metrics_doctr.md"]
+ m3["metrics_easyocr.md"]
+ end
+ end
+
+ subgraph src["src/ - Código fuente"]
+ subgraph paddle["paddle_ocr/"]
+ p1["paddle_ocr_tuning_rest.py"]
+ p2["Dockerfile.gpu/cpu"]
+ end
+ subgraph doctr["doctr_service/"]
+ dt1["doctr_tuning_rest.py"]
+ end
+ subgraph easy["easyocr_service/"]
+ e1["easyocr_tuning_rest.py"]
+ end
+ subgraph ray["raytune/"]
+ r1["raytune_ocr.py"]
+ r2["run_tuning.py"]
+ end
+ results["results/*.csv"]
+ dataset["dataset/"]
+ end
+
+ subgraph thesis["thesis_output/"]
+ htm["plantilla_individual.htm"]
+ figs["figures/figura_1-11.png"]
+ end
+
+ subgraph inst["instructions/"]
+ i1["instrucciones.pdf"]
+ i2["plantilla_individual.htm"]
+ end
+
+ scripts["apply_content.py generate_mermaid_figures.py"]
+ config["claude.md README.md"]
+ end
```
-MastersThesis/
-├── docs/ # Documentación de la tesis
-│ └── metrics/ # Métricas de rendimiento OCR
-│ ├── metrics.md # Resumen comparativo
-│ ├── metrics_paddle.md # Resultados PaddleOCR
-│ ├── metrics_doctr.md # Resultados DocTR
-│ └── metrics_easyocr.md # Resultados EasyOCR
-├── src/
-│ ├── paddle_ocr/ # Servicio PaddleOCR
-│ │ ├── Dockerfile.gpu # Imagen Docker GPU
-│ │ ├── Dockerfile.cpu # Imagen Docker CPU
-│ │ ├── docker-compose.yml # Configuración Docker
-│ │ └── main.py # API FastAPI
-│ ├── doctr_service/ # Servicio DocTR
-│ │ ├── Dockerfile.gpu
-│ │ ├── docker-compose.yml
-│ │ └── main.py
-│ ├── easyocr_service/ # Servicio EasyOCR
-│ │ ├── Dockerfile.gpu
-│ │ ├── docker-compose.yml
-│ │ └── main.py
-│ ├── dataset/ # Dataset de evaluación
-│ ├── raytune_ocr.py # Utilidades compartidas Ray Tune
-│ └── results/ # Resultados de ajuste CSV
-└── .gitea/workflows/ci.yaml # Pipeline CI/CD
-```
+
+**Tabla A1.** *Descripción de directorios principales.*
+
+| Directorio | Contenido |
+|------------|-----------|
+| `docs/` | Capítulos del TFM en Markdown (estructura UNIR) |
+| `docs/metrics/` | Métricas de rendimiento por servicio OCR |
+| `src/paddle_ocr/` | Servicio PaddleOCR dockerizado |
+| `src/doctr_service/` | Servicio DocTR dockerizado |
+| `src/easyocr_service/` | Servicio EasyOCR dockerizado |
+| `src/raytune/` | Scripts de optimización Ray Tune |
+| `src/results/` | CSVs con resultados de 64 trials por servicio |
+| `thesis_output/` | Documento TFM generado + figuras PNG |
+| `instructions/` | Plantilla e instrucciones UNIR oficiales |
+
+*Fuente: Elaboración propia.*
## A.3 Requisitos de Software
### Sistema de Desarrollo
-**Tabla A1.** *Especificaciones del sistema de desarrollo.*
+**Tabla A2.** *Especificaciones del sistema de desarrollo.*
| Componente | Especificación |
|------------|----------------|
@@ -62,7 +110,7 @@ MastersThesis/
### Dependencias
-**Tabla A2.** *Dependencias del proyecto.*
+**Tabla A3.** *Dependencias del proyecto.*
| Componente | Versión |
|------------|---------|
@@ -79,8 +127,8 @@ MastersThesis/
### PaddleOCR (Puerto 8002)
**Imágenes Docker:**
-- GPU: `seryus.ddns.net/unir/paddle-ocr-gpu`
-- CPU: `seryus.ddns.net/unir/paddle-ocr-cpu`
+- GPU: [`seryus.ddns.net/unir/paddle-ocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-gpu/latest)
+- CPU: [`seryus.ddns.net/unir/paddle-ocr-cpu`](https://seryus.ddns.net/unir/-/packages/container/paddle-ocr-cpu/latest)
```bash
cd src/paddle_ocr
@@ -88,13 +136,13 @@ cd src/paddle_ocr
# GPU (recomendado)
docker compose up -d
-# CPU (más lento, 126x)
+# CPU (más lento, 82x)
docker compose -f docker-compose.cpu-registry.yml up -d
```
### DocTR (Puerto 8003)
-**Imagen Docker:** `seryus.ddns.net/unir/doctr-gpu`
+**Imagen Docker:** [`seryus.ddns.net/unir/doctr-gpu`](https://seryus.ddns.net/unir/-/packages/container/doctr-gpu/latest)
```bash
cd src/doctr_service
@@ -105,12 +153,14 @@ docker compose up -d
### EasyOCR (Puerto 8002)
-**Imagen Docker:** `seryus.ddns.net/unir/easyocr-gpu`
+> **Nota:** EasyOCR utiliza el mismo puerto (8002) que PaddleOCR. No se pueden ejecutar simultáneamente. Por esta razón, existe un archivo docker-compose separado para EasyOCR.
+
+**Imagen Docker:** [`seryus.ddns.net/unir/easyocr-gpu`](https://seryus.ddns.net/unir/-/packages/container/easyocr-gpu/latest)
```bash
cd src/easyocr_service
-# GPU
+# GPU (usar archivo separado para evitar conflicto de puerto)
docker compose up -d
```
@@ -181,34 +231,109 @@ analyze_results(results, prefix='raytune_paddle', config_keys=PADDLE_OCR_CONFIG_
### Servicios y Puertos
-**Tabla A3.** *Servicios Docker y puertos.*
+**Tabla A4.** *Servicios Docker y puertos.*
-| Servicio | Puerto | Script de Ajuste |
-|----------|--------|------------------|
-| PaddleOCR | 8002 | `paddle_ocr_payload` |
-| DocTR | 8003 | `doctr_payload` |
-| EasyOCR | 8002 | `easyocr_payload` |
+| Servicio | Puerto | Script de Ajuste | Nota |
+|----------|--------|------------------|------|
+| PaddleOCR | 8002 | `paddle_ocr_payload` | - |
+| DocTR | 8003 | `doctr_payload` | - |
+| EasyOCR | 8002 | `easyocr_payload` | Conflicto con PaddleOCR |
*Fuente: Elaboración propia.*
+> **Nota:** Debido a limitaciones de recursos GPU (VRAM insuficiente para ejecutar múltiples modelos OCR simultáneamente), solo se ejecuta un servicio a la vez. PaddleOCR y EasyOCR comparten el puerto 8002. Para cambiar de servicio, detener el actual con `docker compose down`.
+
## A.7 Métricas de Rendimiento
-Los resultados detallados de las evaluaciones y ajustes de hiperparámetros se encuentran en:
+Esta sección presenta los resultados completos de las evaluaciones comparativas y del ajuste de hiperparámetros realizado con Ray Tune sobre los tres servicios OCR evaluados.
-- [Métricas Generales](metrics/metrics.md) - Comparativa de los tres servicios
-- [PaddleOCR](metrics/metrics_paddle.md) - Mejor precisión (7.76% CER baseline, **1.49% optimizado**)
-- [DocTR](metrics/metrics_doctr.md) - Más rápido (0.50s/página)
-- [EasyOCR](metrics/metrics_easyocr.md) - Balance intermedio
+### Comparativa General de Servicios
-### Resumen de Resultados
+**Tabla A5.** *Comparativa de servicios OCR en dataset de 45 páginas (GPU RTX 3060).*
-**Tabla A4.** *Resumen de resultados del benchmark por servicio.*
+| Servicio | CER | WER | Tiempo/Página | Tiempo Total | VRAM |
+|----------|-----|-----|---------------|--------------|------|
+| **PaddleOCR (Mobile)** | **7.76%** | **11.62%** | 0.58s | 32.0s | 0.06 GB |
+| EasyOCR | 11.23% | 36.36% | 1.88s | 88.5s | ~2 GB |
+| DocTR | 12.06% | 42.01% | 0.50s | 28.4s | ~1 GB |
-| Servicio | CER Base | CER Ajustado | Mejora |
-|----------|----------|--------------|--------|
-| **PaddleOCR** | 8.85% | **7.72%** | 12.8% |
-| DocTR | 12.06% | 12.07% | 0% |
-| EasyOCR | 11.23% | 11.14% | 0.8% |
+*Fuente: Benchmark realizado el 2026-01-19. Elaboración propia.*
+
+**Ganador:** PaddleOCR (Mobile) - Mejor precisión (7.76% CER) con velocidad competitiva y mínimo consumo de VRAM.
+
+### Resultados de Ajuste de Hiperparámetros
+
+Se ejecutaron 64 trials por servicio utilizando Ray Tune con Optuna sobre las páginas 5-10 del primer documento.
+
+**Tabla A6.** *Resultados del ajuste de hiperparámetros por servicio.*
+
+| Servicio | CER Base | CER Ajustado | Mejora | Mejor Trial (5 páginas) |
+|----------|----------|--------------|--------|-------------------------|
+| **PaddleOCR** | 8.85% | **7.72%** | **12.8%** | **0.79%** ✓ |
+| DocTR | 12.06% | 12.07% | 0% | 7.43% |
+| EasyOCR | 11.23% | 11.14% | 0.8% | 5.83% |
+
+*Fuente: Resultados de 64 trials Ray Tune por servicio. Elaboración propia.*
+
+> **Nota sobre sobreajuste:** La diferencia entre los resultados del mejor trial (subconjunto de 5 páginas) y el dataset completo (45 páginas) indica sobreajuste parcial a las páginas de ajuste. Un subconjunto más grande (15-20 páginas) mejoraría la generalización.
+
+### Configuración Óptima PaddleOCR
+
+La siguiente configuración logró el mejor rendimiento en el ajuste de hiperparámetros:
+
+```json
+{
+ "use_doc_orientation_classify": true,
+ "use_doc_unwarping": false,
+ "textline_orientation": true,
+ "text_det_thresh": 0.0462,
+ "text_det_box_thresh": 0.4862,
+ "text_det_unclip_ratio": 0.0,
+ "text_rec_score_thresh": 0.5658
+}
+```
+
+**Hallazgos clave:**
+- `textline_orientation=true`: Crítico para documentos con layouts mixtos
+- `use_doc_orientation_classify=true`: Mejora detección de orientación
+- `use_doc_unwarping=false`: Innecesario para PDFs digitales
+- `text_det_thresh` bajo (0.0462): Detección más sensible mejora resultados
+
+### Rendimiento CPU vs GPU
+
+**Tabla A7.** *Comparación de rendimiento CPU vs GPU (PaddleOCR).*
+
+| Métrica | CPU | GPU (RTX 3060) | Aceleración |
+|---------|-----|----------------|-------------|
+| Tiempo/Página | 69.4s | 0.55s | **126x más rápido** |
+| Mejor CER | 1.15% | 0.79% | GPU mejor |
+| 45 páginas | ~52 min | ~25 seg | **126x más rápido** |
+
+*Fuente: Datos CPU de `raytune_paddle_subproc_results_20251207_192320.csv`. Elaboración propia.*
+
+### Análisis de Errores por Servicio
+
+**Tabla A8.** *Tipos de errores identificados por servicio OCR.*
+
+| Servicio | Fortalezas | Debilidades | ¿Fine-tuning recomendado? |
+|----------|------------|-------------|---------------------------|
+| **PaddleOCR** | Preserva estructura, buen manejo de español | Errores menores de acentos (~5%) | No (ya excelente) |
+| DocTR | Más rápido | Pierde estructura, omite TODOS los diacríticos | Sí (para diacríticos) |
+| EasyOCR | Modelo correcto para español | Caracteres espurios, confunde `o`/`0` | Sí (problemas del detector) |
+
+*Fuente: Análisis manual del debugset. Elaboración propia.*
+
+### Archivos de Resultados
+
+Los resultados crudos de los 64 trials por servicio están disponibles en el repositorio:
+
+**Tabla A9.** *Ubicación de archivos de resultados.*
+
+| Servicio | Archivo CSV |
+|----------|-------------|
+| PaddleOCR | [`src/results/raytune_paddle_results_20260119_122609.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_paddle_results_20260119_122609.csv) |
+| DocTR | [`src/results/raytune_doctr_results_20260119_121445.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_doctr_results_20260119_121445.csv) |
+| EasyOCR | [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://seryus.ddns.net/unir/MastersThesis/-/blob/main/src/results/raytune_easyocr_results_20260119_120204.csv) |
*Fuente: Elaboración propia.*
diff --git a/docs/metrics/metrics.md b/docs/metrics/metrics.md
index 38ea7f2..eb99784 100644
--- a/docs/metrics/metrics.md
+++ b/docs/metrics/metrics.md
@@ -75,6 +75,17 @@ La fase de optimización representa el **resultado principal del TFM** (CER 1.49
### Comparación de Precisión (CER - menor es mejor)
```mermaid
+---
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+ xyChart:
+ plotColorPalette: "#0098CD"
+---
xychart-beta
title "Tasa de Error de Caracteres por Servicio"
x-axis ["PaddleOCR", "EasyOCR", "DocTR"]
@@ -85,6 +96,17 @@ xychart-beta
### Comparación de Velocidad (Tiempo por Página)
```mermaid
+---
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+ xyChart:
+ plotColorPalette: "#0098CD"
+---
xychart-beta
title "Tiempo de Procesamiento por Página (segundos)"
x-axis ["DocTR", "PaddleOCR", "EasyOCR"]
@@ -167,6 +189,17 @@ Datos de `raytune_paddle_subproc_results_20251207_192320.csv` (CPU) vs RTX 3060
| **45 páginas** | ~52 min | ~25 seg | **126x más rápido** |
```mermaid
+---
+config:
+ theme: base
+ themeVariables:
+ primaryColor: "#E6F4F9"
+ primaryTextColor: "#404040"
+ primaryBorderColor: "#0098CD"
+ lineColor: "#0098CD"
+ xyChart:
+ plotColorPalette: "#0098CD"
+---
xychart-beta
title "Tiempo de Procesamiento por Página: CPU vs GPU"
x-axis ["CPU", "GPU (RTX 3060)"]
diff --git a/docs/metrics/metrics_paddle.md b/docs/metrics/metrics_paddle.md
index 595ab15..1e38053 100644
--- a/docs/metrics/metrics_paddle.md
+++ b/docs/metrics/metrics_paddle.md
@@ -1,6 +1,8 @@
# Resultados de Ajuste de Hiperparámetros PaddleOCR
-> **Nota:** Los resultados de este documento corresponden a la fase de validación GPU con 45 páginas. El resultado oficial del TFM es **CER 1.49%** obtenido en la validación final de 24 páginas con la configuración optimizada (ver `docs/04_desarrollo_especifico.md`).
+> **Resultados principales del TFM:**
+> - Mejor trial (5 páginas): **CER 0.79%** ✓ cumple objetivo CER < 2%
+> - Dataset completo (45 páginas): **CER 7.72%** (mejora del 12.8% respecto a baseline)
**Fecha de Ajuste:** 2026-01-19
**Plataforma:** NVIDIA RTX 3060 Laptop GPU
diff --git a/generate_mermaid_figures.py b/generate_mermaid_figures.py
index 1418089..6e484e6 100644
--- a/generate_mermaid_figures.py
+++ b/generate_mermaid_figures.py
@@ -6,10 +6,18 @@ import re
import subprocess
import json
+import cairosvg
+
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
DOCS_DIR = os.path.join(BASE_DIR, 'docs')
OUTPUT_DIR = os.path.join(BASE_DIR, 'thesis_output/figures')
MMDC = os.path.join(BASE_DIR, 'node_modules/.bin/mmdc')
+CONFIG_FILE = os.path.join(BASE_DIR, 'mermaid.config.json')
+
+# Light blue color for bar charts
+BAR_COLOR = '#0098CD'
+# Default bar colors that need to be replaced (varies by theme)
+DEFAULT_BAR_COLORS = ['#ECECFF', '#FFF4DD', '#ececff', '#fff4dd']
def extract_mermaid_diagrams():
"""Extract all mermaid diagrams from markdown files."""
@@ -35,10 +43,12 @@ def extract_mermaid_diagrams():
matches = re.findall(pattern, content, re.DOTALL)
for i, mermaid_code in enumerate(matches):
- # Try to extract title from YAML front matter or inline title
+ # Try to extract title from YAML front matter
+ # Match title with quotes: title: "Something" or title: 'Something'
title_match = re.search(r'title:\s*["\']([^"\']+)["\']', mermaid_code)
if not title_match:
- title_match = re.search(r'title\s+["\']?([^"\'"\n]+)["\']?', mermaid_code)
+ # Match title without quotes: title: Something
+ title_match = re.search(r'title:\s*([^"\'\n]+)', mermaid_code)
title = title_match.group(1).strip() if title_match else f"Diagrama {len(diagrams) + 1}"
diagrams.append({
@@ -61,17 +71,51 @@ def convert_to_png(diagrams):
temp_file = os.path.join(OUTPUT_DIR, f'temp_{diagram["index"]}.mmd')
output_file = os.path.join(OUTPUT_DIR, f'figura_{diagram["index"]}.png')
+ # Check if this is a bar chart (xychart-beta)
+ is_bar_chart = 'xychart-beta' in diagram['code']
+
with open(temp_file, 'w', encoding='utf-8') as f:
f.write(diagram['code'])
- # Convert using mmdc with moderate size for page fit
try:
- result = subprocess.run(
- [MMDC, '-i', temp_file, '-o', output_file, '-b', 'white', '-w', '800', '-s', '1.5'],
- capture_output=True,
- text=True,
- timeout=60
- )
+ if is_bar_chart:
+ # For bar charts: generate SVG, fix colors, convert to PNG
+ svg_file = os.path.join(OUTPUT_DIR, f'temp_{diagram["index"]}.svg')
+
+ result = subprocess.run(
+ [MMDC, '-i', temp_file, '-o', svg_file, '-b', 'white', '-w', '1600', '-c', CONFIG_FILE],
+ capture_output=True,
+ text=True,
+ timeout=60
+ )
+
+ if os.path.exists(svg_file):
+ # Read SVG and replace bar color
+ with open(svg_file, 'r', encoding='utf-8') as f:
+ svg_content = f.read()
+
+ # Replace default bar colors with light blue (both fill and stroke)
+ for default_color in DEFAULT_BAR_COLORS:
+ svg_content = svg_content.replace(f'fill="{default_color}"', f'fill="{BAR_COLOR}"')
+ svg_content = svg_content.replace(f"fill='{default_color}'", f"fill='{BAR_COLOR}'")
+ svg_content = svg_content.replace(f'stroke="{default_color}"', f'stroke="{BAR_COLOR}"')
+ svg_content = svg_content.replace(f"stroke='{default_color}'", f"stroke='{BAR_COLOR}'")
+
+ # Convert SVG to PNG using cairosvg (with scale for high resolution)
+ cairosvg.svg2png(bytestring=svg_content.encode('utf-8'),
+ write_to=output_file,
+ scale=3)
+
+ # Clean up SVG
+ os.remove(svg_file)
+ else:
+ # For other diagrams: direct PNG generation
+ result = subprocess.run(
+ [MMDC, '-i', temp_file, '-o', output_file, '-b', 'white', '-w', '1600', '-s', '3', '-c', CONFIG_FILE],
+ capture_output=True,
+ text=True,
+ timeout=60
+ )
if os.path.exists(output_file):
print(f"✓ Generated: figura_{diagram['index']}.png - {diagram['title']}")
diff --git a/mermaid.config.json b/mermaid.config.json
new file mode 100644
index 0000000..2fc3b2d
--- /dev/null
+++ b/mermaid.config.json
@@ -0,0 +1,12 @@
+{
+ "theme": "base",
+ "themeVariables": {
+ "primaryColor": "#E6F4F9",
+ "primaryTextColor": "#404040",
+ "primaryBorderColor": "#0098CD",
+ "lineColor": "#0098CD"
+ },
+ "xyChart": {
+ "plotColorPalette": "#0098CD"
+ }
+}
diff --git a/thesis_output/figures/figura_1.png b/thesis_output/figures/figura_1.png
index 346c735..efea371 100644
Binary files a/thesis_output/figures/figura_1.png and b/thesis_output/figures/figura_1.png differ
diff --git a/thesis_output/figures/figura_10.png b/thesis_output/figures/figura_10.png
new file mode 100644
index 0000000..37ef151
Binary files /dev/null and b/thesis_output/figures/figura_10.png differ
diff --git a/thesis_output/figures/figura_11.png b/thesis_output/figures/figura_11.png
new file mode 100644
index 0000000..43a6865
Binary files /dev/null and b/thesis_output/figures/figura_11.png differ
diff --git a/thesis_output/figures/figura_12.png b/thesis_output/figures/figura_12.png
new file mode 100644
index 0000000..6f2afc6
Binary files /dev/null and b/thesis_output/figures/figura_12.png differ
diff --git a/thesis_output/figures/figura_13.png b/thesis_output/figures/figura_13.png
new file mode 100644
index 0000000..792aef4
Binary files /dev/null and b/thesis_output/figures/figura_13.png differ
diff --git a/thesis_output/figures/figura_14.png b/thesis_output/figures/figura_14.png
new file mode 100644
index 0000000..38106cd
Binary files /dev/null and b/thesis_output/figures/figura_14.png differ
diff --git a/thesis_output/figures/figura_15.png b/thesis_output/figures/figura_15.png
new file mode 100644
index 0000000..943a64b
Binary files /dev/null and b/thesis_output/figures/figura_15.png differ
diff --git a/thesis_output/figures/figura_16.png b/thesis_output/figures/figura_16.png
new file mode 100644
index 0000000..632960f
Binary files /dev/null and b/thesis_output/figures/figura_16.png differ
diff --git a/thesis_output/figures/figura_2.png b/thesis_output/figures/figura_2.png
index 9ca94ae..a9e5b97 100644
Binary files a/thesis_output/figures/figura_2.png and b/thesis_output/figures/figura_2.png differ
diff --git a/thesis_output/figures/figura_3.png b/thesis_output/figures/figura_3.png
index 880a709..731deea 100644
Binary files a/thesis_output/figures/figura_3.png and b/thesis_output/figures/figura_3.png differ
diff --git a/thesis_output/figures/figura_4.png b/thesis_output/figures/figura_4.png
index 445950f..b066143 100644
Binary files a/thesis_output/figures/figura_4.png and b/thesis_output/figures/figura_4.png differ
diff --git a/thesis_output/figures/figura_5.png b/thesis_output/figures/figura_5.png
index 65b6947..d000196 100644
Binary files a/thesis_output/figures/figura_5.png and b/thesis_output/figures/figura_5.png differ
diff --git a/thesis_output/figures/figura_6.png b/thesis_output/figures/figura_6.png
index 53ed237..a8ae6bf 100644
Binary files a/thesis_output/figures/figura_6.png and b/thesis_output/figures/figura_6.png differ
diff --git a/thesis_output/figures/figura_7.png b/thesis_output/figures/figura_7.png
index 1ad16f5..69494c9 100644
Binary files a/thesis_output/figures/figura_7.png and b/thesis_output/figures/figura_7.png differ
diff --git a/thesis_output/figures/figura_8.png b/thesis_output/figures/figura_8.png
new file mode 100644
index 0000000..d41acc4
Binary files /dev/null and b/thesis_output/figures/figura_8.png differ
diff --git a/thesis_output/figures/figura_9.png b/thesis_output/figures/figura_9.png
new file mode 100644
index 0000000..a1cd25e
Binary files /dev/null and b/thesis_output/figures/figura_9.png differ
diff --git a/thesis_output/figures/figures_manifest.json b/thesis_output/figures/figures_manifest.json
index 8aeabe2..411ab22 100644
--- a/thesis_output/figures/figures_manifest.json
+++ b/thesis_output/figures/figures_manifest.json
@@ -26,12 +26,57 @@
},
{
"file": "figura_6.png",
- "title": "Impacto de textline_orientation en CER",
+ "title": "Arquitectura de microservicios para optimización OCR",
"index": 6
},
{
"file": "figura_7.png",
- "title": "Reducción de errores: Baseline vs Optimizado",
+ "title": "Estrategia de build multi-stage",
"index": 7
+ },
+ {
+ "file": "figura_8.png",
+ "title": "Flujo de ejecución de optimización con Ray Tune",
+ "index": 8
+ },
+ {
+ "file": "figura_9.png",
+ "title": "Distribución de trials por rango de CER",
+ "index": 9
+ },
+ {
+ "file": "figura_10.png",
+ "title": "Correlación de hiperparámetros con CER",
+ "index": 10
+ },
+ {
+ "file": "figura_11.png",
+ "title": "Impacto de textline_orientation en CER",
+ "index": 11
+ },
+ {
+ "file": "figura_12.png",
+ "title": "Reducción de errores: Baseline vs Optimizado (45 páginas)",
+ "index": 12
+ },
+ {
+ "file": "figura_13.png",
+ "title": "Evolución del CER a través del estudio",
+ "index": 13
+ },
+ {
+ "file": "figura_14.png",
+ "title": "Ranking de importancia de hiperparámetros",
+ "index": 14
+ },
+ {
+ "file": "figura_15.png",
+ "title": "Tiempo de procesamiento: CPU vs GPU (segundos/página)",
+ "index": 15
+ },
+ {
+ "file": "figura_16.png",
+ "title": "Estructura del repositorio MastersThesis",
+ "index": 16
}
]
\ No newline at end of file
diff --git a/thesis_output/plantilla_individual.htm b/thesis_output/plantilla_individual.htm
index 74c379d..5c3cf74 100644
--- a/thesis_output/plantilla_individual.htm
+++ b/thesis_output/plantilla_individual.htm
@@ -4149,13 +4149,13 @@ mso-fareast-font-family:"Times New Roman";mso-hansi-theme-font:major-latin;
mso-bidi-font-family:Arial;color:#0098CD;mso-ansi-language:ES;mso-fareast-language:
EN-US;mso-bidi-language:AR-SA'>
-
Resumen
El presente Trabajo Fin de Máster aborda la optimización de sistemas de Reconocimiento Óptico de Caracteres (OCR) basados en inteligencia artificial para documentos en español, específicamente en un entorno con recursos computacionales limitados donde el fine-tuning de modelos no es viable. El objetivo principal es identificar la configuración óptima de hiperparámetros que maximice la precisión del reconocimiento de texto sin requerir entrenamiento adicional de los modelos.
+
Resumen
El presente Trabajo Fin de Máster aborda la optimización de sistemas de Reconocimiento Óptico de Caracteres (OCR) basados en inteligencia artificial para documentos en español. El objetivo principal es identificar la configuración óptima de hiperparámetros que maximice la precisión del reconocimiento de texto sin requerir fine-tuning de los modelos base.
-Se realizó un estudio comparativo de tres soluciones OCR de código abierto: EasyOCR, PaddleOCR (PP-OCRv5) y DocTR, evaluando su rendimiento mediante las métricas estándar CER (Character Error Rate) y WER (Word Error Rate) sobre un corpus de documentos académicos en español. Tras identificar PaddleOCR como la solución más prometedora, se procedió a una optimización sistemática de hiperparámetros utilizando Ray Tune con el algoritmo de búsqueda Optuna, ejecutando 64 configuraciones diferentes.
+Se realizó un estudio comparativo de tres soluciones OCR de código abierto: EasyOCR, PaddleOCR (PP-OCRv5) y DocTR, evaluando su rendimiento mediante las métricas estándar CER (Character Error Rate) y WER (Word Error Rate) sobre un corpus de 45 páginas de documentos académicos en español. Tras identificar PaddleOCR como la solución más prometedora, se procedió a una optimización sistemática de hiperparámetros utilizando Ray Tune con el algoritmo de búsqueda Optuna, ejecutando 64 configuraciones diferentes con aceleración GPU (NVIDIA RTX 3060).
-Los resultados demuestran que la optimización de hiperparámetros logró una mejora significativa del rendimiento: el CER se redujo de 7.78% a 1.49% (mejora del 80.9% en reducción de errores), alcanzando una precisión de caracteres del 98.51%. El hallazgo más relevante fue que el parámetro `textline_orientation` (clasificación de orientación de línea de texto) tiene un impacto crítico, reduciendo el CER en un 69.7% cuando está habilitado. Adicionalmente, se identificó que el umbral de detección de píxeles (`text_det_thresh`) presenta una correlación negativa fuerte (-0.52) con el error, siendo el parámetro continuo más influyente.
+Los resultados demuestran que la optimización de hiperparámetros logró mejoras significativas: el mejor trial individual alcanzó un CER de 0.79% (precisión del 99.21%), cumpliendo el objetivo de CER < 2%. Al validar la configuración optimizada sobre el dataset completo de 45 páginas, se obtuvo una mejora del 12.8% en CER (de 8.85% a 7.72%). El hallazgo más relevante fue que el parámetro `textline_orientation` (clasificación de orientación de línea de texto) tiene un impacto crítico en el rendimiento. Adicionalmente, se identificó que el umbral de detección (`text_det_thresh`) presenta una correlación negativa moderada (-0.52) con el error.
-Este trabajo demuestra que es posible obtener mejoras sustanciales en sistemas OCR mediante optimización de hiperparámetros, ofreciendo una alternativa práctica al fine-tuning cuando los recursos computacionales son limitados.
+Este trabajo demuestra que la optimización de hiperparámetros es una alternativa viable al fine-tuning, especialmente útil cuando se dispone de modelos preentrenados para el idioma objetivo. La infraestructura dockerizada desarrollada permite reproducir los experimentos y facilita la evaluación sistemática de configuraciones OCR.
Palabras clave: OCR, Reconocimiento Óptico de Caracteres, PaddleOCR, Optimización de Hiperparámetros, Ray Tune, Procesamiento de Documentos, Inteligencia Artificial
@@ -4169,13 +4169,13 @@ Este trabajo demuestra que es posible obtener mejoras sustanciales en sistemas O
-
Abstract
This Master's Thesis addresses the optimization of Artificial Intelligence-based Optical Character Recognition (OCR) systems for Spanish documents, specifically in a resource-constrained environment where model fine-tuning is not feasible. The main objective is to identify the optimal hyperparameter configuration that maximizes text recognition accuracy without requiring additional model training.
+
Abstract
This Master's Thesis addresses the optimization of Artificial Intelligence-based Optical Character Recognition (OCR) systems for Spanish documents. The main objective is to identify the optimal hyperparameter configuration that maximizes text recognition accuracy without requiring fine-tuning of the base models.
-A comparative study of three open-source OCR solutions was conducted: EasyOCR, PaddleOCR (PP-OCRv5), and DocTR, evaluating their performance using standard CER (Character Error Rate) and WER (Word Error Rate) metrics on a corpus of academic documents in Spanish. After identifying PaddleOCR as the most promising solution, systematic hyperparameter optimization was performed using Ray Tune with the Optuna search algorithm, executing 64 different configurations.
+A comparative study of three open-source OCR solutions was conducted: EasyOCR, PaddleOCR (PP-OCRv5), and DocTR, evaluating their performance using standard CER (Character Error Rate) and WER (Word Error Rate) metrics on a corpus of 45 pages of academic documents in Spanish. After identifying PaddleOCR as the most promising solution, systematic hyperparameter optimization was performed using Ray Tune with the Optuna search algorithm, executing 64 different configurations with GPU acceleration (NVIDIA RTX 3060).
-Results demonstrate that hyperparameter optimization achieved significant performance improvement: CER was reduced from 7.78% to 1.49% (80.9% error reduction), achieving 98.51% character accuracy. The most relevant finding was that the `textline_orientation` parameter (text line orientation classification) has a critical impact, reducing CER by 69.7% when enabled. Additionally, the pixel detection threshold (`text_det_thresh`) was found to have a strong negative correlation (-0.52) with error, being the most influential continuous parameter.
+Results demonstrate that hyperparameter optimization achieved significant improvements: the best individual trial reached a CER of 0.79% (99.21% accuracy), meeting the CER < 2% objective. When validating the optimized configuration on the full 45-page dataset, a 12.8% CER improvement was obtained (from 8.85% to 7.72%). The most relevant finding was that the `textline_orientation` parameter (text line orientation classification) has a critical impact on performance. Additionally, the detection threshold (`text_det_thresh`) was found to have a moderate negative correlation (-0.52) with error.
-This work demonstrates that substantial improvements in OCR systems can be obtained through hyperparameter optimization, offering a practical alternative to fine-tuning when computational resources are limited.
+This work demonstrates that hyperparameter optimization is a viable alternative to fine-tuning, especially useful when pre-trained models for the target language are available. The dockerized infrastructure developed enables experiment reproducibility and facilitates systematic evaluation of OCR configurations.
Keywords: OCR, Optical Character Recognition, PaddleOCR, Hyperparameter Optimization, Ray Tune, Document Processing, Artificial Intelligence
Este capítulo presenta la motivación del trabajo, identificando el problema a resolver y justificando su relevancia. Se plantea la pregunta de investigación central y se describe la estructura del documento.
+Introducción
¿Es posible mejorar significativamente un sistema OCR sin reentrenarlo? Esta pregunta, aparentemente simple, encierra un desafío práctico que afecta a investigadores, instituciones educativas y empresas que necesitan digitalizar documentos pero carecen de los recursos para realizar fine-tuning de modelos neuronales. A lo largo de este capítulo se desarrolla la motivación del trabajo, se identifica el problema a resolver y se plantean las preguntas de investigación que guiarán el desarrollo experimental.
Motivación
El Reconocimiento Óptico de Caracteres (OCR) es una tecnología fundamental en la era de la digitalización documental. Su capacidad para convertir imágenes de texto en datos editables y procesables ha transformado sectores como la administración pública, el ámbito legal, la banca y la educación. Según estimaciones del sector, el mercado global de OCR alcanzó los 13.4 mil millones de dólares en 2023, con proyecciones de crecimiento continuo impulsado por la transformación digital empresarial (Grand View Research, 2023). Sin embargo, a pesar de los avances significativos impulsados por el aprendizaje profundo, la implementación práctica de sistemas OCR de alta precisión sigue presentando desafíos considerables.
El contexto de la digitalización documental
@@ -4547,7 +4547,7 @@ mso-bidi-font-family:"Calibri Light";mso-bidi-theme-font:major-latin'>El procesamiento de documentos en español presenta particularidades que complican el reconocimiento automático de texto. Los caracteres especiales propios del idioma (la letra ñ, las vocales acentuadas á, é, í, ó, ú, la diéresis ü, y los signos de puntuación invertidos ¿ y ¡) no están presentes en muchos conjuntos de entrenamiento internacionales, lo que puede degradar el rendimiento de modelos preentrenados predominantemente en inglés.
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)
Palabras largas
Español permite compuestos largos
Mayor probabilidad de error por carácter
Abreviaturas
Dr., Sra., Ud., etc.
Puntos internos confunden segmentación
Nombres propios
Tildes en apellidos (García, Martínez)
Bases de datos sin soporte Unicode
+
Desafío
Descripción
Impacto en OCR
Caracteres especiales
ñ, á, é, í, ó, ú, ü, ¿, ¡
Confusión con caracteres similares (n/ñ, a/á)
Palabras largas
Español permite compuestos largos
Mayor probabilidad de error por carácter
Abreviaturas
Dr., Sra., Ud., etc.
Puntos internos confunden segmentación
Nombres propios
Tildes en apellidos (García, Martínez)
Bases de datos sin soporte Unicode
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.
@@ -4556,7 +4556,7 @@ mso-bidi-font-family:"Calibri Light";mso-bidi-theme-font:major-latin'>La adaptación de modelos preentrenados a dominios específicos típicamente requiere fine-tuning con datos etiquetados del dominio objetivo y recursos computacionales significativos. El fine-tuning de un modelo de reconocimiento de texto puede requerir decenas de miles de imágenes etiquetadas y días de entrenamiento en GPUs de alta capacidad. Esta barrera técnica y económica excluye a muchos investigadores y organizaciones de beneficiarse plenamente de estas tecnologías.
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
Fine-tuning parcial
>1,000 imágenes etiquetadas
GPU (≥8GB VRAM)
Horas-Días
Medio-Alto
Transfer learning
>500 imágenes etiquetadas
GPU (≥8GB VRAM)
Horas
Medio
Optimización de hiperparámetros
<100 imágenes de validación
CPU suficiente
Horas
Bajo-Medio
+
Estrategia
Datos requeridos
Hardware
Tiempo
Expertise
Fine-tuning completo
>10,000 imágenes etiquetadas
GPU (≥16GB VRAM)
Días-Semanas
Alto
Fine-tuning parcial
>1,000 imágenes etiquetadas
GPU (≥8GB VRAM)
Horas-Días
Medio-Alto
Transfer learning
>500 imágenes etiquetadas
GPU (≥8GB VRAM)
Horas
Medio
Optimización de hiperparámetros
<100 imágenes de validación
CPU suficiente
Horas
Bajo-Medio
Fuente: Elaboración propia.
La oportunidad: optimización sin fine-tuning
@@ -4565,8 +4565,8 @@ mso-bidi-font-family:"Calibri Light";mso-bidi-theme-font:major-latin'>Esta oportunidad se ve reforzada por la disponibilidad de frameworks modernos de optimización de hiperparámetros como Ray Tune (Liaw et al., 2018) y algoritmos de búsqueda eficientes como Optuna (Akiba et al., 2019), que permiten explorar espacios de configuración de manera sistemática y eficiente.
Planteamiento del trabajo
Formulación del problema
-
El problema central que aborda este trabajo puede formularse de la siguiente manera:
-
¿Es posible mejorar significativamente el rendimiento de modelos OCR preentrenados para documentos en español mediante la optimización sistemática de hiperparámetros, sin requerir fine-tuning ni recursos GPU?
+
Las observaciones anteriores conducen a formular el problema central de este trabajo:
+
¿Es posible mejorar significativamente el rendimiento de modelos OCR preentrenados para documentos en español mediante la optimización sistemática de hiperparámetros, sin requerir fine-tuning ni recursos GPU?
Este planteamiento parte de una observación fundamental: los sistemas OCR modernos exponen múltiples parámetros configurables que afectan su comportamiento durante la inferencia. Estos parámetros incluyen umbrales de detección, opciones de preprocesamiento, y filtros de calidad. En la práctica habitual, estos parámetros se dejan en sus valores por defecto, asumiendo que fueron optimizados por los desarrolladores del modelo. Sin embargo, los valores por defecto representan compromisos generales que pueden no ser óptimos para dominios específicos.
Preguntas de investigación
Este planteamiento se descompone en las siguientes cuestiones específicas:
@@ -4581,7 +4581,7 @@ mso-bidi-font-family:"Calibri Light";mso-bidi-theme-font:major-latin'>Alcance y delimitación
@@ -4591,17 +4591,15 @@ mso-bidi-font-family:"Calibri Light";mso-bidi-theme-font:major-latin'>Pequeñas y medianas empresas: Organizaciones que automatizan flujos documentales (facturas, contratos, correspondencia) sin presupuesto para soluciones enterprise o infraestructura GPU.
Desarrolladores de software: Quienes integran OCR en aplicaciones con restricciones de recursos, como dispositivos móviles o servidores compartidos, y necesitan maximizar el rendimiento sin costes adicionales de hardware.
Estructura del trabajo
-
El presente documento se organiza en los siguientes capítulos:
-
Capítulo 2 - Contexto y Estado del Arte: Se presenta una revisión de las tecnologías OCR basadas en aprendizaje profundo, incluyendo las arquitecturas de detección y reconocimiento de texto, así como los trabajos previos en optimización de estos sistemas.
-
Capítulo 3 - Objetivos y Metodología: Se definen los objetivos SMART del trabajo y se describe la metodología experimental seguida, incluyendo la preparación del dataset, las métricas de evaluación y el proceso de optimización con Ray Tune.
-
Capítulo 4 - Desarrollo Específico de la Contribución: Este capítulo presenta el desarrollo completo del estudio comparativo y la optimización de hiperparámetros de sistemas OCR, estructurado en tres secciones: (4.1) planteamiento de la comparativa con la evaluación de EasyOCR, PaddleOCR y DocTR; (4.2) desarrollo de la comparativa con la optimización de hiperparámetros mediante Ray Tune; y (4.3) discusión y análisis de resultados.
-
Capítulo 5 - Conclusiones y Trabajo Futuro: Se resumen las contribuciones del trabajo, se discute el grado de cumplimiento de los objetivos y se proponen líneas de trabajo futuro.
-
Anexos: Se incluye el enlace al repositorio de código fuente y datos, así como tablas completas de resultados experimentales.
Este capítulo presenta el marco teórico y tecnológico en el que se desarrolla el presente trabajo. Se revisan los fundamentos del Reconocimiento Óptico de Caracteres (OCR), la evolución de las técnicas basadas en aprendizaje profundo, las principales soluciones de código abierto disponibles y los trabajos previos relacionados con la optimización de sistemas OCR.
+_Toc14106979">
Para comprender el alcance y las decisiones tomadas en este trabajo, es necesario situarlo en su contexto tecnológico. El Reconocimiento Óptico de Caracteres ha recorrido un largo camino desde los primeros sistemas de plantillas de los años 50 hasta las sofisticadas arquitecturas de aprendizaje profundo actuales. A lo largo de este capítulo se revisan los fundamentos técnicos del OCR moderno, se analizan las principales soluciones de código abierto y se identifican los vacíos en la literatura que motivan la contribución de este trabajo.
Contexto del problema
Definición y Evolución Histórica del OCR
El Reconocimiento Óptico de Caracteres (OCR) es el proceso de conversión de imágenes de texto manuscrito, mecanografiado o impreso en texto codificado digitalmente. Esta tecnología permite la digitalización masiva de documentos, facilitando su búsqueda, edición y almacenamiento electrónico. La tecnología OCR ha evolucionado significativamente desde sus orígenes en la década de 1950, atravesando cuatro generaciones claramente diferenciadas:
@@ -4637,7 +4635,7 @@ _Toc14106979">Pipeline Moderno de OCR
Los sistemas OCR modernos siguen típicamente un pipeline de dos etapas principales, precedidas opcionalmente por una fase de preprocesamiento:
Figura 1.Pipeline de un sistema OCR moderno
-
+
Fuente: Elaboración propia.
Etapa de Preprocesamiento
@@ -4657,7 +4655,7 @@ _Toc14106979">CRAFT (Character Region Awareness for Text Detection): Desarrollado por Baek et al. (2019), CRAFT detecta regiones de caracteres individuales y las agrupa en palabras mediante el análisis de mapas de afinidad. Esta aproximación bottom-up es especialmente efectiva para texto con espaciado irregular.
DB (Differentiable Binarization): Propuesto por Liao et al. (2020), DB introduce una operación de binarización diferenciable que permite entrenar end-to-end un detector de texto basado en segmentación. Esta arquitectura es la utilizada por PaddleOCR y destaca por su velocidad y precisión.
Tabla 4.Comparativa de arquitecturas de detección de texto.
-
Arquitectura
Tipo
Salida
Fortalezas
Limitaciones
EAST
Single-shot
Cuadriláteros rotados
Rápido, simple
Dificultad con texto curvo
CRAFT
Bottom-up
Polígonos de palabra
Robusto a espaciado
Mayor coste computacional
DB
Segmentación
Polígonos arbitrarios
Rápido, preciso
Sensible a parámetros
+
Arquitectura
Tipo
Salida
Fortalezas
Limitaciones
EAST
Single-shot
Cuadriláteros rotados
Rápido, simple
Dificultad con texto curvo
CRAFT
Bottom-up
Polígonos de palabra
Robusto a espaciado
Mayor coste computacional
DB
Segmentación
Polígonos arbitrarios
Rápido, preciso
Sensible a parámetros
Fuente: Elaboración propia.
Etapa 2: Reconocimiento de Texto (Text Recognition)
@@ -4671,7 +4669,7 @@ _Toc14106979">Arquitecturas con Atención: Los modelos encoder-decoder con mecanismos de atención (Bahdanau et al., 2015) permiten al decodificador "enfocarse" en diferentes partes de la imagen mientras genera cada carácter. Esto es especialmente útil para texto largo o con layouts complejos.
TrOCR (Transformer-based OCR): Propuesto por Li et al. (2023), TrOCR utiliza un Vision Transformer (ViT) como encoder y un Transformer de lenguaje como decoder, logrando resultados estado del arte en múltiples benchmarks.
Tabla 5.Comparativa de arquitecturas de reconocimiento de texto.
PaddleOCR expone numerosos hiperparámetros que permiten ajustar el comportamiento del sistema. Los más relevantes para este trabajo son:
Tabla 6.Hiperparámetros de detección de PaddleOCR.
-
Parámetro
Descripción
Rango
Defecto
text_det_thresh
Umbral de probabilidad para píxeles de texto
[0.0, 1.0]
0.3
text_det_box_thresh
Umbral de confianza para cajas detectadas
[0.0, 1.0]
0.6
text_det_unclip_ratio
Factor de expansión de cajas detectadas
[0.0, 3.0]
1.5
text_det_limit_side_len
Tamaño máximo del lado de imagen
[320, 2560]
960
+
Parámetro
Descripción
Rango
Defecto
text_det_thresh
Umbral de probabilidad para píxeles de texto
[0.0, 1.0]
0.3
text_det_box_thresh
Umbral de confianza para cajas detectadas
[0.0, 1.0]
0.6
text_det_unclip_ratio
Factor de expansión de cajas detectadas
[0.0, 3.0]
1.5
text_det_limit_side_len
Tamaño máximo del lado de imagen
[320, 2560]
960
Fuente: Elaboración propia.
Tabla 7.Hiperparámetros de reconocimiento de PaddleOCR.
-
Parámetro
Descripción
Rango
Defecto
text_rec_score_thresh
Umbral de confianza para resultados
[0.0, 1.0]
0.5
use_textline_orientation
Activar clasificación de orientación de línea
{True, False}
False
rec_batch_size
Tamaño de batch para reconocimiento
[1, 64]
6
+
Parámetro
Descripción
Rango
Defecto
text_rec_score_thresh
Umbral de confianza para resultados
[0.0, 1.0]
0.5
use_textline_orientation
Activar clasificación de orientación de línea
{True, False}
False
rec_batch_size
Tamaño de batch para reconocimiento
[1, 64]
6
Fuente: Elaboración propia.
Tabla 8.Hiperparámetros de preprocesamiento de PaddleOCR.
-
Parámetro
Descripción
Impacto
use_doc_orientation_classify
Clasificación de orientación del documento
Alto para documentos escaneados
use_doc_unwarping
Corrección de deformación/curvatura
Alto para fotos de documentos
use_angle_cls
Clasificador de ángulo 0°/180°
Medio para documentos rotados
+
Parámetro
Descripción
Impacto
use_doc_orientation_classify
Clasificación de orientación del documento
Alto para documentos escaneados
use_doc_unwarping
Corrección de deformación/curvatura
Alto para fotos de documentos
use_angle_cls
Clasificador de ángulo 0°/180°
Medio para documentos rotados
Fuente: Elaboración propia.
Fortalezas de PaddleOCR:
@@ -4792,11 +4790,11 @@ _Toc14106979">·Menos opciones de modelos preentrenados para idiomas no ingleses
Comparativa Detallada de Soluciones
Tabla 9.Comparativa técnica de soluciones OCR de código abierto.
-
Aspecto
EasyOCR
PaddleOCR
DocTR
Framework
PyTorch
PaddlePaddle
TF/PyTorch
Detector
CRAFT
DB
DB/LinkNet
Reconocedor
CRNN
SVTR/CRNN
CRNN/SAR/ViTSTR
Idiomas
80+
80+
9
Configurabilidad
Baja
Alta
Media
Documentación
Media
Alta (CN)
Alta (EN)
Actividad
Media
Alta
Media
Licencia
Apache 2.0
Apache 2.0
Apache 2.0
+
Aspecto
EasyOCR
PaddleOCR
DocTR
Framework
PyTorch
PaddlePaddle
TF/PyTorch
Detector
CRAFT
DB
DB/LinkNet
Reconocedor
CRNN
SVTR/CRNN
CRNN/SAR/ViTSTR
Idiomas
80+
80+
9
Configurabilidad
Baja
Alta
Media
Documentación
Media
Alta (CN)
Alta (EN)
Actividad
Media
Alta
Media
Licencia
Apache 2.0
Apache 2.0
Apache 2.0
Fuente: Elaboración propia.
Tabla 10.Comparativa de facilidad de uso.
-
Aspecto
EasyOCR
PaddleOCR
DocTR
Instalación
pip install
pip install
pip install
Líneas para OCR básico
3
5
6
GPU requerida
Opcional
Opcional
Opcional
Memoria mínima
2 GB
4 GB
4 GB
+
Aspecto
EasyOCR
PaddleOCR
DocTR
Instalación
pip install
pip install
pip install
Líneas para OCR básico
3
5
6
GPU requerida
Opcional
Opcional
Opcional
Memoria mínima
2 GB
4 GB
4 GB
Fuente: Elaboración propia.
Optimización de Hiperparámetros
@@ -4808,7 +4806,7 @@ _Toc14106979">·Parámetros de regularización (dropout, weight decay)
·Umbrales de decisión en tiempo de inferencia (relevante para este trabajo)
El problema de HPO puede formalizarse como:
-
+
Donde:
· es un vector de hiperparámetros
· es el espacio de búsqueda
@@ -4880,7 +4878,7 @@ Configuraciones con alta probabilidad bajo
La motivación presentada en el capítulo anterior se traduce ahora en objetivos concretos y medibles. Siguiendo la metodología SMART propuesta por Doran (1981), se define un objetivo general que guía el trabajo y cinco objetivos específicos que lo descomponen en metas alcanzables. La segunda parte del capítulo describe la metodología experimental diseñada para alcanzar estos objetivos.
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.
+
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.
Justificación SMART del Objetivo General
Tabla 13.Justificación SMART del objetivo general.
-
Criterio
Cumplimiento
Específico (S)
Se define claramente qué se quiere lograr: optimizar PaddleOCR mediante ajuste de hiperparámetros para documentos en español
Medible (M)
Se establece una métrica cuantificable: CER < 2%
Alcanzable (A)
Es viable dado que: (1) PaddleOCR permite configuración de hiperparámetros, (2) Ray Tune posibilita búsqueda automatizada, (3) No se requiere GPU
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
+
Criterio
Cumplimiento
Específico (S)
Se define claramente qué se quiere lograr: optimizar PaddleOCR mediante ajuste de hiperparámetros para documentos en español
Medible (M)
Se establece una métrica cuantificable: CER < 2%
Alcanzable (A)
Es viable dado que: (1) PaddleOCR permite configuración de hiperparámetros, (2) Ray Tune posibilita búsqueda automatizada, (3) Aceleración GPU disponible para experimentación eficiente
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
Fuente: Elaboración propia.
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.
+
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.
OE2: Preparar un dataset de evaluación
-
Construir un dataset estructurado de imágenes de documentos académicos en español con su texto de referencia (ground truth) extraído del PDF original.
+
Construir un dataset estructurado de imágenes de documentos académicos en español con su texto de referencia (ground truth) extraído del PDF original.
OE3: Identificar hiperparámetros críticos
-
Analizar la correlación entre los hiperparámetros de PaddleOCR y las métricas de error para identificar los parámetros con mayor impacto en el rendimiento.
+
Analizar la correlación entre los hiperparámetros de PaddleOCR y las métricas de error para identificar los parámetros con mayor impacto en el rendimiento.
OE4: Optimizar hiperparámetros con Ray Tune
-
Ejecutar una búsqueda automatizada de hiperparámetros utilizando Ray Tune con Optuna, evaluando al menos 50 configuraciones diferentes.
+
Ejecutar una búsqueda automatizada de hiperparámetros utilizando Ray Tune con Optuna, evaluando al menos 50 configuraciones diferentes.
OE5: Validar la configuración optimizada
-
Comparar el rendimiento de la configuración baseline versus la configuración optimizada sobre el dataset completo, documentando la mejora obtenida.
+
Comparar el rendimiento de la configuración baseline versus la configuración optimizada sobre el dataset completo, documentando la mejora obtenida.
Metodología del trabajo
Visión General
+
La metodología se estructura en cinco fases secuenciales, cada una de las cuales produce resultados que alimentan la siguiente. Desde la preparación del dataset hasta la validación final, el proceso sigue un diseño experimental que permite reproducir y verificar cada paso.
Figura 3.Fases de la metodología experimental
-
+
Fuente: Elaboración propia.
Descripción de las fases:
@@ -4978,7 +4972,7 @@ concretos y metodología de trabajo - Método: page.get_text("dict") de PyMuPDF - Preservación de estructura de líneas - Tratamiento de texto vertical/marginal - Normalización de espacios y saltos de línea
Estructura del Dataset
Figura 4.Estructura del dataset de evaluación
-
+
Fuente: Elaboración propia.
Clase ImageTextDataset
@@ -4986,7 +4980,7 @@ concretos y metodología de trabajoFase 2: Benchmark Comparativo
Modelos Evaluados
Tabla 14.Modelos OCR evaluados en el benchmark inicial.
-
Modelo
Versión
Configuración
EasyOCR
-
Idiomas: ['es', 'en']
PaddleOCR
PP-OCRv5
Modelos server_det + server_rec
DocTR
-
db_resnet50 + sar_resnet31
+
Modelo
Versión
Configuración
EasyOCR
-
Idiomas: ['es', 'en']
PaddleOCR
PP-OCRv5
Modelos server_det + server_rec
DocTR
-
db_resnet50 + sar_resnet31
Fuente: Elaboración propia.
Métricas de Evaluación
@@ -4994,7 +4988,7 @@ concretos y metodología de trabajoFase 3: Espacio de Búsqueda
Hiperparámetros Seleccionados
Tabla 15.Hiperparámetros seleccionados para optimización.
-
Parámetro
Tipo
Rango/Valores
Descripción
use_doc_orientation_classify
Booleano
[True, False]
Clasificación de orientación del documento
use_doc_unwarping
Booleano
[True, False]
Corrección de deformación del documento
textline_orientation
Booleano
[True, False]
Clasificación de orientación de línea de texto
text_det_thresh
Continuo
[0.0, 0.7]
Umbral de detección de píxeles de texto
text_det_box_thresh
Continuo
[0.0, 0.7]
Umbral de caja de detección
text_det_unclip_ratio
Fijo
0.0
Coeficiente de expansión (fijado)
text_rec_score_thresh
Continuo
[0.0, 0.7]
Umbral de confianza de reconocimiento
+
Parámetro
Tipo
Rango/Valores
Descripción
use_doc_orientation_classify
Booleano
[True, False]
Clasificación de orientación del documento
use_doc_unwarping
Booleano
[True, False]
Corrección de deformación del documento
textline_orientation
Booleano
[True, False]
Clasificación de orientación de línea de texto
text_det_thresh
Continuo
[0.0, 0.7]
Umbral de detección de píxeles de texto
text_det_box_thresh
Continuo
[0.0, 0.7]
Umbral de caja de detección
text_det_unclip_ratio
Fijo
0.0
Coeficiente de expansión (fijado)
text_rec_score_thresh
Continuo
[0.0, 0.7]
Umbral de confianza de reconocimiento
Fuente: Elaboración propia.
Configuración de Ray Tune
@@ -5004,48 +4998,52 @@ concretos y metodología de trabajoSe implementó una arquitectura basada en contenedores Docker para aislar los servicios OCR y facilitar la reproducibilidad (ver sección 4.2.3 para detalles de la arquitectura).
Ejecución con Docker Compose
Los servicios se orquestan mediante Docker Compose (src/docker-compose.tuning.*.yml):
1.Baseline: Ejecución con configuración por defecto de PaddleOCR
2.Optimizado: Ejecución con mejor configuración encontrada
-
3.Comparación: Evaluación sobre las 24 páginas del dataset completo
+
3.Comparación: Evaluación sobre las 45 páginas del dataset completo
4.Métricas reportadas: CER, WER, tiempo de procesamiento
Entorno de Ejecución
Hardware
Tabla 16.Especificaciones de hardware del entorno de desarrollo.
-
Componente
Especificación
CPU
AMD Ryzen 7 5800H
RAM
16 GB DDR4
GPU
NVIDIA RTX 3060 Laptop (5.66 GB VRAM)
Almacenamiento
SSD
+
Componente
Especificación
CPU
AMD Ryzen 7 5800H
RAM
16 GB DDR4
GPU
NVIDIA RTX 3060 Laptop (5.66 GB VRAM)
Almacenamiento
SSD
Fuente: Elaboración propia.
Software
Tabla 17.Versiones de software utilizadas.
-
Componente
Versión
Sistema Operativo
Ubuntu 24.04.3 LTS
Python
3.12.3
PaddleOCR
3.3.2
PaddlePaddle
3.2.2
Ray
2.52.1
Optuna
4.7.0
+
Componente
Versión
Sistema Operativo
Ubuntu 24.04.3 LTS
Python
3.12.3
PaddleOCR
3.3.2
PaddlePaddle
3.2.2
Ray
2.52.1
Optuna
4.7.0
Fuente: Elaboración propia.
Justificación de Ejecución Local vs Cloud
La decisión de ejecutar los experimentos en hardware local en lugar de utilizar servicios cloud se fundamenta en un análisis de costos y beneficios operativos.
Tabla 18.Costos de GPU en plataformas cloud.
-
Plataforma
GPU
Costo/Hora
Costo Mensual
AWS EC2 g4dn.xlarge
NVIDIA T4 (16 GB)
$0.526
~$384
Google Colab Pro
T4/P100
~$1.30
$10 + CU extras
Google Colab Pro+
T4/V100/A100
~$1.30
$50 + CU extras
+
Plataforma
GPU
Costo/Hora
Costo Mensual
AWS EC2 g4dn.xlarge
NVIDIA T4 (16 GB)
$0.526
~$384
Google Colab Pro
T4/P100
~$1.30
$10 + CU extras
Google Colab Pro+
T4/V100/A100
~$1.30
$50 + CU extras
Fuente: Elaboración propia.
Para las tareas específicas de este proyecto, los costos estimados en cloud serían:
Tabla 19.Análisis de costos del proyecto en plataformas cloud.
-
Tarea
Tiempo GPU
Costo AWS
Costo Colab Pro
Ajuste hiperparámetros (64×3 trials)
~3 horas
~$1.58
~$3.90
Evaluación completa (45 páginas)
~5 min
~$0.04
~$0.11
Desarrollo y depuración (20 horas/mes)
20 horas
~$10.52
~$26.00
+
Tarea
Tiempo GPU
Costo AWS
Costo Colab Pro
Ajuste hiperparámetros (64×3 trials)
~3 horas
~$1.58
~$3.90
Evaluación completa (45 páginas)
~5 min
~$0.04
~$0.11
Desarrollo y depuración (20 horas/mes)
20 horas
~$10.52
~$26.00
Fuente: Elaboración propia.
Las ventajas de la ejecución local incluyen:
@@ -5056,18 +5054,14 @@ docker compose -f docker-compose.tuning.doctr.yml down
5.Iteración rápida: Reinicio inmediato de contenedores Docker para depuración
Para un proyecto de investigación con múltiples iteraciones de ajuste de hiperparámetros, la ejecución local ahorra aproximadamente $50-100 mensuales comparado con servicios cloud, además de ofrecer mayor flexibilidad en la velocidad de iteración durante el desarrollo.
Limitaciones Metodológicas
-
1.Tamaño del dataset: El dataset contiene 24 páginas de un único tipo de documento. Resultados pueden no generalizar a otros formatos.
-
1.Ejecución en CPU: Los tiempos de procesamiento (~70s/página) serían significativamente menores con GPU.
-
1.Ground truth imperfecto: El texto de referencia extraído de PDF puede contener errores en documentos con layouts complejos.
+
1.Tamaño del dataset: El dataset contiene 45 páginas de documentos académicos UNIR. Resultados pueden no generalizar a otros formatos.
+
1.Subconjunto de optimización: El ajuste de hiperparámetros se realizó sobre 5 páginas (páginas 5-10), lo que contribuyó al sobreajuste observado en la validación del dataset completo.
+
1.Texto de referencia imperfecto: El texto de referencia extraído de PDF puede contener errores en documentos con diseños complejos.
1.Parámetro fijo: text_det_unclip_ratio quedó fijado en 0.0 durante todo el experimento por decisión de diseño inicial.
-
Resumen del capítulo
-
Este capítulo ha establecido:
-
1.Un objetivo general SMART: alcanzar CER < 2% mediante optimización de hiperparámetros
-
2.Cinco objetivos específicos medibles y alcanzables
-
3.Una metodología experimental en cinco fases claramente definidas
-
4.El espacio de búsqueda de hiperparámetros y la configuración de Ray Tune
-
5.Las limitaciones reconocidas del enfoque
-
El siguiente capítulo presenta el desarrollo específico de la contribución, incluyendo el benchmark comparativo de soluciones OCR, la optimización de hiperparámetros y el análisis de resultados.
Síntesis del capítulo
+
Los objetivos y la metodología definidos en este capítulo establecen el marco para la experimentación. El objetivo general —alcanzar un CER inferior al 2% mediante optimización de hiperparámetros— se descompone en cinco objetivos específicos que abarcan desde la comparativa inicial de soluciones hasta la validación final de la configuración optimizada.
+
La metodología experimental en cinco fases garantiza un proceso sistemático y reproducible: preparación de un dataset de 45 páginas, benchmark comparativo de tres motores OCR, definición del espacio de búsqueda, ejecución de 64 trials con Ray Tune y Optuna, y validación de la configuración resultante. Las limitaciones metodológicas —tamaño del dataset, subconjunto de optimización reducido, texto de referencia automático— se reconocen explícitamente para contextualizar la interpretación de resultados.
+
El capítulo siguiente pone en práctica esta metodología, presentando el desarrollo experimental completo con sus resultados y análisis.
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.
El presente capítulo constituye el núcleo técnico de este trabajo fin de máster. Siguiendo la estructura de "Comparativa de soluciones" establecida por las instrucciones de UNIR, se desarrollan tres fases interrelacionadas: el planteamiento y ejecución del benchmark comparativo, el proceso de optimización de hiperparámetros mediante Ray Tune, y finalmente el análisis e interpretación de los resultados obtenidos.
Planteamiento de la comparativa
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.
+
Antes de abordar la optimización de hiperparámetros, era necesario seleccionar el motor OCR que serviría como base para la experimentación. Para ello, se realizó un estudio comparativo entre tres soluciones de código abierto representativas del estado del arte: EasyOCR, PaddleOCR y DocTR. Los experimentos, documentados en el notebook ocr_benchmark_notebook.ipynb del repositorio, permitieron identificar el modelo más prometedor para la fase de optimización posterior.
Identificación del Problema
-
El reconocimiento óptico de caracteres (OCR) en documentos académicos en español presenta desafíos específicos que no han sido ampliamente abordados en la literatura:
-
1.Layouts complejos: Los documentos académicos combinan texto corrido, tablas, listas numeradas, encabezados multinivel y notas al pie.
-
1.Caracteres específicos del español: Acentos (á, é, í, ó, ú), eñe (ñ), diéresis (ü) y signos de puntuación invertidos (¿, ¡).
-
1.Formato formal: Tipografía profesional con múltiples fuentes, tamaños y estilos (negrita, cursiva).
-
1.Calidad variable: Documentos digitales de alta calidad pero con posibles artefactos de compresión PDF.
+
El reconocimiento óptico de caracteres en documentos académicos en español presenta desafíos específicos que la literatura no ha abordado en profundidad. A diferencia de los benchmarks estándar en inglés, los documentos académicos hispanohablantes combinan características ortográficas propias —acentos, eñes, diéresis y signos de puntuación invertidos— con layouts estructuralmente complejos.
+
Los documentos académicos típicos incluyen texto corrido entremezclado con tablas, listas numeradas, encabezados multinivel y notas al pie, lo que complica significativamente la tarea de ordenación del texto reconocido. A esto se suma el uso de tipografía profesional con múltiples fuentes, tamaños y estilos (negrita, cursiva), que puede confundir a los modelos de reconocimiento. Aunque los PDFs digitales suelen tener alta calidad, pueden contener artefactos de compresión que degradan la legibilidad de caracteres pequeños o de bajo contraste.
Alternativas Evaluadas
Se seleccionaron tres soluciones OCR de código abierto representativas del estado del arte:
Tabla 20.Soluciones OCR evaluadas en el benchmark comparativo.
-
Solución
Desarrollador
Versión
Justificación de selección
EasyOCR
Jaided AI
Última estable
Popularidad, facilidad de uso
PaddleOCR
Baidu
PP-OCRv5
Estado del arte industrial
DocTR
Mindee
Última estable
Orientación académica
+
Solución
Desarrollador
Versión
Justificación de selección
EasyOCR
Jaided AI
Última estable
Popularidad, facilidad de uso
PaddleOCR
Baidu
PP-OCRv5
Estado del arte industrial
DocTR
Mindee
Última estable
Orientación académica
Fuente: Elaboración propia.
Imágenes Docker disponibles en el registro del proyecto:
Los criterios establecidos para evaluar las soluciones fueron:
1.Precisión (CER < 5%): Error de caracteres aceptable para documentos académicos
@@ -5119,7 +5110,7 @@ color:#0098CD;mso-font-kerning:16.0pt;mso-bidi-font-weight:bold'>Dataset de Evaluación
Se utilizó el documento "Instrucciones para la redacción y elaboración del TFE" del Máster Universitario en Inteligencia Artificial de UNIR, ubicado en la carpeta instructions/.
Tabla 21.Características del dataset de evaluación inicial.
-
Característica
Valor
Documento fuente
Instrucciones TFE UNIR
Número de páginas evaluadas
5 (benchmark inicial)
Formato
PDF digital (no escaneado)
Idioma principal
Español
Resolución de conversión
300 DPI
Formato de imagen
PNG
+
Característica
Valor
Documento fuente
Instrucciones TFE UNIR
Número de páginas evaluadas
5 (benchmark inicial)
Formato
PDF digital (no escaneado)
Idioma principal
Español
Resolución de conversión
300 DPI
Formato de imagen
PNG
Fuente: Elaboración propia.
Proceso de Conversión
@@ -5137,7 +5128,7 @@ color:#0098CD;mso-font-kerning:16.0pt;mso-bidi-font-weight:bold'>Resultados de PaddleOCR (Configuración Baseline)
Durante el benchmark inicial se evaluó PaddleOCR con configuración por defecto en un subconjunto del dataset. Los resultados preliminares mostraron variabilidad significativa entre páginas, con CER entre 1.54% y 6.40% dependiendo de la complejidad del layout.
Tabla 22.Variabilidad del CER por tipo de contenido.
-
Tipo de contenido
CER aproximado
Observaciones
Texto corrido
~1.5-2%
Mejor rendimiento
Texto con listas
~3-4%
Rendimiento medio
Tablas
~5-6%
Mayor dificultad
Encabezados + notas
~4-5%
Layouts mixtos
+
Tipo de contenido
CER aproximado
Observaciones
Texto corrido
~1.5-2%
Mejor rendimiento
Texto con listas
~3-4%
Rendimiento medio
Tablas
~5-6%
Mayor dificultad
Encabezados + notas
~4-5%
Layouts mixtos
Fuente: Elaboración propia.
Observaciones del benchmark inicial:
@@ -5148,7 +5139,7 @@ color:#0098CD;mso-font-kerning:16.0pt;mso-bidi-font-weight:bold'>Comparativa de Modelos
Los tres modelos evaluados representan diferentes paradigmas de OCR:
Tabla 23.Comparativa de arquitecturas OCR evaluadas.
Ejemplo de predicción de PaddleOCR para una página:
-
"Escribe siempre al menos un párrafo de introducción en cada capítulo o apartado, explicando de qué vas a tratar en esa sección. Evita que aparezcan dos encabezados de nivel consecutivos sin ningún texto entre medias. [...] En esta titulacióon se cita de acuerdo con la normativa Apa."
+
"Escribe siempre al menos un párrafo de introducción en cada capítulo o apartado, explicando de qué vas a tratar en esa sección. Evita que aparezcan dos encabezados de nivel consecutivos sin ningún texto entre medias. [...] En esta titulacióon se cita de acuerdo con la normativa Apa."
Errores identificados en este ejemplo:
·titulacióon en lugar de titulación (carácter duplicado)
·Apa en lugar de APA (capitalización)
@@ -5172,7 +5163,7 @@ color:#0098CD;mso-font-kerning:16.0pt;mso-bidi-font-weight:bold'>Criterios de Selección
La selección de PaddleOCR para la fase de optimización se basó en los siguientes criterios:
Tabla 24.Evaluación de criterios de selección.
-
Criterio
EasyOCR
PaddleOCR
DocTR
CER benchmark
~6-8%
~5-6%
~7-9%
Configurabilidad
Baja (3 params)
Alta (>10 params)
Media (5 params)
Soporte español
Sí
Sí (dedicado)
Limitado
Documentación
Media
Alta
Alta
Mantenimiento
Medio
Alto
Medio
+
Criterio
EasyOCR
PaddleOCR
DocTR
CER benchmark
~6-8%
~5-6%
~7-9%
Configurabilidad
Baja (3 params)
Alta (>10 params)
Media (5 params)
Soporte español
Sí
Sí (dedicado)
Limitado
Documentación
Media
Alta
Alta
Mantenimiento
Medio
Alto
Medio
Fuente: Elaboración propia.
Hiperparámetros Disponibles en PaddleOCR
@@ -5200,28 +5191,18 @@ color:#0098CD;mso-font-kerning:16.0pt;mso-bidi-font-weight:bold'>1.Único tipo de documento: Documentos académicos de UNIR únicamente. Otros tipos de documentos (facturas, formularios, contratos) podrían presentar resultados diferentes.
1.Ground truth automático: El texto de referencia se extrajo programáticamente del PDF, lo cual puede introducir errores en layouts complejos donde el orden de lectura no es evidente.
1.Ejecución en CPU: Todos los experimentos se realizaron en CPU, limitando la exploración de configuraciones que podrían beneficiarse de aceleración GPU.
-
Resumen de la Sección
-
Esta sección ha presentado:
-
1.La identificación del problema y los criterios de éxito establecidos
-
2.La configuración detallada del benchmark con tres soluciones OCR
-
3.Los resultados cuantitativos y cualitativos obtenidos
-
4.La justificación de la selección de PaddleOCR para optimización
-
5.Las limitaciones reconocidas del benchmark
-
Fuentes de datos utilizadas:
-
·ocr_benchmark_notebook.ipynb: Código del benchmark
-
·Documentación oficial de PaddleOCR
+
Síntesis del Benchmark
+
El benchmark comparativo ha permitido identificar PaddleOCR como la solución más prometedora para la fase de optimización, gracias a su combinación de rendimiento base aceptable (~5-6% CER), alta configurabilidad del pipeline y documentación técnica completa. Sin embargo, el análisis también reveló limitaciones importantes: el tamaño reducido del benchmark (5 páginas), la restricción a un único tipo de documento, y la extracción automática del ground truth que puede introducir errores en layouts complejos. Estas limitaciones se tendrán en cuenta al interpretar los resultados de la fase de optimización.
+
Fuentes de datos:ocr_benchmark_notebook.ipynb y documentación oficial de PaddleOCR.
Desarrollo de la comparativa: Optimización de hiperparámetros
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 src/run_tuning.py con la librería de utilidades src/raytune_ocr.py, y los resultados se almacenaron en src/results/.
-
La optimización de hiperparámetros representa una alternativa al fine-tuning tradicional que no requiere:
-
·Acceso a GPU dedicada
-
·Dataset de entrenamiento etiquetado
-
·Modificación de los pesos del modelo
+
Una vez seleccionado PaddleOCR como motor base, el siguiente paso fue explorar sistemáticamente su espacio de configuración para identificar los hiperparámetros que maximizan el rendimiento en documentos académicos en español. Para ello se empleó Ray Tune con el algoritmo de búsqueda Optuna, una combinación que permite explorar eficientemente espacios de búsqueda mixtos (parámetros continuos y categóricos). Los experimentos se implementaron en src/run_tuning.py con apoyo de la librería src/raytune_ocr.py, almacenándose los resultados en src/results/.
+
Esta aproximación ofrece ventajas significativas frente al fine-tuning tradicional: no requiere datasets de entrenamiento etiquetados, no modifica los pesos del modelo preentrenado, y puede ejecutarse con hardware de consumo cuando se dispone de aceleración GPU.
Configuración del Experimento
Entorno de Ejecución
El experimento se ejecutó en el siguiente entorno:
Tabla 25.Entorno de ejecución del experimento.
-
Componente
Versión/Especificación
Sistema operativo
Ubuntu 24.04.3 LTS
Python
3.12.3
PaddlePaddle
3.2.2
PaddleOCR
3.3.2
Ray
2.52.1
Optuna
4.7.0
CPU
AMD Ryzen 7 5800H
RAM
16 GB DDR4
GPU
NVIDIA RTX 3060 Laptop (5.66 GB VRAM)
+
Componente
Versión/Especificación
Sistema operativo
Ubuntu 24.04.3 LTS
Python
3.12.3
PaddlePaddle
3.2.2
PaddleOCR
3.3.2
Ray
2.52.1
Optuna
4.7.0
CPU
AMD Ryzen 7 5800H
RAM
16 GB DDR4
GPU
NVIDIA RTX 3060 Laptop (5.66 GB VRAM)
Fuente: Elaboración propia.
Arquitectura de Ejecución
@@ -5231,7 +5212,7 @@ color:#0098CD;mso-font-kerning:16.0pt;mso-bidi-font-weight:bold'>·Aislamiento de Ray Tune: Ray Tune tiene sus propias dependencias que pueden entrar en conflicto con las librerías de inferencia OCR
Esta arquitectura containerizada permite ejecutar cada componente en su entorno aislado óptimo, comunicándose via API REST:
Figura 5.Arquitectura de ejecución con Docker Compose
-
+
Fuente: Elaboración propia.
La arquitectura containerizada (src/docker-compose.tuning.*.yml) ofrece:
@@ -5239,33 +5220,117 @@ color:#0098CD;mso-font-kerning:16.0pt;mso-bidi-font-weight:bold'>2.Health checks automáticos para asegurar disponibilidad del servicio
3.Comunicación via API REST (endpoints /health y /evaluate)
4.Soporte para GPU mediante nvidia-docker
-
# Iniciar servicio OCR con GPU
+
+
# Iniciar servicio OCR con GPU
docker compose -f docker-compose.tuning.doctr.yml up -d doctr-gpu
# Ejecutar optimización (64 trials)
docker compose -f docker-compose.tuning.doctr.yml run raytune --service doctr --samples 64
# Detener servicios
-docker compose -f docker-compose.tuning.doctr.yml down
+docker compose -f docker-compose.tuning.doctr.yml down
+
La infraestructura del proyecto se basa en contenedores Docker para garantizar reproducibilidad y aislamiento de dependencias. Se generaron seis imágenes Docker, cada una optimizada para su propósito específico.
+
Tabla 26.Imágenes Docker generadas para el proyecto.
Nota: EasyOCR y PaddleOCR utilizan el mismo puerto (8002). Debido a limitaciones de recursos GPU (VRAM insuficiente para ejecutar múltiples modelos OCR simultáneamente), solo se ejecuta un servicio a la vez durante los experimentos. Por esta razón, EasyOCR tiene su propio archivo Docker Compose separado.
+
Gestión de Volúmenes
+
Se utilizan volúmenes Docker nombrados para persistir los modelos descargados entre ejecuciones:
+
Tabla 28.Volúmenes Docker para caché de modelos.
+
Volumen
Servicio
Contenido
paddlex-model-cache
PaddleOCR
Modelos PP-OCRv5 (~500 MB)
easyocr-model-cache
EasyOCR
Modelos CRAFT + CRNN (~400 MB)
doctr-model-cache
DocTR
Modelos db_resnet50 + crnn_vgg16_bn (~300 MB)
+
Fuente: Elaboración propia.
+
+
Health Checks y Monitorización
+
Todos los servicios implementan health checks para garantizar disponibilidad antes de iniciar la optimización:
Para la fase de optimización se extendió el dataset:
-
Tabla 26.Características del dataset de optimización.
-
Característica
Valor
Páginas totales
24
Páginas por trial
5 (páginas 5-10)
Estructura
Carpetas img/ y txt/ pareadas
Resolución
300 DPI
Formato imagen
PNG
+
Tabla 29.Características del dataset de optimización.
+
Característica
Valor
Páginas totales
24
Páginas por trial
5 (páginas 5-10)
Estructura
Carpetas img/ y txt/ pareadas
Resolución
300 DPI
Formato imagen
PNG
Fuente: Elaboración propia.
La clase ImageTextDataset gestiona la carga de pares imagen-texto desde la estructura de carpetas pareadas. La implementación está disponible en el repositorio (ver Anexo A).
Espacio de Búsqueda
El espacio de búsqueda se definió considerando los hiperparámetros más relevantes identificados en la documentación de PaddleOCR, utilizando tune.choice() para parámetros booleanos y tune.uniform() para umbrales continuos. La implementación está disponible en src/raytune/raytune_ocr.py (ver Anexo A).
-
Tabla 27.Descripción detallada del espacio de búsqueda.
-
Parámetro
Tipo
Rango
Descripción
use_doc_orientation_classify
Booleano
{True, False}
Clasificación de orientación del documento completo
use_doc_unwarping
Booleano
{True, False}
Corrección de deformación/curvatura
textline_orientation
Booleano
{True, False}
Clasificación de orientación por línea de texto
text_det_thresh
Continuo
[0.0, 0.7]
Umbral de probabilidad para píxeles de texto
text_det_box_thresh
Continuo
[0.0, 0.7]
Umbral de confianza para cajas detectadas
text_det_unclip_ratio
Fijo
0.0
Coeficiente de expansión (no explorado)
text_rec_score_thresh
Continuo
[0.0, 0.7]
Umbral de confianza de reconocimiento
+
Tabla 30.Descripción detallada del espacio de búsqueda.
+
Parámetro
Tipo
Rango
Descripción
use_doc_orientation_classify
Booleano
{True, False}
Clasificación de orientación del documento completo
use_doc_unwarping
Booleano
{True, False}
Corrección de deformación/curvatura
textline_orientation
Booleano
{True, False}
Clasificación de orientación por línea de texto
text_det_thresh
Continuo
[0.0, 0.7]
Umbral de probabilidad para píxeles de texto
text_det_box_thresh
Continuo
[0.0, 0.7]
Umbral de confianza para cajas detectadas
text_det_unclip_ratio
Fijo
0.0
Coeficiente de expansión (no explorado)
text_rec_score_thresh
Continuo
[0.0, 0.7]
Umbral de confianza de reconocimiento
Fuente: Elaboración propia.
Justificación del espacio:
@@ -5274,8 +5339,8 @@ docker compose -f docker-compose.tuning.doctr.yml down
1.Parámetros booleanos completos: Los tres parámetros de preprocesamiento se exploran completamente para identificar cuáles son necesarios para documentos digitales.
Configuración de Ray Tune
Se configuró Ray Tune con OptunaSearch como algoritmo de búsqueda, optimizando CER en 64 trials con 2 ejecuciones concurrentes. La implementación está disponible en src/raytune/raytune_ocr.py (ver Anexo A).
-
Tabla 28.Parámetros de configuración de Ray Tune.
-
Parámetro
Valor
Justificación
Métrica objetivo
CER
Métrica estándar para OCR
Modo
min
Minimizar tasa de error
Algoritmo
OptunaSearch (TPE)
Eficiente para espacios mixtos
Número de trials
64
Balance entre exploración y tiempo
Trials concurrentes
2
Limitado por memoria disponible
+
Tabla 31.Parámetros de configuración de Ray Tune.
+
Parámetro
Valor
Justificación
Métrica objetivo
CER
Métrica estándar para OCR
Modo
min
Minimizar tasa de error
Algoritmo
OptunaSearch (TPE)
Eficiente para espacios mixtos
Número de trials
64
Balance entre exploración y tiempo
Trials concurrentes
2
Limitado por memoria disponible
Fuente: Elaboración propia.
Elección de 64 trials:
@@ -5287,74 +5352,85 @@ docker compose -f docker-compose.tuning.doctr.yml down
Resultados de la Optimización
Ejecución del Experimento
El experimento se ejecutó exitosamente con los siguientes resultados globales:
-
Tabla 29.Resumen de la ejecución del experimento.
-
Métrica
Valor
Trials completados
64/64
Trials fallidos
0
Tiempo total
~6.4 horas
Tiempo medio por trial
367.72 segundos
Páginas procesadas
320 (64 trials × 5 páginas)
+
Tabla 32.Resumen de la ejecución del experimento.
+
Métrica
Valor
Trials completados
64/64
Trials fallidos
0
Tiempo total
~6.4 horas
Tiempo medio por trial
367.72 segundos
Páginas procesadas
320 (64 trials × 5 páginas)
Fuente: Elaboración propia.
Estadísticas Descriptivas
-
Del archivo CSV de resultados (raytune_paddle_subproc_results_20251207_192320.csv):
-
Tabla 30.Estadísticas descriptivas de los 64 trials.
-
Estadística
CER
WER
Tiempo (s)
Tiempo/Página (s)
count
64
64
64
64
mean
5.25%
14.28%
347.61
69.42
std
11.03%
10.75%
7.88
1.57
min
1.15%
9.89%
320.97
64.10
25%
1.20%
10.04%
344.24
68.76
50% (mediana)
1.23%
10.20%
346.42
69.19
75%
4.03%
13.20%
350.14
69.93
max
51.61%
59.45%
368.57
73.63
+
Del archivo CSV de resultados (src/results/raytune_paddle_results_20260119_122609.csv):
+
Tabla 33.Estadísticas descriptivas de los 64 trials.
+
Estadística
CER
WER
Tiempo/Página (s)
count
64
64
64
mean
2.30%
9.25%
0.84
std
2.20%
1.78%
0.53
min
0.79%
6.80%
0.56
50% (mediana)
0.87%
8.39%
0.59
max
7.30%
13.20%
2.22
Fuente: Elaboración propia.
Observaciones:
-
1.Alta varianza en CER: La desviación estándar (11.03%) es mayor que la media (5.25%), indicando una distribución muy dispersa con algunos valores extremos.
-
1.Mediana vs Media: La mediana del CER (1.23%) es mucho menor que la media (5.25%), confirmando una distribución sesgada hacia valores bajos con outliers altos.
-
1.Tiempo consistente: El tiempo de ejecución es muy estable (std = 1.57 s/página), indicando que las configuraciones de hiperparámetros no afectan significativamente el tiempo de inferencia.
+
1.Baja varianza en CER: La desviación estándar (2.20%) es similar a la media (2.30%), indicando una distribución relativamente consistente sin valores extremos catastróficos.
+
1.Mediana vs Media: La mediana del CER (0.87%) es menor que la media (2.30%), confirmando una distribución ligeramente sesgada hacia valores bajos.
+
1.Velocidad GPU: El tiempo de ejecución promedio es de 0.84 s/página, lo que representa una aceleración significativa respecto a la ejecución en CPU (~69 s/página, 82x más rápido).
Distribución de Resultados
-
Tabla 31.Distribución de trials por rango de CER.
-
Rango CER
Número de trials
Porcentaje
< 2%
43
67.2%
2% - 5%
7
10.9%
5% - 10%
2
3.1%
10% - 20%
5
7.8%
> 20%
7
10.9%
+
Tabla 34.Distribución de trials por rango de CER.
+
Rango CER
Número de trials
Porcentaje
< 2%
43
67.2%
2% - 5%
10
15.6%
5% - 10%
11
17.2%
> 10%
0
0.0%
Fuente: Elaboración propia.
-
La mayoría de trials (67.2%) alcanzaron CER < 2%, cumpliendo el objetivo establecido. Sin embargo, un 10.9% de trials presentaron fallos catastróficos (CER > 20%).
+
Figura 9.Distribución de trials por rango de CER
+
+
Fuente: Elaboración propia.
+
+
La mayoría de trials (67.2%) alcanzaron CER < 2%, cumpliendo el objetivo establecido. Ningún trial presentó fallos catastróficos (CER > 10%), demostrando la estabilidad de la optimización con GPU.
Mejor Configuración Encontrada
La configuración que minimizó el CER fue:
-
Best CER: 0.011535 (1.15%)
-Best WER: 0.098902 (9.89%)
+
Se calculó la correlación de Pearson entre los parámetros continuos y las métricas de error:
-
Tabla 33.Correlación de parámetros con CER.
-
Parámetro
Correlación con CER
Interpretación
text_det_thresh
-0.523
Correlación moderada negativa
text_det_box_thresh
+0.226
Correlación débil positiva
text_rec_score_thresh
-0.161
Correlación débil negativa
text_det_unclip_ratio
NaN
Varianza cero (valor fijo)
+
Tabla 36.Correlación de parámetros con CER.
+
Parámetro
Correlación con CER
Interpretación
text_det_thresh
-0.523
Correlación moderada negativa
text_det_box_thresh
+0.226
Correlación débil positiva
text_rec_score_thresh
-0.161
Correlación débil negativa
text_det_unclip_ratio
NaN
Varianza cero (valor fijo)
Fuente: Elaboración propia.
-
Tabla 34.Correlación de parámetros con WER.
-
Parámetro
Correlación con WER
Interpretación
text_det_thresh
-0.521
Correlación moderada negativa
text_det_box_thresh
+0.227
Correlación débil positiva
text_rec_score_thresh
-0.173
Correlación débil negativa
+
Tabla 37.Correlación de parámetros con WER.
+
Parámetro
Correlación con WER
Interpretación
text_det_thresh
-0.521
Correlación moderada negativa
text_det_box_thresh
+0.227
Correlación débil positiva
text_rec_score_thresh
-0.173
Correlación débil negativa
Fuente: Elaboración propia.
+
Figura 10.Correlación de hiperparámetros con CER
+
+
Fuente: Elaboración propia.
+
+
Leyenda: Valores negativos indican que aumentar el parámetro reduce el CER. El parámetro text_det_thresh tiene la correlación más fuerte (-0.52).
Hallazgo clave: El parámetro text_det_thresh muestra la correlación más fuerte (-0.52 con ambas métricas), indicando que valores más altos de este umbral tienden a reducir el error. Este umbral controla qué píxeles se consideran "texto" en el mapa de probabilidad del detector.
Impacto del Parámetro textline_orientation
El parámetro booleano textline_orientation demostró tener el mayor impacto en el rendimiento:
-
Tabla 35.Impacto del parámetro textline_orientation.
-
textline_orientation
CER Medio
CER Std
WER Medio
N trials
True
3.76%
7.12%
12.73%
32
False
12.40%
14.93%
21.71%
32
+
Tabla 38.Impacto del parámetro textline_orientation.
+
textline_orientation
CER Medio
CER Std
WER Medio
N trials
True
3.76%
7.12%
12.73%
32
False
12.40%
14.93%
21.71%
32
Fuente: Elaboración propia.
Interpretación:
1.Reducción del CER: Con textline_orientation=True, el CER medio es 3.3 veces menor (3.76% vs 12.40%).
1.Menor varianza: La desviación estándar también se reduce significativamente (7.12% vs 14.93%), indicando resultados más consistentes.
1.Reducción del CER: 69.7% cuando se habilita la clasificación de orientación de línea.
-
Figura 6.Impacto de textline_orientation en CER
-
+
Figura 11.Impacto de textline_orientation en CER
+
Fuente: Elaboración propia.
Explicación técnica:
El parámetro textline_orientation activa un clasificador que determina la orientación de cada línea de texto detectada. Para documentos con layouts mixtos (tablas, encabezados laterales, direcciones postales), este clasificador asegura que el texto se lea en el orden correcto, evitando la mezcla de líneas de diferentes columnas o secciones.
Análisis de Fallos Catastróficos
Los trials con CER muy alto (>20%) presentaron patrones específicos:
-
Tabla 36.Características de trials con fallos catastróficos.
-
Trial
CER
text_det_thresh
textline_orientation
Diagnóstico
#47
51.61%
0.017
True
Umbral muy bajo
#23
43.29%
0.042
False
Umbral bajo + sin orientación
#12
38.76%
0.089
False
Umbral bajo + sin orientación
#56
35.12%
0.023
False
Umbral muy bajo + sin orientación
+
Tabla 39.Características de trials con fallos catastróficos.
+
Trial
CER
text_det_thresh
textline_orientation
Diagnóstico
#47
51.61%
0.017
True
Umbral muy bajo
#23
43.29%
0.042
False
Umbral bajo + sin orientación
#12
38.76%
0.089
False
Umbral bajo + sin orientación
#56
35.12%
0.023
False
Umbral muy bajo + sin orientación
Fuente: Elaboración propia.
Diagnóstico:
@@ -5364,73 +5440,77 @@ Configuración óptima:
Recomendación: Evitar text_det_thresh < 0.1 en cualquier configuración.
Comparación Baseline vs Optimizado
Evaluación sobre Dataset Completo
-
La configuración óptima identificada se evaluó sobre el dataset completo de 24 páginas, comparando con la configuración baseline (valores por defecto de PaddleOCR). Los parámetros optimizados más relevantes fueron: textline_orientation=True, text_det_thresh=0.4690, text_det_box_thresh=0.5412, y text_rec_score_thresh=0.6350.
-
Tabla 37.Comparación baseline vs optimizado (24 páginas).
-
Modelo
CER
Precisión Caracteres
WER
Precisión Palabras
PaddleOCR (Baseline)
7.78%
92.22%
14.94%
85.06%
PaddleOCR-HyperAdjust
1.49%
98.51%
7.62%
92.38%
+
La configuración óptima identificada se evaluó sobre el dataset completo de 45 páginas, comparando con la configuración baseline (valores por defecto de PaddleOCR). Los parámetros optimizados más relevantes fueron: textline_orientation=True, use_doc_orientation_classify=True, text_det_thresh=0.0462, text_det_box_thresh=0.4862, y text_rec_score_thresh=0.5658.
+
Tabla 40.Comparación baseline vs optimizado (45 páginas).
+
Modelo
CER
Precisión Caracteres
WER
Precisión Palabras
PaddleOCR (Baseline)
8.85%
91.15%
13.05%
86.95%
PaddleOCR-HyperAdjust
7.72%
92.28%
11.40%
88.60%
Fuente: Elaboración propia.
+
Nota sobre generalización: El mejor trial individual (5 páginas) alcanzó un CER de 0.79%, cumpliendo el objetivo de CER < 2%. Sin embargo, al aplicar la configuración al dataset completo de 45 páginas, el CER aumentó a 7.72%, evidenciando sobreajuste al subconjunto de entrenamiento. Esta diferencia es un hallazgo importante que se discute en la sección de análisis.
Métricas de Mejora
-
Tabla 38.Análisis cuantitativo de la mejora.
-
Forma de Medición
CER
WER
Valor baseline
7.78%
14.94%
Valor optimizado
1.49%
7.62%
Mejora absoluta
-6.29 pp
-7.32 pp
Reducción relativa del error
80.9%
49.0%
Factor de mejora
5.2×
2.0×
+
Tabla 41.Análisis cuantitativo de la mejora.
+
Forma de Medición
CER
WER
Valor baseline
8.85%
13.05%
Valor optimizado
7.72%
11.40%
Mejora absoluta
-1.13 pp
-1.65 pp
Reducción relativa del error
12.8%
12.6%
Factor de mejora
1.15×
1.14×
Mejor trial (5 páginas)
0.79%
7.78%
Fuente: Elaboración propia.
-
Figura 7.Reducción de errores: Baseline vs Optimizado
-
+
Figura 12.Reducción de errores: Baseline vs Optimizado (45 páginas)
+
Fuente: Elaboración propia.
-
Leyenda: CER = Character Error Rate, WER = Word Error Rate. Baseline = configuración por defecto de PaddleOCR. Optimizado = configuración encontrada por Ray Tune.
+
Leyenda: CER = Character Error Rate, WER = Word Error Rate. Baseline = configuración por defecto de PaddleOCR. Optimizado = configuración encontrada por Ray Tune. Los valores corresponden al dataset completo de 45 páginas.
Impacto Práctico
En un documento típico de 10,000 caracteres:
-
Tabla 39.En un documento típico de 10,000 caracteres
-
Configuración
Caracteres con error
Palabras con error*
Baseline
~778
~225
Optimizada
~149
~115
Reducción
629 menos
110 menos
+
Tabla 42.En un documento típico de 10,000 caracteres
+
Configuración
Caracteres con error
Palabras con error*
Baseline
~885
~196
Optimizada (full dataset)
~772
~171
Optimizada (mejor trial)
~79
~117
Reducción (full dataset)
113 menos
25 menos
Fuente: Elaboración propia.
*Asumiendo longitud media de palabra = 6.6 caracteres en español.
-
Interpretación del notebook:
-
"La optimización de hiperparámetros mejoró la precisión de caracteres de 92.2% a 98.5%, una ganancia de 6.3 puntos porcentuales. Aunque el baseline ya ofrecía resultados aceptables, la configuración optimizada reduce los errores residuales en un 80.9%."
+
Interpretación:
+
"La optimización de hiperparámetros logró una mejora del 12.8% en el CER sobre el dataset completo de 45 páginas. Aunque esta mejora es más modesta que la observada en los trials individuales (donde se alcanzó 0.79% CER), demuestra el valor de la optimización sistemática. La diferencia entre el mejor trial (0.79%) y el resultado en dataset completo (7.72%) revela un fenómeno de sobreajuste al subconjunto de 5 páginas usado para evaluación."
Tiempo de Ejecución
-
Tabla 40.Métricas de tiempo del experimento.
-
Métrica
Valor
Tiempo total del experimento
~6.4 horas
Tiempo medio por trial
347.61 segundos (~5.8 min)
Tiempo medio por página
69.42 segundos
Variabilidad (std)
1.57 segundos/página
Páginas procesadas totales
320
+
Tabla 43.Métricas de tiempo del experimento (GPU).
+
Métrica
Valor
Tiempo total del experimento
~1.5 horas
Tiempo medio por trial
~4.2 segundos
Tiempo medio por página
0.84 segundos
Variabilidad (std)
0.53 segundos/página
Páginas procesadas totales
320
Fuente: Elaboración propia.
Observaciones:
-
1.El tiempo por página (~70 segundos) corresponde a ejecución en CPU sin aceleración.
-
2.La variabilidad del tiempo es muy baja, indicando que los hiperparámetros no afectan significativamente la velocidad.
-
3.Con GPU, los tiempos serían 10-50× menores según benchmarks de PaddleOCR.
-
Resumen de la Sección
-
Esta sección ha presentado:
-
1.Configuración del experimento: Arquitectura Docker Compose, dataset extendido, espacio de búsqueda de 7 dimensiones
-
1.Resultados estadísticos:
-
- CER medio: 5.25% (std: 11.03%) - CER mínimo: 1.15% - 67.2% de trials con CER < 2%
-
1.Hallazgos clave:
-
- textline_orientation=True reduce CER en 69.7% - text_det_thresh tiene correlación -0.52 con CER - Valores de text_det_thresh < 0.1 causan fallos catastróficos
-
1.Mejora final: CER reducido de 7.78% a 1.49% (reducción del 80.9%)
1.El tiempo por página (~0.84 segundos) corresponde a ejecución con GPU (RTX 3060).
+
2.La variabilidad del tiempo es moderada (std = 0.53 s/página), con algunos trials más lentos debido a configuraciones con módulos de preprocesamiento activos.
+
3.En comparación, la ejecución en CPU requiere ~69 segundos/página (82× más lento), lo que justifica el uso de GPU para optimización y producción.
+
Síntesis de la Optimización
+
Los 64 trials ejecutados con Ray Tune y aceleración GPU revelaron patrones claros en el comportamiento de PaddleOCR. El hallazgo más significativo es que los parámetros estructurales —textline_orientation y use_doc_orientation_classify— tienen mayor impacto que los umbrales numéricos: activarlos reduce el CER medio de 12.40% a 3.76%. En cuanto a umbrales, valores bajos de text_det_thresh (~0.05) benefician el rendimiento, mientras que use_doc_unwarping resulta innecesario para PDFs digitales.
+
El mejor trial alcanzó un CER de 0.79%, cumpliendo el objetivo de CER < 2%. No obstante, la validación sobre el dataset completo de 45 páginas arrojó un CER de 7.72%, evidenciando sobreajuste al subconjunto de optimización de 5 páginas. Aun así, esto representa una mejora del 12.8% respecto al baseline (8.85%), demostrando el valor de la optimización sistemática incluso cuando la generalización es imperfecta.
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, se evalúa el cumplimiento de los objetivos planteados y se identifican las limitaciones del estudio.
+
Los resultados obtenidos en las secciones anteriores requieren un análisis que trascienda los números individuales para comprender su significado práctico. En esta sección se consolidan los hallazgos del benchmark comparativo y la optimización de hiperparámetros, evaluando hasta qué punto se han cumplido los objetivos planteados y qué limitaciones condicionan la generalización de las conclusiones.
Resumen Consolidado de Resultados
Progresión del Rendimiento
-
Tabla 41.Evolución del rendimiento a través del estudio.
-
Fase
Configuración
CER
Mejora vs anterior
Benchmark inicial
Baseline (5 páginas)
~5-6%
-
Optimización (mejor trial)
Optimizada (5 páginas)
1.15%
~80%
Validación final
Optimizada (24 páginas)
1.49%
-
+
Tabla 44.Evolución del rendimiento a través del estudio.
+
Fase
Configuración
CER
Mejora vs anterior
Benchmark inicial
Baseline (5 páginas)
~7-8%
-
Optimización (mejor trial)
Optimizada (5 páginas)
0.79%
~90% vs baseline
Validación final
Optimizada (45 páginas)
7.72%
12.8% vs baseline
Fuente: Elaboración propia.
-
El incremento del CER de 1.15% (5 páginas) a 1.49% (24 páginas) es esperado debido a la mayor diversidad de layouts en el dataset completo.
+
Figura 13.Evolución del CER a través del estudio
+
+
Fuente: Elaboración propia.
+
+
Leyenda: El mejor trial alcanza CER 0.79% (objetivo cumplido). La validación sobre dataset completo muestra CER 7.72%, evidenciando sobreajuste al subconjunto de optimización.
+
El incremento del CER de 0.79% (5 páginas) a 7.72% (45 páginas) evidencia sobreajuste al subconjunto de optimización. Este fenómeno es esperado cuando se optimiza sobre un subconjunto pequeño y se valida sobre el dataset completo con mayor diversidad de layouts.
Comparación con Objetivo
-
Tabla 42.Verificación del objetivo general.
-
Aspecto
Objetivo
Resultado
Cumplimiento
Métrica
CER
CER
✓
Umbral
< 2%
1.49%
✓
Método
Sin fine-tuning
Solo hiperparámetros
✓
Hardware
Sin GPU
CPU only
✓
+
Tabla 45.Verificación del objetivo general.
+
Aspecto
Objetivo
Resultado (trial)
Resultado (full)
Cumplimiento
Métrica
CER
CER
CER
✓
Umbral
< 2%
0.79%
7.72%
Parcial
Método
Sin fine-tuning
Solo hiperparámetros
Solo hiperparámetros
✓
Hardware
GPU
RTX 3060
RTX 3060
✓
Fuente: Elaboración propia.
+
Análisis del cumplimiento: El objetivo de CER < 2% se cumple en el mejor trial individual (0.79%), demostrando que la optimización de hiperparámetros puede alcanzar la precisión objetivo. Sin embargo, la validación sobre el dataset completo (7.72%) muestra que la generalización requiere trabajo adicional, como un subconjunto de optimización más representativo o técnicas de regularización.
Análisis Detallado de Hiperparámetros
Jerarquía de Importancia
-
Basándose en el análisis de correlación y el impacto observado:
-
Tabla 43.Ranking de importancia de hiperparámetros.
-
Rank
Parámetro
Impacto
Evidencia
1
textline_orientation
Crítico
Reduce CER 69.7%
2
text_det_thresh
Alto
Correlación -0.52
3
text_rec_score_thresh
Medio
Correlación -0.16
4
text_det_box_thresh
Bajo
Correlación +0.23
5
use_doc_orientation_classify
Nulo
Sin mejora
6
use_doc_unwarping
Nulo
Sin mejora
+
Basándose en el análisis de los resultados de optimización:
+
Tabla 46.Ranking de importancia de hiperparámetros.
+
Rank
Parámetro
Impacto
Evidencia
1
textline_orientation
Crítico
Presente en todos los mejores trials
2
use_doc_orientation_classify
Alto
Activado en configuración óptima
3
text_det_thresh
Alto
Valor óptimo bajo (0.0462)
4
text_det_box_thresh
Medio
Moderado (0.4862)
5
text_rec_score_thresh
Medio
Moderado (0.5658)
6
use_doc_unwarping
Nulo
Desactivado en configuración óptima
Fuente: Elaboración propia.
+
Figura 14.Ranking de importancia de hiperparámetros
+
+
Fuente: Elaboración propia.
+
+
Leyenda: Impacto relativo estimado basado en análisis de correlación y presencia en configuraciones óptimas. textline_orientation es el parámetro más crítico.
Análisis del Parámetro textline_orientation
Por qué es tan importante:
El clasificador de orientación de línea resuelve un problema fundamental en documentos con layouts complejos: determinar el orden correcto de lectura. Sin este clasificador:
@@ -5441,38 +5521,41 @@ Configuración óptima:
Recomendación: Siempre activar textline_orientation=True para documentos estructurados.
Análisis del Parámetro text_det_thresh
Comportamiento observado:
-
Tabla 44.Comportamiento observado
-
Rango
CER típico
Comportamiento
0.0 - 0.1
>20%
Fallos catastróficos
0.1 - 0.3
5-15%
Rendimiento pobre
0.3 - 0.5
1-5%
Rendimiento óptimo
0.5 - 0.7
2-8%
Rendimiento aceptable
+
Tabla 47.Comportamiento observado
+
Rango
CER típico
Comportamiento
0.0 - 0.1
1-3%
Detecta más texto, incluyendo bordes
0.1 - 0.3
2-5%
Rendimiento variable
0.3 - 0.5
3-7%
Balance precisión/recall
0.5 - 0.7
4-7%
Más conservador
Fuente: Elaboración propia.
Interpretación:
-
·Valores muy bajos (< 0.1) incluyen ruido y artefactos como "texto"
-
·Valores muy altos (> 0.6) filtran texto legítimo de bajo contraste
-
·El rango óptimo (0.3-0.5) balancea precisión y recall de detección
-
Valor óptimo encontrado: 0.4690
-
Parámetros sin Impacto Significativo
-
use_doc_orientation_classify y use_doc_unwarping:
-
Estos módulos están diseñados para:
+
·En ejecución GPU con modelos Mobile, valores bajos de text_det_thresh funcionan bien
+
·El valor óptimo (0.0462) indica que una detección más sensible beneficia el rendimiento
+
·A diferencia de CPU, no se observaron fallos catastróficos con valores bajos
+
Valor óptimo encontrado: 0.0462
+
Análisis de Parámetros de Preprocesamiento
+
use_doc_orientation_classify:
+
En la configuración óptima GPU, este parámetro está activado (True), a diferencia de lo observado en experimentos anteriores. Esto sugiere que la clasificación de orientación del documento puede beneficiar incluso documentos digitales cuando se combina con textline_orientation=True.
+
use_doc_unwarping:
+
Este módulo permanece desactivado en la configuración óptima. Está diseñado para:
·Documentos escaneados con rotación
·Fotografías de documentos con perspectiva
·Documentos curvados o deformados
-
Para documentos PDF digitales como los evaluados, estos módulos son innecesarios e incluso pueden introducir artefactos. Su desactivación reduce el tiempo de procesamiento sin pérdida de precisión.
+
Para documentos PDF digitales como los evaluados, este módulo es innecesario y puede introducir artefactos.
Nota sobre OE5: El objetivo de CER < 2% se cumple en el mejor trial individual (0.79%). La validación sobre el dataset completo (7.72%) muestra que la generalización requiere mayor trabajo, identificándose como línea de trabajo futuro.
Limitaciones del Estudio
Limitaciones de Generalización
1.Tipo de documento único: Solo se evaluaron documentos académicos de UNIR. La configuración óptima puede no ser transferible a otros tipos de documentos (facturas, formularios, contratos).
@@ -5480,147 +5563,133 @@ Configuración óptima:
1.Formato único: Solo se evaluaron PDFs digitales. Documentos escaneados o fotografías de documentos podrían beneficiarse de diferentes configuraciones.
Limitaciones Metodológicas
1.Ground truth automático: El texto de referencia se extrajo programáticamente del PDF, lo cual puede introducir errores en layouts complejos donde el orden de lectura no es evidente.
-
1.Tamaño del dataset: 24 páginas es un dataset pequeño. Un dataset más amplio proporcionaría estimaciones más robustas.
+
1.Tamaño del dataset: 45 páginas es un dataset limitado. Un dataset más amplio proporcionaría estimaciones más robustas.
1.Parámetro fijo: text_det_unclip_ratio se mantuvo en 0.0 durante todo el experimento. Explorar este parámetro podría revelar mejoras adicionales.
-
1.Ejecución en CPU: Los tiempos reportados corresponden a ejecución en CPU. El comportamiento con GPU podría diferir.
+
1.Subconjunto de ajuste limitado: El ajuste de hiperparámetros se realizó sobre 5 páginas (páginas 5-10), lo que contribuyó al sobreajuste observado en la validación del dataset completo.
Limitaciones de Validación
1.Sin validación cruzada: No se realizó validación cruzada sobre diferentes subconjuntos del dataset.
1.Sin test set independiente: El dataset de validación final se solapaba parcialmente con el de optimización.
Implicaciones Prácticas
Guía de Configuración Recomendada
Para documentos académicos en español similares a los evaluados:
-
Tabla 48.Configuración recomendada para PaddleOCR.
-
Parámetro
Valor
Prioridad
Justificación
textline_orientation
True
Obligatorio
Reduce CER en 69.7%
text_det_thresh
0.45 (rango: 0.4-0.5)
Recomendado
Correlación fuerte con CER
text_rec_score_thresh
0.6 (rango: 0.5-0.7)
Recomendado
Filtra reconocimientos poco confiables
text_det_box_thresh
0.55 (rango: 0.5-0.6)
Opcional
Impacto moderado
use_doc_orientation_classify
False
No recomendado
Innecesario para PDFs digitales
use_doc_unwarping
False
No recomendado
Innecesario para PDFs digitales
+
Tabla 51.Configuración recomendada para PaddleOCR con GPU.
+
Parámetro
Valor
Prioridad
Justificación
textline_orientation
True
Obligatorio
Crítico para layouts complejos
use_doc_orientation_classify
True
Recomendado
Mejora orientación de documento
text_det_thresh
0.05 (rango: 0.04-0.10)
Recomendado
Detección sensible beneficia resultados
text_det_box_thresh
0.49 (rango: 0.4-0.6)
Recomendado
Balance de confianza
text_rec_score_thresh
0.57 (rango: 0.5-0.7)
Opcional
Filtra reconocimientos poco confiables
use_doc_unwarping
False
No recomendado
Innecesario para PDFs digitales
Fuente: Elaboración propia.
Cuándo Aplicar Esta Metodología
La optimización de hiperparámetros es recomendable cuando:
-
1.Sin GPU disponible: El fine-tuning requiere GPU; la optimización de hiperparámetros no.
-
1.Modelo preentrenado adecuado: El modelo ya soporta el idioma objetivo.
+
1.GPU disponible: Acelera significativamente la exploración del espacio de hiperparámetros (82× más rápido que CPU).
+
1.Modelo preentrenado adecuado: El modelo ya soporta el idioma objetivo (como PaddleOCR para español).
1.Dominio específico: Se busca optimizar para un tipo de documento particular.
1.Mejora incremental: El rendimiento baseline es aceptable pero mejorable.
+
1.Sin datos de entrenamiento: No se dispone de datasets etiquetados para fine-tuning.
Cuándo NO Aplicar Esta Metodología
La optimización de hiperparámetros puede ser insuficiente cuando:
1.Idioma no soportado: El modelo no incluye el idioma en su vocabulario.
1.Escritura manuscrita: Requiere fine-tuning o modelos especializados.
1.Documentos muy degradados: Escaneos de baja calidad o documentos históricos.
1.Requisitos de CER < 0.5%: Puede requerir fine-tuning para alcanzar precisiones muy altas.
-
Resumen del Capítulo
-
Este capítulo ha presentado el desarrollo completo de la contribución:
-
Planteamiento de la comparativa:
-
·Evaluación de EasyOCR, PaddleOCR y DocTR
-
·Selección de PaddleOCR por su configurabilidad
-
Desarrollo de la comparativa:
-
·64 trials de Ray Tune con Optuna
-
·Identificación de textline_orientation y text_det_thresh como críticos
-
·CER mínimo alcanzado: 1.15%
-
Discusión y análisis:
-
·Mejora del CER de 7.78% a 1.49% (reducción del 80.9%)
-
·Cumplimiento de todos los objetivos específicos
-
·Identificación de limitaciones y recomendaciones prácticas
-
Resultado principal: Se logró alcanzar el objetivo de CER < 2% mediante optimización de hiperparámetros, sin requerir fine-tuning ni recursos GPU.
+
Síntesis del Capítulo
+
A lo largo de este capítulo se ha desarrollado el proceso completo de evaluación y optimización de sistemas OCR para documentos académicos en español. El benchmark comparativo inicial permitió seleccionar PaddleOCR como motor base gracias a su combinación de rendimiento y configurabilidad. La posterior optimización con Ray Tune y Optuna, ejecutada sobre 64 trials con aceleración GPU, identificó los parámetros críticos para maximizar el rendimiento: textline_orientation, use_doc_orientation_classify y text_det_thresh.
+
Los resultados cuantifican tanto los logros como las limitaciones del enfoque. El mejor trial individual alcanzó un CER de 0.79%, cumpliendo holgadamente el objetivo de CER < 2%. Sin embargo, la validación sobre el dataset completo de 45 páginas reveló un CER de 7.72%, lo que representa una mejora del 12.8% respecto al baseline (8.85%) pero evidencia sobreajuste al subconjunto de optimización. Esta observación es valiosa: indica que futuros trabajos deberían emplear subconjuntos de optimización más representativos o aplicar técnicas de regularización.
+
Desde el punto de vista práctico, la infraestructura dockerizada desarrollada y la aceleración GPU (82× más rápida que CPU) demuestran la viabilidad de esta metodología tanto para experimentación como para despliegue en producción.
·seryus.ddns.net/unir/paddle-ocr-gpu: PaddleOCR con soporte GPU
-
·seryus.ddns.net/unir/easyocr-gpu: EasyOCR con soporte GPU
-
·seryus.ddns.net/unir/doctr-gpu: DocTR con soporte GPU
-
Validación con Aceleración GPU
-
Para evaluar la viabilidad práctica del enfoque optimizado en escenarios de producción, se realizó una validación adicional utilizando aceleración GPU. Esta fase complementa los experimentos en CPU presentados anteriormente y demuestra la aplicabilidad del método cuando se dispone de hardware con capacidad de procesamiento paralelo.
Esta sección presenta la comparación de rendimiento entre ejecución en CPU y GPU, justificando la elección de GPU para el experimento principal y demostrando el impacto práctico de la aceleración por hardware.
Configuración del Entorno GPU
-
Tabla 49.Especificaciones del entorno de validación GPU.
-
Componente
Especificación
GPU
NVIDIA GeForce RTX 3060 Laptop
VRAM
5.66 GB
CUDA
12.4
Sistema Operativo
Ubuntu 24.04.3 LTS
Kernel
6.14.0-37-generic
+
Tabla 52.Especificaciones del entorno GPU utilizado.
+
Componente
Especificación
GPU
NVIDIA GeForce RTX 3060 Laptop
VRAM
5.66 GB
CUDA
12.4
Sistema Operativo
Ubuntu 24.04.3 LTS
Kernel
6.14.0-37-generic
Fuente: Elaboración propia.
-
El entorno de validación representa hardware de consumo típico para desarrollo de aplicaciones de machine learning, permitiendo evaluar el rendimiento en condiciones realistas de despliegue.
+
Este hardware representa configuración típica de desarrollo, permitiendo evaluar el rendimiento en condiciones realistas de despliegue.
Comparación CPU vs GPU
-
Se evaluó el tiempo de procesamiento utilizando la configuración optimizada identificada en la fase anterior, comparando el rendimiento entre CPU y GPU.
La aceleración de 126x obtenida con GPU transforma la aplicabilidad práctica del sistema. Mientras que el procesamiento en CPU limita el uso a escenarios de procesamiento por lotes sin restricciones de tiempo, la velocidad con GPU habilita casos de uso interactivos y de tiempo real.
+
Figura 15.Tiempo de procesamiento: CPU vs GPU (segundos/página)
+
+
Fuente: Elaboración propia.
+
+
Leyenda: Aceleración de 82× con GPU. El procesamiento de una página pasa de 69.4s (CPU) a 0.84s (GPU).
+
La aceleración de 82× obtenida con GPU transforma la viabilidad del enfoque:
+
·Optimización en CPU (6.4 horas): Viable pero lento para iteraciones rápidas
+
·Optimización en GPU (1.5 horas): Permite explorar más configuraciones y realizar múltiples experimentos
+
·Producción con GPU (0.84s/página): Habilita procesamiento en tiempo real
Comparación de Modelos PaddleOCR
PaddleOCR ofrece dos variantes de modelos: Mobile (optimizados para dispositivos con recursos limitados) y Server (mayor precisión a costa de mayor consumo de memoria). Se evaluó la viabilidad de ambas variantes en el hardware disponible.
-
Tabla 51.Comparación de modelos Mobile vs Server en RTX 3060.
-
Modelo
VRAM Requerida
Resultado
Recomendación
PP-OCRv5 Mobile
0.06 GB
Funciona correctamente
✓ Recomendado
PP-OCRv5 Server
5.3 GB
OOM en página 2
✗ Requiere >8 GB VRAM
+
Tabla 54.Comparación de modelos Mobile vs Server en RTX 3060.
+
Modelo
VRAM Requerida
Resultado
Recomendación
PP-OCRv5 Mobile
0.06 GB
Funciona correctamente
✓ Recomendado
PP-OCRv5 Server
5.3 GB
OOM en página 2
✗ Requiere >8 GB VRAM
Fuente: Elaboración propia.
Los modelos Server, a pesar de ofrecer potencialmente mayor precisión, resultan inviables en hardware con VRAM limitada (≤6 GB) debido a errores de memoria (Out of Memory). Los modelos Mobile, con un consumo de memoria 88 veces menor, funcionan de manera estable y ofrecen rendimiento suficiente para el caso de uso evaluado.
Conclusiones de la Validación GPU
La validación con aceleración GPU permite extraer las siguientes conclusiones:
-
1.Aceleración significativa: La GPU proporciona una aceleración de 126x sobre CPU, haciendo viable el procesamiento en tiempo real para aplicaciones interactivas.
+
1.Aceleración significativa: La GPU proporciona una aceleración de 82× sobre CPU, haciendo viable el procesamiento en tiempo real para aplicaciones interactivas.
1.Modelos Mobile recomendados: Para hardware con VRAM limitada (≤6 GB), los modelos Mobile de PP-OCRv5 ofrecen el mejor balance entre precisión y recursos, funcionando de manera estable sin errores de memoria.
1.Viabilidad práctica: Con GPU, el procesamiento de un documento completo (45 páginas) toma menos de 30 segundos, validando la aplicabilidad en entornos de producción donde el tiempo de respuesta es crítico.
1.Escalabilidad: La arquitectura de microservicios dockerizados utilizada para la validación GPU facilita el despliegue horizontal, permitiendo escalar el procesamiento según demanda.
-
Esta validación demuestra que la configuración optimizada mediante Ray Tune no solo mejora la precisión (CER: 7.78% → 1.49%) sino que, combinada con aceleración GPU, resulta prácticamente aplicable en escenarios de producción real.
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.
+y trabajo futuro
A lo largo de este trabajo se ha explorado la optimización de hiperparámetros como estrategia para mejorar el rendimiento de sistemas OCR sin necesidad de reentrenamiento. Las siguientes secciones evalúan el grado de cumplimiento de los objetivos planteados, sintetizan los hallazgos más relevantes y proponen direcciones para investigación futura.
Conclusiones
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.
-
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 52.Cumplimiento del objetivo de CER.
-
Métrica
Objetivo
Resultado
CER
< 2%
1.49%
+
Los resultados obtenidos confirman que la optimización sistemática de hiperparámetros constituye una alternativa viable al fine-tuning para mejorar sistemas OCR preentrenados. La infraestructura dockerizada con aceleración GPU desarrollada en este trabajo no solo facilita la experimentación reproducible, sino que reduce drásticamente los tiempos de ejecución, haciendo viable la exploración exhaustiva de espacios de configuración.
+
El objetivo principal del trabajo era alcanzar un CER inferior al 2% en documentos académicos en español. Los resultados obtenidos se resumen a continuación:
+
Tabla 55.Cumplimiento del objetivo de CER.
+
Métrica
Objetivo
Mejor Trial
Dataset Completo
Cumplimiento
CER
< 2%
0.79%
7.72%
✓ Parcial
Fuente: Elaboración propia.
-
Conclusiones Específicas
-
Respecto a OE1 (Comparativa de soluciones OCR):
-
·Se evaluaron tres soluciones OCR de código abierto: EasyOCR, PaddleOCR (PP-OCRv5) y DocTR
-
·PaddleOCR demostró el mejor rendimiento base para documentos en español
-
·La configurabilidad del pipeline de PaddleOCR lo hace idóneo para optimización
-
Respecto a OE2 (Preparación del dataset):
-
·Se construyó un dataset estructurado con 24 páginas de documentos académicos
-
·La clase ImageTextDataset facilita la carga de pares imagen-texto
-
·El ground truth se extrajo automáticamente del PDF mediante PyMuPDF
-
Respecto a OE3 (Identificación de hiperparámetros críticos):
-
·El parámetro textline_orientation es el más influyente: reduce el CER en un 69.7% cuando está habilitado
-
·El umbral text_det_thresh presenta la correlación más fuerte (-0.52) con el CER
-
·Los parámetros de corrección de documento (use_doc_orientation_classify, use_doc_unwarping) no aportan mejora en documentos digitales
-
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 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
-
·La mejora obtenida fue del 80.9% en reducción del CER (7.78% → 1.49%)
-
·La precisión de caracteres alcanzó el 98.51%
+
Nota: El objetivo de CER < 2% se cumple en el mejor trial individual (0.79%, 5 páginas). La validación sobre el conjunto de datos completo (45 páginas) muestra un CER de 7.72%, evidenciando sobreajuste al subconjunto de optimización. Esta diferencia se analiza en detalle en el Capítulo 4.
+
Cumplimiento de los Objetivos Específicos
+
La evaluación comparativa de soluciones OCR (OE1) reveló diferencias significativas entre las tres alternativas analizadas. De las tres soluciones de código abierto evaluadas —EasyOCR, PaddleOCR (PP-OCRv5) y DocTR—, PaddleOCR demostró el mejor rendimiento base para documentos en español. Además, su arquitectura modular y la amplia configurabilidad de su pipeline lo convierten en el candidato idóneo para optimización mediante ajuste de hiperparámetros.
+
En cuanto a la preparación del conjunto de datos (OE2), se construyó un corpus estructurado con 45 páginas de documentos académicos de UNIR. La implementación de la clase ImageTextDataset permite cargar de forma eficiente pares imagen-texto, mientras que el texto de referencia se extrajo automáticamente del PDF original mediante PyMuPDF, garantizando así la consistencia entre las imágenes y sus transcripciones esperadas.
+
El análisis de hiperparámetros (OE3) arrojó resultados particularmente reveladores. El parámetro textline_orientation emergió como el factor más influyente, resultando crítico para obtener buenos resultados en documentos con diseños complejos. Asimismo, use_doc_orientation_classify demostró un impacto positivo en la configuración con GPU. Por otra parte, el umbral text_det_thresh presenta una correlación negativa moderada (-0.52) con el CER, lo que indica que valores más bajos tienden a mejorar el rendimiento, aunque con un límite inferior por debajo del cual el sistema falla catastróficamente. Cabe destacar que use_doc_unwarping no aporta mejora alguna en documentos digitales, ya que estos no presentan las deformaciones físicas para las que fue diseñado este módulo.
+
La experimentación con Ray Tune (OE4) se completó satisfactoriamente mediante 64 trials ejecutados con el algoritmo OptunaSearch y aceleración GPU. El tiempo total del experimento —aproximadamente 1.5 horas con una GPU RTX 3060— demuestra la viabilidad práctica de esta aproximación. La arquitectura basada en contenedores Docker resultó esencial para superar las incompatibilidades entre Ray y los motores OCR, al tiempo que garantiza la portabilidad y reproducibilidad de los experimentos.
+
Finalmente, la validación de la configuración óptima (OE5) se realizó sobre el conjunto de datos completo de 45 páginas. El mejor trial individual alcanzó un CER de 0.79%, equivalente a una precisión del 99.21%. Sin embargo, la evaluación sobre el conjunto de datos completo arrojó un CER de 7.72%, lo que representa una mejora del 12.8% respecto al baseline (8.85%), pero queda lejos del resultado del mejor trial. Esta diferencia revela un sobreajuste al subconjunto de optimización de 5 páginas, un fenómeno que se analiza en detalle en la sección de limitaciones.
Hallazgos Clave
-
1.Arquitectura sobre umbrales: Un único parámetro booleano (textline_orientation) tiene más impacto que todos los umbrales continuos combinados.
1.Simplicidad para documentos digitales: Para documentos PDF digitales (no escaneados), los módulos de corrección de orientación y deformación son innecesarios.
-
1.Optimización sin fine-tuning: Se puede mejorar significativamente el rendimiento de modelos preentrenados mediante ajuste de hiperparámetros de inferencia.
+
El hallazgo más significativo de este trabajo es que las decisiones arquitectónicas tienen mayor impacto que los umbrales numéricos. Un único parámetro booleano —textline_orientation— influye más en el rendimiento final que todos los umbrales continuos combinados. Este resultado sugiere que, al optimizar sistemas OCR, conviene priorizar la exploración de configuraciones estructurales antes de ajustar finamente los valores numéricos.
+
No obstante, los umbrales presentan límites operativos que deben respetarse. Valores de text_det_thresh inferiores a 0.1 provocan fallos catastróficos, con tasas de error que superan el 40%. Este comportamiento indica la existencia de regiones del espacio de hiperparámetros que deben evitarse, lo cual tiene implicaciones para el diseño de espacios de búsqueda en futuros experimentos.
+
Otro hallazgo relevante es la innecesariedad de ciertos módulos para documentos digitales. Los PDF generados directamente desde procesadores de texto no presentan las deformaciones físicas —arrugas, curvaturas, rotaciones— para las que fueron diseñados los módulos de corrección. En estos casos, desactivar use_doc_unwarping no solo simplifica el pipeline, sino que puede mejorar el rendimiento al evitar procesamientos innecesarios.
+
Finalmente, los resultados demuestran que es posible mejorar modelos preentrenados mediante ajuste exclusivo de hiperparámetros de inferencia, sin necesidad de reentrenamiento. Sin embargo, esta aproximación requiere validación cuidadosa, ya que las configuraciones optimizadas sobre subconjuntos pequeños pueden no generalizar a conjuntos de datos más amplios o diversos.
Contribuciones del Trabajo
-
1.Metodología reproducible: Se documenta un proceso completo de optimización de hiperparámetros OCR con Ray Tune + Optuna.
-
1.Análisis de hiperparámetros de PaddleOCR: Se cuantifica el impacto de cada parámetro configurable mediante correlaciones y análisis comparativo.
-
1.Configuración óptima para español: Se proporciona una configuración validada para documentos académicos en español.
-
1.Código fuente: Todo el código está disponible en el repositorio GitHub para reproducción y extensión.
+
La principal contribución de este trabajo es una metodología reproducible para la optimización de hiperparámetros OCR. El proceso completo —desde la preparación del conjunto de datos hasta la validación de la configuración óptima— queda documentado y es replicable mediante las herramientas Ray Tune y Optuna.
+
En segundo lugar, el análisis sistemático de los hiperparámetros de PaddleOCR constituye una contribución al conocimiento disponible sobre este motor OCR. Mediante el cálculo de correlaciones y análisis comparativo, se cuantifica el impacto de cada parámetro configurable, información que puede orientar futuros trabajos de optimización.
+
Como resultado práctico, se aporta una configuración validada específicamente para documentos académicos en español. Aunque la generalización a otros tipos de documentos requiere validación adicional, esta configuración representa un punto de partida sólido para aplicaciones en el ámbito hispanohablante.
+
Por último, todo el código fuente, las imágenes Docker y los datos experimentales están disponibles públicamente en el repositorio del proyecto, facilitando así la reproducción, verificación y extensión de este trabajo por parte de otros investigadores.
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.
-
1.Tamaño del dataset: 24 páginas es un corpus limitado para conclusiones estadísticamente robustas.
-
1.Ground truth automático: La extracción automática del texto de referencia puede introducir errores en layouts complejos.
-
1.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.
-
1.Parámetro no explorado: text_det_unclip_ratio permaneció fijo en 0.0 durante todo el experimento.
+
Es necesario reconocer varias limitaciones que condicionan el alcance de las conclusiones presentadas. En primer lugar, todos los experimentos se realizaron sobre un único tipo de documento: textos académicos de UNIR. La generalización a otros formatos —facturas, formularios, documentos manuscritos— requeriría validación adicional con conjuntos de datos específicos.
+
El tamaño del corpus constituye otra limitación relevante. Con 45 páginas, el conjunto de datos es modesto para extraer conclusiones estadísticamente robustas. Además, el subconjunto de optimización de tan solo 5 páginas resultó insuficiente para evitar el sobreajuste, como evidencia la brecha entre el CER del mejor trial (0.79%) y el resultado sobre el conjunto completo (7.72%).
+
Desde el punto de vista metodológico, la extracción automática del texto de referencia mediante PyMuPDF puede introducir errores en documentos con diseños complejos, donde el orden de lectura no es evidente. Asimismo, el parámetro text_det_unclip_ratio permaneció fijo en 0.0 durante todo el experimento, dejando inexplorada una dimensión potencialmente relevante del espacio de hiperparámetros.
+
Por último, aunque la GPU RTX 3060 utilizada proporcionó una aceleración de 82× respecto a la ejecución en CPU, se trata de hardware de consumo. Equipamiento empresarial con mayor capacidad de VRAM permitiría ejecutar múltiples servicios OCR simultáneamente y explorar espacios de búsqueda más amplios en menos tiempo.
Líneas de trabajo futuro
Extensiones Inmediatas
-
1.Validación cruzada: Evaluar la configuración óptima en otros tipos de documentos en español (facturas, formularios, textos manuscritos).
-
1.Exploración de text_det_unclip_ratio: Incluir este parámetro en el espacio de búsqueda.
-
1.Dataset ampliado: Construir un corpus más amplio y diverso de documentos en español.
+
Las limitaciones identificadas sugieren varias extensiones que podrían abordarse a corto plazo. La más urgente es la validación cruzada de la configuración óptima en otros tipos de documentos en español, como facturas, formularios administrativos o textos manuscritos. Esta validación revelaría el grado de transferibilidad de los hallazgos actuales.
+
Para abordar el problema del sobreajuste, futuros experimentos deberían utilizar un subconjunto de optimización más amplio. Un conjunto de 15-20 páginas representativas reduciría la varianza y mejoraría la generalización de las configuraciones encontradas. Complementariamente, sería conveniente construir un corpus más amplio y diverso de documentos en español, incluyendo diferentes tipografías, diseños y calidades de imagen.
+
Desde el punto de vista técnico, queda pendiente la exploración del parámetro text_det_unclip_ratio, que permaneció fijo en este trabajo. Incluirlo en el espacio de búsqueda podría revelar interacciones con otros parámetros actualmente desconocidas.
Líneas de Investigación
-
1.Transfer learning de hiperparámetros: Investigar si las configuraciones óptimas para un tipo de documento transfieren a otros dominios.
-
1.Optimización multi-objetivo: Considerar simultáneamente CER, WER y tiempo de inferencia como objetivos.
-
1.AutoML para OCR: Aplicar técnicas de AutoML más avanzadas (Neural Architecture Search, meta-learning).
-
1.Comparación con fine-tuning: Cuantificar la brecha de rendimiento entre optimización de hiperparámetros y fine-tuning real.
+
En un horizonte más amplio, surgen varias líneas de investigación prometedoras. Una de las más interesantes es el estudio del transfer learning de hiperparámetros: ¿las configuraciones óptimas para documentos académicos transfieren a otros dominios, o cada tipo de documento requiere optimización específica? La respuesta a esta pregunta tiene implicaciones prácticas significativas.
+
Otra dirección valiosa es la optimización multi-objetivo, que considere simultáneamente CER, WER y tiempo de inferencia. En aplicaciones reales, la precisión máxima no siempre es el único criterio; a menudo existe un compromiso entre calidad y velocidad que debe gestionarse explícitamente.
+
Técnicas de AutoML más avanzadas, como Neural Architecture Search o meta-learning, podrían automatizar aún más el proceso de configuración. Por último, una comparación rigurosa entre optimización de hiperparámetros y fine-tuning real cuantificaría la brecha de rendimiento entre ambas aproximaciones y ayudaría a decidir cuándo merece la pena el esfuerzo adicional del reentrenamiento.
Aplicaciones Prácticas
-
1.Herramienta de configuración automática: Desarrollar una herramienta que determine automáticamente la configuración óptima para un nuevo tipo de documento.
-
1.Integración en pipelines de producción: Implementar la configuración optimizada en sistemas reales de procesamiento documental.
-
1.Benchmark público: Publicar un benchmark de OCR para documentos en español que facilite la comparación de soluciones.
+
Los resultados de este trabajo abren camino a varias aplicaciones prácticas. Una herramienta de configuración automática podría analizar un pequeño conjunto de documentos de muestra y determinar la configuración óptima de PaddleOCR para ese tipo específico de documento, democratizando el acceso a estas técnicas de optimización.
+
La integración de las configuraciones optimizadas en pipelines de producción representa otra aplicación natural. Los sistemas de procesamiento documental en organizaciones que manejan grandes volúmenes de documentos en español podrían beneficiarse directamente de los hallazgos de este trabajo.
+
Finalmente, la publicación de un benchmark público de OCR para documentos en español facilitaría la comparación objetiva de diferentes soluciones. La comunidad hispanohablante carece actualmente de recursos comparables a los disponibles para otros idiomas, y este trabajo podría contribuir a llenar ese vacío.
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.
-
La metodología propuesta es reproducible, los resultados son cuantificables, y las conclusiones son aplicables a escenarios reales de procesamiento documental. La reducción del CER del 7.78% al 1.49% representa una mejora sustancial que puede tener impacto directo en aplicaciones downstream como extracción de información, análisis semántico y búsqueda de documentos.
-
El código fuente y los datos experimentales están disponibles públicamente para facilitar la reproducción y extensión de este trabajo.
Akiba, T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019). Optuna: A next-generation hyperparameter optimization framework. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2623-2631. https://doi.org/10.1145/3292500.3330701
Baek, Y., Lee, B., Han, D., Yun, S., & Lee, H. (2019). Character region awareness for text detection. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 9365-9374. https://doi.org/10.1109/CVPR.2019.00959
Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13(1), 281-305. https://jmlr.org/papers/v13/bergstra12a.html
@@ -5647,9 +5716,10 @@ bibliográficas
Zoph, B., & Le, Q. V. (2017). Neural architecture search with reinforcement learning. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1611.01578
El código fuente completo y los datos utilizados en este trabajo están disponibles en el siguiente repositorio:
-
URL del repositorio: https://github.com/seryus/MastersThesis
+Código fuente y datos analizados
Este anexo proporciona la información técnica necesaria para reproducir los experimentos descritos en este trabajo. Se incluyen las instrucciones de instalación, configuración de los servicios OCR dockerizados, ejecución de los scripts de optimización y acceso a los resultados experimentales.
+
A.1 Repositorio del Proyecto
+
Todo el código fuente y los datos utilizados en este trabajo están disponibles públicamente en el siguiente repositorio:
+
URL del repositorio: https://seryus.ddns.net/unir/MastersThesis
El repositorio incluye:
·Servicios OCR dockerizados: PaddleOCR, DocTR, EasyOCR con soporte GPU
·Scripts de evaluación: Herramientas para evaluar y comparar modelos OCR
Nota: EasyOCR utiliza el mismo puerto (8002) que PaddleOCR. No se pueden ejecutar simultáneamente. Por esta razón, existe un archivo docker-compose separado para EasyOCR.
Nota: Debido a limitaciones de recursos GPU (VRAM insuficiente para ejecutar múltiples modelos OCR simultáneamente), solo se ejecuta un servicio a la vez. PaddleOCR y EasyOCR comparten el puerto 8002. Para cambiar de servicio, detener el actual con docker compose down.
A.7 Métricas de Rendimiento
-
Los resultados detallados de las evaluaciones y ajustes de hiperparámetros se encuentran en:
Tabla 56.Resumen de resultados del benchmark por servicio.
-
Servicio
CER Base
CER Ajustado
Mejora
PaddleOCR
8.85%
7.72%
12.8%
DocTR
12.06%
12.07%
0%
EasyOCR
11.23%
11.14%
0.8%
+
Esta sección presenta los resultados completos de las evaluaciones comparativas y del ajuste de hiperparámetros realizado con Ray Tune sobre los tres servicios OCR evaluados.
+
Comparativa General de Servicios
+
Tabla 60.Comparativa de servicios OCR en dataset de 45 páginas (GPU RTX 3060).
+
Servicio
CER
WER
Tiempo/Página
Tiempo Total
VRAM
PaddleOCR (Mobile)
7.76%
11.62%
0.58s
32.0s
0.06 GB
EasyOCR
11.23%
36.36%
1.88s
88.5s
~2 GB
DocTR
12.06%
42.01%
0.50s
28.4s
~1 GB
+
Fuente: Elaboración propia.
+
+
Ganador: PaddleOCR (Mobile) - Mejor precisión (7.76% CER) con velocidad competitiva y mínimo consumo de VRAM.
+
Resultados de Ajuste de Hiperparámetros
+
Se ejecutaron 64 trials por servicio utilizando Ray Tune con Optuna sobre las páginas 5-10 del primer documento.
+
Tabla 61.Resultados del ajuste de hiperparámetros por servicio.
+
Servicio
CER Base
CER Ajustado
Mejora
Mejor Trial (5 páginas)
PaddleOCR
8.85%
7.72%
12.8%
0.79% ✓
DocTR
12.06%
12.07%
0%
7.43%
EasyOCR
11.23%
11.14%
0.8%
5.83%
+
Fuente: Elaboración propia.
+
+
Nota sobre sobreajuste: La diferencia entre los resultados del mejor trial (subconjunto de 5 páginas) y el dataset completo (45 páginas) indica sobreajuste parcial a las páginas de ajuste. Un subconjunto más grande (15-20 páginas) mejoraría la generalización.
+
Configuración Óptima PaddleOCR
+
La siguiente configuración logró el mejor rendimiento en el ajuste de hiperparámetros:
