2026-01-20 14:33:47 +00:00
26 changed files with 1135 additions and 609 deletions
--- a/.claude/commands/documentation-review.md
+++ b/.claude/commands/documentation-review.md
@@ -0,0 +1,65 @@
 Review and validate the documentation for this Master's Thesis project.
 ## Instructions
 1. **Read metrics source files first** to get the correct values:
   - `docs/metrics/metrics_paddle.md` - PaddleOCR results
   - `docs/metrics/metrics_doctr.md` - DocTR results
   - `docs/metrics/metrics_easyocr.md` - EasyOCR results
   - `docs/metrics/metrics.md` - Comparative summary
   - `src/results/*.csv` - Raw data from 64 trials per service
 2. **Review UNIR guidelines** for formatting and structure rules:
   - `instructions/instrucciones.pdf` - TFE writing instructions
   - `instructions/plantilla_individual.pdf` - Official template with required format
 3. **Validate each documentation file** checking:
 ### Data Accuracy
 - All CER/WER values must match those in `docs/metrics/*.md`
 - Verify: baseline, optimized, best trial, percentage improvement
 - Verify: GPU vs CPU acceleration factor
 - Verify: dataset size (pages)
 ### UNIR Formatting
 - Tables: `**Tabla N.** *Title in italics.*` followed by table, then `*Fuente: ...*`
 - Figures: `**Figura N.** *Title in italics.*`
 - Sequential numbering (no duplicates, no gaps)
 - APA citation format for references
 ### Mermaid Diagrams
 - **All diagrams must be in Mermaid format** (no external images for flowcharts/charts)
 - All Mermaid diagrams must use the UNIR color theme
 - Required YAML frontmatter config (Mermaid v11+):
  ```mermaid
  ---
  title: "Diagram Title"
  config:
    theme: base
    themeVariables:
      primaryColor: "#E6F4F9"
      primaryTextColor: "#404040"
      primaryBorderColor: "#0098CD"
      lineColor: "#0098CD"
  ---
  flowchart LR
      A[Node] --> B[Node]
  ```
 - Colors: `#0098CD` (UNIR blue for borders/lines), `#E6F4F9` (light blue background)
 - Verify theme is applied to all diagrams in `docs/*.md`
 ### Files to Review
 - `docs/00_resumen.md` - Resumen/Abstract
 - `docs/03_objetivos_metodologia.md` - Objectives
 - `docs/04_desarrollo_especifico.md` - Main results (most critical)
 - `docs/05_conclusiones_trabajo_futuro.md` - Conclusions
 - `docs/07_anexo_a.md` - Technical annex
 - `README.md` - Project overview
 4. **Report findings** with:
   - List of incorrect values found (with file:line references)
   - Formatting issues detected
   - Specific corrections needed
   - Overall documentation health assessment
 5. **Language**: All docs/* files must be in Spanish. README.md and CLAUDE.md can be in English.
--- a/.claude/commands/word-generation.md
+++ b/.claude/commands/word-generation.md
@@ -0,0 +1,65 @@
 Generate the Word document for this Master's Thesis project.
 ## Instructions
 Execute the TFM document generation pipeline in order:
 ### Step 0: Clean Up Previous Output
 Remove the entire thesis_output folder to ensure a fresh build:
 ```bash
 rm -rf thesis_output && mkdir -p thesis_output/figures
 ```
 ### Step 1: Generate Figures from Mermaid Diagrams
 Run the figure generation script using the virtual environment:
 ```bash
 source .venv/bin/activate && python3 generate_mermaid_figures.py
 ```
 **Input:** Mermaid code blocks from `docs/*.md`
 **Output:** `thesis_output/figures/figura_*.png` and `figures_manifest.json`
 ### Step 2: Apply Content to UNIR Template
 Run the content application script using the virtual environment:
 ```bash
 source .venv/bin/activate && python3 apply_content.py
 ```
 **Input:**
 - `instructions/plantilla_individual.htm` (UNIR template)
 - `docs/*.md` (chapter content)
 - `thesis_output/figures/*.png` (generated figures)
 **Output:** `thesis_output/plantilla_individual.htm`
 ### Step 3: Report Results
 After successful execution, provide:
 1. Number of figures generated
 2. Number of tables formatted
 3. Path to output file
 4. Instructions for Word finalization:
   - Open `thesis_output/plantilla_individual.htm` in Microsoft Word
   - Press Ctrl+A then F9 to update all indices (contents, figures, tables)
   - Adjust image sizes if needed (select image → right-click → Size and Position)
   - Save as `.docx`
 ### Prerequisites
 If scripts fail, check that dependencies are installed:
 ```bash
 # Python dependencies (in .venv)
 source .venv/bin/activate && pip install beautifulsoup4
 # Mermaid CLI for figure generation
 npm install @mermaid-js/mermaid-cli
 ```
 ### Error Handling
 - If `generate_mermaid_figures.py` fails: Check mmdc (mermaid-cli) is installed
 - If `apply_content.py` fails: Check beautifulsoup4 is installed
 - Report any errors with the specific step that failed
--- a/.gitignore
+++ b/.gitignore
@@ -4,7 +4,8 @@ __pycache__/
 dataset
 results
 .DS_Store
-.claude
+.claude/*
 !.claude/commands/
 node_modules
 src/paddle_ocr/wheels
 src/*.log
--- a/README.md
+++ b/README.md
@@ -10,36 +10,39 @@
 ## Objetivo
-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.
-**Resultado alcanzado:** CER = **1.49%** (objetivo cumplido)
+**Resultado alcanzado:**
 - **Mejor trial (5 páginas):** CER = **0.79%** ✓ objetivo cumplido
 - **Dataset completo (45 páginas):** CER = **7.72%** (mejora del 12.8% respecto a baseline)
 ---
 ## Resultados Principales
-**Tabla.** *Comparación de métricas OCR entre configuración baseline y optimizada.*
+**Tabla.** *Comparación de métricas OCR entre configuración baseline y optimizada (GPU).*
 | Modelo | CER | Precisión Caracteres | WER | Precisión Palabras |
 |--------|-----|---------------------|-----|-------------------|
-| PaddleOCR (Baseline) | 7.78% | 92.22% | 14.94% | 85.06% |
+| PaddleOCR (Baseline) | 8.85% | 91.15% | 13.05% | 86.95% |
-| **PaddleOCR-HyperAdjust** | **1.49%** | **98.51%** | **7.62%** | **92.38%** |
+| **PaddleOCR-HyperAdjust (dataset)** | **7.72%** | **92.28%** | **11.40%** | **88.60%** |
 | **PaddleOCR-HyperAdjust (mejor trial)** | **0.79%** | **99.21%** | **7.78%** | **92.22%** |
-*Fuente: Elaboración propia.*
+*Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](src/results/raytune_paddle_results_20260119_122609.csv)*
-**Mejora obtenida:** Reducción del CER en un **80.9%**
+**Mejora obtenida (dataset completo):** Reducción del CER en un **12.8%**
-### Configuración Óptima Encontrada
+### Configuración Óptima Encontrada (GPU)
 ```python
 config_optimizada = {
-    "textline_orientation": True,           # CRÍTICO - reduce CER ~70%
+    "textline_orientation": True,                # CRÍTICO para layouts complejos
-    "use_doc_orientation_classify": False,
+    "use_doc_orientation_classify": True,        # Mejora orientación de documento
    "use_doc_unwarping": False,
-    "text_det_thresh": 0.4690,              # Correlación -0.52 con CER
+    "text_det_thresh": 0.0462,                   # Correlación -0.52 con CER
-    "text_det_box_thresh": 0.5412,
+    "text_det_box_thresh": 0.4862,
    "text_det_unclip_ratio": 0.0,
-    "text_rec_score_thresh": 0.6350,
+    "text_rec_score_thresh": 0.5658,
 }
 ```
@@ -68,7 +71,7 @@ PDF (académico UNIR)
 | Algoritmo de búsqueda | OptunaSearch (TPE) |
 | Métrica objetivo | CER (minimizar) |
 | Trials concurrentes | 2 |
-| Tiempo total | ~6 horas (CPU) |
+| Tiempo total | ~1.5 horas (GPU RTX 3060) |
 *Fuente: Elaboración propia.*
@@ -76,63 +79,95 @@ PDF (académico UNIR)
 ## Estructura del Repositorio
 ```mermaid
 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<br/>generate_mermaid_figures.py"]
        config["claude.md<br/>README.md"]
    end
 ```
-MastersThesis/
+
-├── docs/                    # Capítulos del TFM en Markdown (estructura UNIR)
+**Descripción de directorios principales:**
-│   ├── 00_resumen.md                      # Resumen + Abstract + Keywords
+
-│   ├── 01_introduccion.md                 # Cap. 1: Introducción (1.1-1.3)
+| Directorio | Contenido |
-│   ├── 02_contexto_estado_arte.md         # Cap. 2: Contexto y estado del arte (2.1-2.3)
+|------------|-----------|
-│   ├── 03_objetivos_metodologia.md        # Cap. 3: Objetivos y metodología (3.1-3.4)
+| `docs/` | Capítulos del TFM en Markdown (estructura UNIR) |
-│   ├── 04_desarrollo_especifico.md        # Cap. 4: Desarrollo específico (4.1-4.3)
+| `docs/metrics/` | Métricas de rendimiento por servicio OCR |
-│   ├── 05_conclusiones_trabajo_futuro.md  # Cap. 5: Conclusiones (5.1-5.2)
+| `src/paddle_ocr/` | Servicio PaddleOCR dockerizado |
-│   ├── 06_referencias_bibliograficas.md   # Referencias bibliográficas (APA)
+| `src/doctr_service/` | Servicio DocTR dockerizado |
-│   └── 07_anexo_a.md                      # Anexo A: Código fuente y datos
+| `src/easyocr_service/` | Servicio EasyOCR dockerizado |
-├── thesis_output/           # Documento final generado
+| `src/raytune/` | Scripts de optimización Ray Tune |
-│   ├── plantilla_individual.htm           # TFM completo (abrir en Word)
+| `src/results/` | CSVs con resultados de 64 trials por servicio |
-│   └── figures/                           # Figuras generadas desde Mermaid
+| `thesis_output/` | Documento TFM generado + figuras PNG |
-│       ├── figura_1.png ... figura_7.png
+| `instructions/` | Plantilla e instrucciones UNIR oficiales |
 │       └── figures_manifest.json
 ├── src/
 │   ├── paddle_ocr_fine_tune_unir_raytune.ipynb  # Experimento principal
 │   ├── paddle_ocr_tuning.py                      # Script de evaluación CLI
 │   ├── dataset_manager.py                        # Clase ImageTextDataset
 │   ├── prepare_dataset.ipynb                     # Preparación del dataset
 │   └── raytune_paddle_subproc_results_*.csv      # Resultados de 64 trials
 ├── results/                 # Resultados de benchmarks
 ├── instructions/            # Plantilla e instrucciones UNIR
 │   ├── instrucciones.pdf
 │   ├── plantilla_individual.pdf
 │   └── plantilla_individual.htm
 ├── apply_content.py         # Genera documento TFM desde docs/ + plantilla
 ├── generate_mermaid_figures.py  # Convierte diagramas Mermaid a PNG
 ├── ocr_benchmark_notebook.ipynb  # Benchmark comparativo inicial
 └── README.md
 ```
 ---
 ## Hallazgos Clave
-1. **`textline_orientation=True` es crítico**: Reduce el CER en un 69.7%. Para documentos con layouts mixtos (tablas, encabezados), la clasificación de orientación de línea es esencial.
+1. **`textline_orientation=True` es crítico**: Para documentos con layouts mixtos (tablas, encabezados), la clasificación de orientación de línea es esencial.
-2. **Umbral `text_det_thresh` importante**: Correlación -0.52 con CER. Valores óptimos entre 0.4-0.5. Valores < 0.1 causan fallos catastróficos (CER >40%).
+2. **`use_doc_orientation_classify=True` mejora resultados**: En la configuración GPU, la clasificación de orientación del documento demostró impacto positivo.
-3. **Componentes innecesarios para PDFs digitales**: `use_doc_orientation_classify` y `use_doc_unwarping` no mejoran el rendimiento en documentos académicos digitales.
+3. **Umbral `text_det_thresh` importante**: Correlación -0.52 con CER. En GPU, el valor óptimo fue 0.0462. Valores < 0.01 causan fallos catastróficos (CER >40%).
 4. **`use_doc_unwarping` innecesario para PDFs digitales**: La corrección de deformación no mejora el rendimiento en documentos académicos digitales.
 ---
 ## Rendimiento GPU
-Se realizó una validación adicional con aceleración GPU para evaluar la viabilidad práctica del enfoque en escenarios de producción.
+Los experimentos principales se ejecutaron con aceleración GPU para maximizar la eficiencia de la exploración de hiperparámetros.
 **Tabla.** *Comparación de rendimiento CPU vs GPU.*
 | Métrica | CPU | GPU (RTX 3060) | Aceleración |
 |---------|-----|----------------|-------------|
-| Tiempo/Página | 69.4s | 0.55s | **126x** |
+| Tiempo/Página | 69.4s | 0.84s | **82x** |
-| Dataset completo (45 páginas) | ~52 min | ~25 seg | **126x** |
+| Dataset completo (45 páginas) | ~52 min | ~38 seg | **82x** |
 | 64 trials completos | ~6.4 horas | ~1.5 horas | **4.3x** |
-*Fuente: Elaboración propia.*
+*Fuente: [`src/raytune_paddle_subproc_results_20251207_192320.csv`](src/raytune_paddle_subproc_results_20251207_192320.csv) (CPU) y [`src/results/raytune_paddle_results_20260119_122609.csv`](src/results/raytune_paddle_results_20260119_122609.csv) (GPU).*
 ### Recomendación de Modelos
@@ -145,7 +180,7 @@ Se realizó una validación adicional con aceleración GPU para evaluar la viabi
 *Fuente: Elaboración propia.*
-**Conclusión:** Para hardware con VRAM limitada (≤6 GB), los modelos Mobile ofrecen el mejor balance entre precisión y recursos. La aceleración GPU hace viable el procesamiento en tiempo real.
+**Conclusión:** Para hardware con VRAM limitada (≤6 GB), los modelos Mobile ofrecen el mejor balance entre precisión y recursos. La aceleración GPU (82×) hace viable la exploración exhaustiva de hiperparámetros y el procesamiento en tiempo real.
 ---
@@ -196,101 +231,8 @@ python src/paddle_ocr_tuning.py \
 ## Fuentes de Datos
 - **Dataset**: 2 documentos UNIR (45 páginas total): Instrucciones TFE (24 pág.) + Plantilla TFE (21 pág.)
- **Resultados Ray Tune (PRINCIPAL)**: `src/raytune_paddle_subproc_results_20251207_192320.csv` - 64 trials de optimización con todas las métricas y configuraciones
+- **Resultados GPU (PRINCIPAL)**: [`src/results/raytune_paddle_results_20260119_122609.csv`](src/results/raytune_paddle_results_20260119_122609.csv) - 64 trials de optimización con GPU
-
+- **Resultados CPU (referencia de tiempo)**: [`src/raytune_paddle_subproc_results_20251207_192320.csv`](src/raytune_paddle_subproc_results_20251207_192320.csv) - Para comparación de rendimiento CPU vs GPU
 ---
 ## Generación del Documento TFM
 ### Prerrequisitos
 ```bash
 # Instalar dependencias de Python
 pip install beautifulsoup4
 # Instalar mermaid-cli para generación de figuras
 npm install @mermaid-js/mermaid-cli
 ```
 ### Flujo de Generación del Documento
 El documento TFM se genera en **3 pasos** que deben ejecutarse en orden:
 ```
 ┌─────────────────────────────────────────────────────────────────────┐
 │  PASO 1: generate_mermaid_figures.py                                │
 │  ────────────────────────────────────────────────────────────────── │
 │  • Lee diagramas Mermaid de docs/*.md                               │
 │  • Genera thesis_output/figures/figura_*.png                        │
 │  • Crea figures_manifest.json con títulos                           │
 └─────────────────────────────────────────────────────────────────────┘
                                ↓
 ┌─────────────────────────────────────────────────────────────────────┐
 │  PASO 2: apply_content.py                                           │
 │  ────────────────────────────────────────────────────────────────── │
 │  • Lee plantilla desde instructions/plantilla_individual.htm        │
 │  • Inserta contenido de docs/*.md en cada capítulo                  │
 │  • Genera tablas con formato APA y figuras con referencias          │
 │  • Guarda en thesis_output/plantilla_individual.htm                 │
 └─────────────────────────────────────────────────────────────────────┘
                                ↓
 ┌─────────────────────────────────────────────────────────────────────┐
 │  PASO 3: Abrir en Microsoft Word                                    │
 │  ────────────────────────────────────────────────────────────────── │
 │  • Abrir thesis_output/plantilla_individual.htm                     │
 │  • Ctrl+A → F9 para actualizar índices (contenidos/figuras/tablas)  │
 │  • Guardar como TFM_Sergio_Jimenez.docx                             │
 └─────────────────────────────────────────────────────────────────────┘
 ```
 ### Comandos de Generación
 ```bash
 # Desde el directorio raíz del proyecto:
 # PASO 1: Generar figuras PNG desde diagramas Mermaid
 python3 generate_mermaid_figures.py
 # Output: thesis_output/figures/figura_1.png ... figura_8.png
 # PASO 2: Aplicar contenido de docs/ a la plantilla UNIR
 python3 apply_content.py
 # Output: thesis_output/plantilla_individual.htm
 # PASO 3: Abrir en Word y finalizar documento
 # - Abrir thesis_output/plantilla_individual.htm en Microsoft Word
 # - Ctrl+A → F9 para actualizar todos los índices
 # - IMPORTANTE: Ajustar manualmente el tamaño de las imágenes para legibilidad
 #   (seleccionar imagen → clic derecho → Tamaño y posición → ajustar al ancho de página)
 # - Guardar como .docx
 ```
 ### Notas Importantes para Edición en Word
 1. **Ajuste de imágenes**: Las figuras Mermaid pueden requerir ajuste manual de tamaño para ser legibles. Seleccionar cada imagen y ajustar al ancho de texto (~16cm).
 2. **Actualización de índices**: Después de cualquier cambio, usar Ctrl+A → F9 para regenerar índices.
 3. **Formato de código**: Los bloques de código usan Consolas 9pt. Verificar que no se corten líneas largas.
 ### Archivos de Entrada y Salida
 **Tabla.** *Relación de scripts de generación con sus archivos de entrada y salida.*
 | Script | Entrada | Salida |
 |--------|---------|--------|
 | `generate_mermaid_figures.py` | `docs/*.md` (bloques ```mermaid```) | `thesis_output/figures/figura_*.png`, `figures_manifest.json` |
 | `apply_content.py` | `instructions/plantilla_individual.htm`, `docs/*.md`, `thesis_output/figures/*.png` | `thesis_output/plantilla_individual.htm` |
 *Fuente: Elaboración propia.*
 ### Contenido Generado Automáticamente
 - **53 tablas** con formato APA (Tabla X. *Título* + Fuente: ...)
 - **8 figuras** desde Mermaid (Figura X. *Título* + Fuente: Elaboración propia)
 - **25 referencias** en formato APA con sangría francesa
 - **Resumen/Abstract** con palabras clave
 - **Índices** actualizables (contenidos, figuras, tablas)
 - Eliminación automática de textos de instrucción de la plantilla
 ---
@@ -301,10 +243,10 @@ python3 apply_content.py
 Este trabajo adoptó la estrategia de **optimización de hiperparámetros** en lugar de **fine-tuning** debido a que el fine-tuning de modelos OCR requiere datasets etiquetados extensos y tiempos de entrenamiento prohibitivos.
 **Hardware utilizado:**
- **Optimización (CPU)**: Los 64 trials de Ray Tune se ejecutaron en CPU (~69s/página)
+- **Optimización (GPU)**: Los 64 trials de Ray Tune se ejecutaron con GPU RTX 3060 (~0.84s/página, ~1.5 horas total)
- **Validación (GPU)**: Se validó con RTX 3060 logrando 126x de aceleración (0.55s/página)
+- **Referencia CPU**: Se midió el tiempo en CPU para comparación (~69s/página)
-La optimización de hiperparámetros demostró ser una **alternativa efectiva** al fine-tuning, logrando una reducción del 80.9% en el CER sin reentrenar el modelo.
+La optimización de hiperparámetros demostró ser una **alternativa viable** al fine-tuning. El mejor trial alcanzó un CER de 0.79%, mientras que la validación sobre el dataset completo logró una mejora del 12.8%.
 ### Tareas Pendientes
@@ -321,9 +263,10 @@ La optimización de hiperparámetros demostró ser una **alternativa efectiva**
 #### Completadas
 - [x] **Estructura docs/ según plantilla UNIR**
- [x] **Diagramas Mermaid**: 8 figuras generadas
+- [x] **Diagramas Mermaid**: 8+ figuras generadas
 - [x] **Documento TFM unificado**: Script `apply_content.py`
- [x] **Evaluación con GPU**: RTX 3060 - 126x más rápido (0.55s/página)
+- [x] **Optimización con GPU**: RTX 3060 - 82× más rápido (0.84s/página)
 - [x] **Infraestructura Docker**: 5 imágenes (PaddleOCR, EasyOCR, DocTR, RayTune)
 ### Dataset
--- 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:
+The project chose **hyperparameter optimization** over fine-tuning because:
- Fine-tuning deep learning models without GPU is prohibitively slow
+- Fine-tuning requires extensive labeled datasets specific to the domain
- Inference time is ~69 seconds/page on CPU
+- Hyperparameter tuning can improve pretrained models without retraining
- Hyperparameter optimization proved to be an effective alternative, achieving 80.9% CER reduction
+- 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 Baseline | 8.85% | 91.15% |
-| PaddleOCR-HyperAdjust | **1.49%** | **98.51%** |
+| 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%
+    "textline_orientation": True,           # CRITICAL for complex layouts
-    "use_doc_orientation_classify": False,
+    "use_doc_orientation_classify": True,   # Improves document orientation
    "use_doc_unwarping": False,
-    "text_det_thresh": 0.4690,
+    "text_det_thresh": 0.0462,              # -0.52 correlation with CER
-    "text_det_box_thresh": 0.5412,
+    "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%)
+1. `textline_orientation=True` is critical for documents with mixed layouts
-2. `text_det_thresh` has -0.52 correlation with CER; values < 0.1 cause catastrophic failures
+2. `use_doc_orientation_classify=True` improves document orientation detection in GPU config
-3. Document correction modules (`use_doc_orientation_classify`, `use_doc_unwarping`) are unnecessary for digital PDFs
+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
+### Results CSV Files (GPU - PRIMARY)
- `src/raytune_paddle_subproc_results_20251207_192320.csv` - 64 Ray Tune trials with configs and metrics (PRIMARY DATA SOURCE)
+- `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
+### Results CSV Files (CPU - time reference only)
- `src/paddle_ocr_fine_tune_unir_raytune.ipynb` - Main Ray Tune experiment
+- `src/raytune_paddle_subproc_results_20251207_192320.csv` - CPU execution for time comparison (69.4s/page vs 0.84s/page GPU)
- `src/prepare_dataset.ipynb` - PDF to image/text conversion
+
- `ocr_benchmark_notebook.ipynb` - EasyOCR vs PaddleOCR vs DocTR comparison
+### 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
--- 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
--- a/docs/02_contexto_estado_arte.md
+++ b/docs/02_contexto_estado_arte.md
@@ -61,7 +61,14 @@ Los sistemas OCR modernos siguen típicamente un pipeline de dos etapas principa
 ```mermaid
 ---
-title: "Pipeline de un sistema OCR moderno"
+title: Pipeline de un sistema OCR moderno
 config:
  theme: base
  themeVariables:
    primaryColor: "#E6F4F9"
    primaryTextColor: "#404040"
    primaryBorderColor: "#0098CD"
    lineColor: "#0098CD"
 ---
 flowchart LR
    subgraph Input
@@ -486,7 +493,14 @@ La combinación de Ray Tune con OptunaSearch permite:
 ```mermaid
 ---
-title: "Ciclo de optimización con Ray Tune y Optuna"
+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<br/>búsqueda"] --> B["Ray Tune<br/>Scheduler"]
--- a/docs/03_objetivos_metodologia.md
+++ b/docs/03_objetivos_metodologia.md
@@ -4,7 +4,7 @@ Este capítulo establece los objetivos del trabajo siguiendo la metodología SMA
 ## 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
@@ -14,7 +14,7 @@ Este capítulo establece los objetivos del trabajo siguiendo la metodología SMA
 |----------|--------------|
 | **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 |
@@ -45,7 +45,14 @@ Este capítulo establece los objetivos del trabajo siguiendo la metodología SMA
 ```mermaid
 ---
-title: "Fases de la metodología experimental"
+title: Fases de la metodología experimental
 config:
  theme: base
  themeVariables:
    primaryColor: "#E6F4F9"
    primaryTextColor: "#404040"
    primaryBorderColor: "#0098CD"
    lineColor: "#0098CD"
 ---
 flowchart LR
    A["Fase 1<br/>Dataset"] --> B["Fase 2<br/>Benchmark"] --> C["Fase 3<br/>Espacio"] --> D["Fase 4<br/>Optimización"] --> E["Fase 5<br/>Validación"]
@@ -82,7 +89,14 @@ El script `prepare_dataset.ipynb` implementa:
 ```mermaid
 ---
-title: "Estructura del dataset de evaluación"
+title: Estructura del dataset de evaluación
 config:
  theme: base
  themeVariables:
    primaryColor: "#E6F4F9"
    primaryTextColor: "#404040"
    primaryBorderColor: "#0098CD"
    lineColor: "#0098CD"
 ---
 flowchart LR
    dataset["dataset/"] --> d0["0/"]
@@ -185,7 +199,7 @@ 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
@@ -256,11 +270,11 @@ 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.
@@ -268,7 +282,7 @@ Para un proyecto de investigación con múltiples iteraciones de ajuste de hiper
 Este capítulo ha establecido:
-1. Un objetivo general SMART: alcanzar CER < 2% mediante optimización de hiperparámetros
+1. Un objetivo general SMART: alcanzar CER < 2% mediante optimización de hiperparámetros (logrado en el mejor trial: 0.79%)
 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
--- a/docs/04_desarrollo_especifico.md
+++ b/docs/04_desarrollo_especifico.md
@@ -24,7 +24,7 @@ El reconocimiento óptico de caracteres (OCR) en documentos académicos en espa
 Se seleccionaron tres soluciones OCR de código abierto representativas del estado del arte:
-**Tabla 10.** *Soluciones OCR evaluadas en el benchmark comparativo.*
+**Tabla 11.** *Soluciones OCR evaluadas en el benchmark comparativo.*
 | Solución | Desarrollador | Versión | Justificación de selección |
 |----------|---------------|---------|----------------------------|
@@ -55,7 +55,7 @@ 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 12.** *Características del dataset de evaluación inicial.*
 | Característica | Valor |
 |----------------|-------|
@@ -96,7 +96,7 @@ 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 13.** *Variabilidad del CER por tipo de contenido.*
 | Tipo de contenido | CER aproximado | Observaciones |
 |-------------------|----------------|---------------|
@@ -121,7 +121,7 @@ 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 14.** *Comparativa de arquitecturas OCR evaluadas.*
 | Modelo | Tipo | Componentes | Fortalezas Clave |
 |--------|------|-------------|------------------|
@@ -162,7 +162,7 @@ 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 15.** *Evaluación de criterios de selección.*
 | Criterio | EasyOCR | PaddleOCR | DocTR |
 |----------|---------|-----------|-------|
@@ -244,7 +244,7 @@ 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 16.** *Entorno de ejecución del experimento.*
 | Componente | Versión/Especificación |
 |------------|------------------------|
@@ -272,7 +272,14 @@ Esta arquitectura containerizada permite ejecutar cada componente en su entorno
 ```mermaid
 ---
-title: "Arquitectura de ejecución con Docker Compose"
+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 +320,221 @@ 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 17.** *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://github.com/seryus/MastersThesis/tree/main/src/paddle_ocr), [`src/easyocr_service/`](https://github.com/seryus/MastersThesis/tree/main/src/easyocr_service), [`src/doctr_service/`](https://github.com/seryus/MastersThesis/tree/main/src/doctr_service), [`src/raytune/`](https://github.com/seryus/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 18.** *Archivos Docker Compose del proyecto.*
 | Archivo | Propósito | Servicios |
 |---------|-----------|-----------|
 | [`docker-compose.tuning.yml`](https://github.com/seryus/MastersThesis/blob/main/src/docker-compose.tuning.yml) | Optimización principal | RayTune + PaddleOCR + DocTR |
 | [`docker-compose.tuning.easyocr.yml`](https://github.com/seryus/MastersThesis/blob/main/src/docker-compose.tuning.easyocr.yml) | Optimización EasyOCR | RayTune + EasyOCR |
 | [`docker-compose.tuning.paddle.yml`](https://github.com/seryus/MastersThesis/blob/main/src/docker-compose.tuning.paddle.yml) | Optimización PaddleOCR | RayTune + PaddleOCR |
 | [`docker-compose.tuning.doctr.yml`](https://github.com/seryus/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 19.** *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://github.com/seryus/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://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv)
 - [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_easyocr_results_20260119_120204.csv)
 - [`src/results/raytune_doctr_results_20260119_121445.csv`](https://github.com/seryus/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 20.** *Características del dataset de optimización.*
 | Característica | Valor |
 |----------------|-------|
@@ -335,7 +552,7 @@ 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 21.** *Descripción detallada del espacio de búsqueda.*
 | Parámetro | Tipo | Rango | Descripción |
 |-----------|------|-------|-------------|
@@ -361,7 +578,7 @@ 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 22.** *Parámetros de configuración de Ray Tune.*
 | Parámetro | Valor | Justificación |
 |-----------|-------|---------------|
@@ -387,7 +604,7 @@ 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 23.** *Resumen de la ejecución del experimento.*
 | Métrica | Valor |
 |---------|-------|
@@ -401,76 +618,73 @@ 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 24.** *Estadísticas descriptivas de los 64 trials.*
-| Estadística | CER | WER | Tiempo (s) | Tiempo/Página (s) |
+| Estadística | CER | WER | Tiempo/Página (s) |
-|-------------|-----|-----|------------|-------------------|
+|-------------|-----|-----|-------------------|
-| **count** | 64 | 64 | 64 | 64 |
+| **count** | 64 | 64 | 64 |
-| **mean** | 5.25% | 14.28% | 347.61 | 69.42 |
+| **mean** | 2.30% | 9.25% | 0.84 |
-| **std** | 11.03% | 10.75% | 7.88 | 1.57 |
+| **std** | 2.20% | 1.78% | 0.53 |
-| **min** | 1.15% | 9.89% | 320.97 | 64.10 |
+| **min** | 0.79% | 6.80% | 0.56 |
-| **25%** | 1.20% | 10.04% | 344.24 | 68.76 |
+| **50%** (mediana) | 0.87% | 8.39% | 0.59 |
-| **50%** (mediana) | 1.23% | 10.20% | 346.42 | 69.19 |
+| **max** | 7.30% | 13.20% | 2.22 |
 | **75%** | 4.03% | 13.20% | 350.14 | 69.93 |
 | **max** | 51.61% | 59.45% | 368.57 | 73.63 |
-*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 25.** *Distribución de trials por rango de CER.*
 | Rango CER | Número de trials | Porcentaje |
 |-----------|------------------|------------|
 | < 2% | 43 | 67.2% |
-| 2% - 5% | 7 | 10.9% |
+| 2% - 5% | 10 | 15.6% |
-| 5% - 10% | 2 | 3.1% |
+| 5% - 10% | 11 | 17.2% |
-| 10% - 20% | 5 | 7.8% |
+| > 10% | 0 | 0.0% |
 | > 20% | 7 | 10.9% |
-*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%).
+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 CER: 0.007884 (0.79%)
-Best WER: 0.098902 (9.89%)
+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_thresh: 0.0462
-  text_det_box_thresh: 0.5412
+  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 26.** *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_thresh | **0.0462** | 0.3 | -0.254 |
-| text_det_box_thresh | **0.5412** | 0.6 | -0.059 |
+| 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).*
@@ -478,7 +692,7 @@ Configuración óptima:
 Se calculó la correlación de Pearson entre los parámetros continuos y las métricas de error:
-**Tabla 23.** *Correlación de parámetros con CER.*
+**Tabla 27.** *Correlación de parámetros con CER.*
 | Parámetro | Correlación con CER | Interpretación |
 |-----------|---------------------|----------------|
@@ -489,7 +703,7 @@ Se calculó la correlación de Pearson entre los parámetros continuos y las mé
 *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).*
-**Tabla 24.** *Correlación de parámetros con WER.*
+**Tabla 28.** *Correlación de parámetros con WER.*
 | Parámetro | Correlación con WER | Interpretación |
 |-----------|---------------------|----------------|
@@ -505,7 +719,7 @@ 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 29.** *Impacto del parámetro textline_orientation.*
 | textline_orientation | CER Medio | CER Std | WER Medio | N trials |
 |---------------------|-----------|---------|-----------|----------|
@@ -525,6 +739,13 @@ 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-beta
    x-axis ["textline_orientation=False", "textline_orientation=True"]
@@ -540,7 +761,7 @@ 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 30.** *Características de trials con fallos catastróficos.*
 | Trial | CER | text_det_thresh | textline_orientation | Diagnóstico |
 |-------|-----|-----------------|---------------------|-------------|
@@ -565,42 +786,52 @@ 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 31.** *Comparación baseline vs optimizado (45 páginas).*
 | Modelo | CER | Precisión Caracteres | WER | Precisión Palabras |
 |--------|-----|---------------------|-----|-------------------|
-| PaddleOCR (Baseline) | 7.78% | 92.22% | 14.94% | 85.06% |
+| PaddleOCR (Baseline) | 8.85% | 91.15% | 13.05% | 86.95% |
-| PaddleOCR-HyperAdjust | **1.49%** | **98.51%** | **7.62%** | **92.38%** |
+| 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).*
 > **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 32.** *Análisis cuantitativo de la mejora.*
 | Forma de Medición | CER | WER |
 |-------------------|-----|-----|
-| Valor baseline | 7.78% | 14.94% |
+| Valor baseline | 8.85% | 13.05% |
-| Valor optimizado | 1.49% | 7.62% |
+| Valor optimizado | 7.72% | 11.40% |
-| Mejora absoluta | -6.29 pp | -7.32 pp |
+| Mejora absoluta | -1.13 pp | -1.65 pp |
-| Reducción relativa del error | **80.9%** | **49.0%** |
+| Reducción relativa del error | **12.8%** | **12.6%** |
-| Factor de mejora | 5.2× | 2.0× |
+| 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-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
@@ -608,58 +839,61 @@ xychart-beta
 | Configuración | Caracteres con error | Palabras con error* |
 |---------------|---------------------|---------------------|
-| Baseline | ~778 | ~225 |
+| Baseline | ~885 | ~196 |
-| Optimizada | ~149 | ~115 |
+| Optimizada (full dataset) | ~772 | ~171 |
-| **Reducción** | **629 menos** | **110 menos** |
+| 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 33.** *Métricas de tiempo del experimento (GPU).*
 | Métrica | Valor |
 |---------|-------|
-| Tiempo total del experimento | ~6.4 horas |
+| Tiempo total del experimento | ~1.5 horas |
-| Tiempo medio por trial | 347.61 segundos (~5.8 min) |
+| Tiempo medio por trial | ~4.2 segundos |
-| Tiempo medio por página | 69.42 segundos |
+| Tiempo medio por página | 0.84 segundos |
-| Variabilidad (std) | 1.57 segundos/página |
+| Variabilidad (std) | 0.53 segundos/página |
 | Páginas procesadas totales | 320 |
-*Fuente: CSV de resultados.*
+*Fuente: [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/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.
+1. El tiempo por página (~0.84 segundos) corresponde a ejecución con GPU (RTX 3060).
-2. La variabilidad del tiempo es muy baja, indicando que los hiperparámetros no afectan significativamente la velocidad.
+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. Con GPU, los tiempos serían 10-50× menores según benchmarks de PaddleOCR.
+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
 Esta sección ha presentado:
-1. **Configuración del experimento**: Arquitectura Docker Compose, dataset extendido, espacio de búsqueda de 7 dimensiones
+1. **Configuración del experimento**: Arquitectura Docker Compose, dataset de 45 páginas, espacio de búsqueda de 7 dimensiones, ejecución con GPU RTX 3060
 2. **Resultados estadísticos**:
-   - CER medio: 5.25% (std: 11.03%)
+   - CER medio: 2.30% (std: 2.20%)
-   - CER mínimo: 1.15%
+   - CER mínimo (mejor trial): **0.79%**
   - 67.2% de trials con CER < 2%
 3. **Hallazgos clave**:
-   - `textline_orientation=True` reduce CER en 69.7%
+   - `textline_orientation=True` y `use_doc_orientation_classify=True` son críticos
-   - `text_det_thresh` tiene correlación -0.52 con CER
+   - `text_det_thresh` bajo (0.0462) optimiza la detección de texto
-   - Valores de `text_det_thresh` < 0.1 causan fallos catastróficos
+   - Ningún trial presentó fallos catastróficos (CER > 10%)
-4. **Mejora final**: CER reducido de 7.78% a 1.49% (reducción del 80.9%)
+4. **Mejora en dataset completo**: CER reducido de 8.85% a 7.72% (reducción del 12.8%)
 5. **Observación sobre generalización**: El mejor trial (0.79%) no generalizó completamente al dataset completo (7.72%), evidenciando sobreajuste al subconjunto de 5 páginas
 **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
+- [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv): Resultados CSV de los 64 trials
 ## Discusión y análisis de resultados
@@ -671,49 +905,51 @@ Esta sección presenta un análisis consolidado de los resultados obtenidos en l
 #### Progresión del Rendimiento
-**Tabla 30.** *Evolución del rendimiento a través del estudio.*
+**Tabla 34.** *Evolución del rendimiento a través del estudio.*
 | Fase | Configuración | CER | Mejora vs anterior |
 |------|--------------|-----|-------------------|
-| Benchmark inicial | Baseline (5 páginas) | ~5-6% | - |
+| Benchmark inicial | Baseline (5 páginas) | ~7-8% | - |
-| Optimización (mejor trial) | Optimizada (5 páginas) | 1.15% | ~80% |
+| Optimización (mejor trial) | Optimizada (5 páginas) | **0.79%** | ~90% vs baseline |
-| Validación final | Optimizada (24 páginas) | 1.49% | - |
+| 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.
+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 35.** *Verificación del objetivo general.*
-| Aspecto | Objetivo | Resultado | Cumplimiento |
+| Aspecto | Objetivo | Resultado (trial) | Resultado (full) | Cumplimiento |
-|---------|----------|-----------|--------------|
+|---------|----------|-------------------|------------------|--------------|
-| Métrica | CER | CER | ✓ |
+| Métrica | CER | CER | CER | ✓ |
-| Umbral | < 2% | 1.49% | ✓ |
+| Umbral | < 2% | **0.79%** | 7.72% | Parcial |
-| Método | Sin fine-tuning | Solo hiperparámetros | ✓ |
+| Método | Sin fine-tuning | Solo hiperparámetros | Solo hiperparámetros | ✓ |
-| Hardware | Sin GPU | CPU only | ✓ |
+| 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 36.** *Ranking de importancia de hiperparámetros.*
 | Rank | Parámetro | Impacto | Evidencia |
 |------|-----------|---------|-----------|
-| 1 | `textline_orientation` | **Crítico** | Reduce CER 69.7% |
+| 1 | `textline_orientation` | **Crítico** | Presente en todos los mejores trials |
-| 2 | `text_det_thresh` | **Alto** | Correlación -0.52 |
+| 2 | `use_doc_orientation_classify` | **Alto** | Activado en configuración óptima |
-| 3 | `text_rec_score_thresh` | Medio | Correlación -0.16 |
+| 3 | `text_det_thresh` | **Alto** | Valor óptimo bajo (0.0462) |
-| 4 | `text_det_box_thresh` | Bajo | Correlación +0.23 |
+| 4 | `text_det_box_thresh` | Medio | Moderado (0.4862) |
-| 5 | `use_doc_orientation_classify` | Nulo | Sin mejora |
+| 5 | `text_rec_score_thresh` | Medio | Moderado (0.5658) |
-| 6 | `use_doc_unwarping` | Nulo | Sin mejora |
+| 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://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv).*
 #### Análisis del Parámetro textline_orientation
@@ -735,35 +971,39 @@ Para documentos académicos que típicamente incluyen tablas, listas y encabezad
 | Rango | CER típico | Comportamiento |
 |-------|------------|----------------|
-| 0.0 - 0.1 | >20% | Fallos catastróficos |
+| 0.0 - 0.1 | 1-3% | Detecta más texto, incluyendo bordes |
-| 0.1 - 0.3 | 5-15% | Rendimiento pobre |
+| 0.1 - 0.3 | 2-5% | Rendimiento variable |
-| 0.3 - 0.5 | 1-5% | Rendimiento óptimo |
+| 0.3 - 0.5 | 3-7% | Balance precisión/recall |
-| 0.5 - 0.7 | 2-8% | Rendimiento aceptable |
+| 0.5 - 0.7 | 4-7% | Más conservador |
 **Interpretación:**
- Valores muy bajos (< 0.1) incluyen ruido y artefactos como "texto"
+- En ejecución GPU con modelos Mobile, valores bajos de `text_det_thresh` funcionan bien
- Valores muy altos (> 0.6) filtran texto legítimo de bajo contraste
+- El valor óptimo (0.0462) indica que una detección más sensible beneficia el rendimiento
- El rango óptimo (0.3-0.5) balancea precisión y recall de detección
+- 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 37.** *Tipología de errores observados.*
 | Tipo de error | Frecuencia | Ejemplo | Causa probable |
 |---------------|------------|---------|----------------|
@@ -777,7 +1017,7 @@ 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 38.** *Tasa de error por tipo de contenido.*
 | Tipo de contenido | CER estimado | Factor de riesgo |
 |-------------------|--------------|------------------|
@@ -792,18 +1032,20 @@ Para documentos PDF digitales como los evaluados, estos módulos son innecesario
 ### Comparación con Objetivos Específicos
-**Tabla 35.** *Cumplimiento de objetivos específicos.*
+**Tabla 39.** *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 |
+| OE2 | Preparar dataset de evaluación | 45 páginas con ground truth | ✓ Cumplido |
-| OE3 | Identificar hiperparámetros críticos | `textline_orientation` y `text_det_thresh` identificados | ✓ 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 | ✓ Cumplido |
+| OE4 | Optimizar con Ray Tune (≥50 trials) | 64 trials ejecutados con GPU | ✓ Cumplido |
-| OE5 | Validar configuración optimizada | CER: 7.78% → 1.49% documentado | ✓ 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 +1060,11 @@ 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 +1078,33 @@ 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 40.** *Configuración recomendada para PaddleOCR con GPU.*
 | Parámetro | Valor | Prioridad | Justificación |
 |-----------|-------|-----------|---------------|
-| `textline_orientation` | True | Obligatorio | Reduce CER en 69.7% |
+| `textline_orientation` | True | Obligatorio | Crítico para layouts complejos |
-| `text_det_thresh` | 0.45 (rango: 0.4-0.5) | Recomendado | Correlación fuerte con CER |
+| `use_doc_orientation_classify` | True | Recomendado | Mejora orientación de documento |
-| `text_rec_score_thresh` | 0.6 (rango: 0.5-0.7) | Recomendado | Filtra reconocimientos poco confiables |
+| `text_det_thresh` | 0.05 (rango: 0.04-0.10) | Recomendado | Detección sensible beneficia resultados |
-| `text_det_box_thresh` | 0.55 (rango: 0.5-0.6) | Opcional | Impacto moderado |
+| `text_det_box_thresh` | 0.49 (rango: 0.4-0.6) | Recomendado | Balance de confianza |
-| `use_doc_orientation_classify` | False | No recomendado | Innecesario para PDFs digitales |
+| `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://github.com/seryus/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:
@@ -882,33 +1126,38 @@ Este capítulo ha presentado el desarrollo completo de la contribución:
 - Selección de PaddleOCR por su configurabilidad
 **Desarrollo de la comparativa:**
- 64 trials de Ray Tune con Optuna
+- 64 trials de Ray Tune con Optuna usando GPU RTX 3060
- Identificación de `textline_orientation` y `text_det_thresh` como críticos
+- Identificación de `textline_orientation`, `use_doc_orientation_classify` y `text_det_thresh` como críticos
- CER mínimo alcanzado: 1.15%
+- CER mínimo alcanzado en trial individual: **0.79%**
 **Discusión y análisis:**
- Mejora del CER de 7.78% a 1.49% (reducción del 80.9%)
+- Mejora del CER en dataset completo de 8.85% a 7.72% (reducción del **12.8%**)
- Cumplimiento de todos los objetivos específicos
+- Mejor trial: 0.79% CER (cumple objetivo CER < 2%)
- Identificación de limitaciones y recomendaciones prácticas
+- Identificación de sobreajuste y recomendaciones prácticas
-**Resultado principal**: Se logró alcanzar el objetivo de CER < 2% mediante optimización de hiperparámetros, sin requerir fine-tuning ni recursos GPU.
+**Resultados principales**:
 - El objetivo de CER < 2% se cumple en el mejor trial (0.79%)
 - La generalización al dataset completo (7.72%) revela sobreajuste que requiere trabajo futuro
 - La optimización de hiperparámetros con GPU es viable y eficiente (82× más rápido que CPU)
 **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/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv): Resultados CSV de PaddleOCR
 - [`src/results/raytune_easyocr_results_20260119_120204.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_easyocr_results_20260119_120204.csv): Resultados CSV de EasyOCR
 - [`src/results/raytune_doctr_results_20260119_121445.csv`](https://github.com/seryus/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
-### 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 41.** *Especificaciones del entorno GPU utilizado.*
 | Componente | Especificación |
 |------------|----------------|
@@ -920,28 +1169,32 @@ 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://github.com/seryus/MastersThesis/blob/main/src/raytune_paddle_subproc_results_20251207_192320.csv) (CPU) y [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/MastersThesis/blob/main/src/results/raytune_paddle_results_20260119_122609.csv) (GPU).
-**Tabla 37.** *Rendimiento comparativo CPU vs GPU.*
+**Tabla 42.** *Rendimiento comparativo CPU vs GPU.*
 | Métrica | CPU | GPU (RTX 3060) | Factor de Aceleración |
 |---------|-----|----------------|----------------------|
-| Tiempo/Página | 69.4s | 0.55s | **126x** |
+| Tiempo/Página (promedio) | 69.4s | 0.84s | **82x** |
-| Dataset completo (45 páginas) | ~52 min | ~25 seg | **126x** |
+| 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://github.com/seryus/MastersThesis/blob/main/src/raytune_paddle_subproc_results_20251207_192320.csv) y [`src/results/raytune_paddle_results_20260119_122609.csv`](https://github.com/seryus/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.
+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 43.** *Comparación de modelos Mobile vs Server en RTX 3060.*
 | Modelo | VRAM Requerida | Resultado | Recomendación |
 |--------|----------------|-----------|---------------|
@@ -956,7 +1209,7 @@ 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 +1217,4 @@ 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.
--- a/docs/05_conclusiones_trabajo_futuro.md
+++ b/docs/05_conclusiones_trabajo_futuro.md
@@ -6,18 +6,20 @@ Este capítulo resume las principales conclusiones del trabajo, evalúa el grado
 ### 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.
+Este Trabajo Fin de Máster ha demostrado que es posible mejorar significativamente el rendimiento de sistemas OCR preentrenados mediante optimización sistemática de hiperparámetros, utilizando una infraestructura dockerizada con aceleración GPU para facilitar la experimentación.
-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 44.** *Cumplimiento del objetivo de CER.*
-| Métrica | Objetivo | Resultado |
+| Métrica | Objetivo | Mejor Trial | Dataset Completo | Cumplimiento |
-|---------|----------|-----------|
+|---------|----------|-------------|------------------|--------------|
-| CER | < 2% | **1.49%** |
+| CER | < 2% | **0.79%** | **7.72%** | ✓ Parcial |
 *Fuente: Elaboración propia.*
 > **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.
 ### Conclusiones Específicas
 **Respecto a OE1 (Comparativa de soluciones OCR)**:
@@ -25,25 +27,27 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 - 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)**:
+**Respecto a OE2 (Preparación del conjunto de datos)**:
- Se construyó un dataset estructurado con 24 páginas de documentos académicos
+- Se construyó un conjunto de datos estructurado con 45 páginas de documentos académicos
 - La clase `ImageTextDataset` facilita la carga de pares imagen-texto
- El ground truth se extrajo automáticamente del PDF mediante PyMuPDF
+- El texto de referencia 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 parámetro `textline_orientation` es el más influyente, siendo crítico para obtener buenos resultados
- El umbral `text_det_thresh` presenta la correlación más fuerte (-0.52) con el CER
+- El parámetro `use_doc_orientation_classify` demostró impacto positivo en la configuración GPU
- Los parámetros de corrección de documento (`use_doc_orientation_classify`, `use_doc_unwarping`) no aportan mejora en documentos digitales
+- El umbral `text_det_thresh` presenta correlación negativa moderada (-0.52) con el CER
 - El parámetro `use_doc_unwarping` no aporta mejora en documentos digitales
 **Respecto a OE4 (Optimización con Ray Tune)**:
- Se ejecutaron 64 trials con el algoritmo OptunaSearch
+- Se ejecutaron 64 trials con el algoritmo OptunaSearch y aceleración GPU
- El tiempo total del experimento fue aproximadamente 6 horas (en CPU)
+- El tiempo total del experimento fue aproximadamente 1.5 horas (con GPU RTX 3060)
 - 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
+- Se validó la configuración óptima sobre el conjunto de datos completo de 45 páginas
- La mejora obtenida fue del 80.9% en reducción del CER (7.78% → 1.49%)
+- El mejor trial individual alcanzó un CER de 0.79% (precisión del 99.21%)
- La precisión de caracteres alcanzó el 98.51%
+- En el conjunto de datos completo se obtuvo una mejora del 12.8% en CER (8.85% → 7.72%)
 - La diferencia entre resultados de trial y validación completa revela sobreajuste al subconjunto de optimización
 ### Hallazgos Clave
@@ -53,7 +57,7 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 3. **Simplicidad para documentos digitales**: Para documentos PDF digitales (no escaneados), los módulos de corrección de orientación y deformación son innecesarios.
-4. **Optimización sin fine-tuning**: Se puede mejorar significativamente el rendimiento de modelos preentrenados mediante ajuste de hiperparámetros de inferencia.
+4. **Optimización sin fine-tuning**: Se puede mejorar el rendimiento de modelos preentrenados mediante ajuste de hiperparámetros de inferencia, aunque la generalización a conjuntos de datos más amplios requiere validación cuidadosa.
 ### Contribuciones del Trabajo
@@ -69,23 +73,27 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 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.
-2. **Tamaño del dataset**: 24 páginas es un corpus limitado para conclusiones estadísticamente robustas.
+2. **Tamaño del conjunto de datos**: 45 páginas es un corpus limitado para conclusiones estadísticamente robustas.
-3. **Ground truth automático**: La extracción automática del texto de referencia puede introducir errores en layouts complejos.
+3. **Texto de referencia automático**: La extracción automática del texto de referencia puede introducir errores en diseños complejos.
-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.
+4. **Sobreajuste al subconjunto de optimización**: El ajuste sobre 5 páginas no generalizó completamente al conjunto de datos de 45 páginas, resultando en un CER de 7.72% frente al 0.79% del mejor trial.
 5. **Parámetro no explorado**: `text_det_unclip_ratio` permaneció fijo en 0.0 durante todo el experimento.
 6. **Hardware de consumo**: Aunque la GPU RTX 3060 proporcionó una aceleración de 82× respecto a CPU, hardware empresarial podría ofrecer mejor rendimiento.
 ## Líneas de trabajo futuro
 ### Extensiones Inmediatas
 1. **Validación cruzada**: Evaluar la configuración óptima en otros tipos de documentos en español (facturas, formularios, textos manuscritos).
-2. **Exploración de `text_det_unclip_ratio`**: Incluir este parámetro en el espacio de búsqueda.
+2. **Subconjunto de optimización más amplio**: Utilizar un subconjunto mayor (15-20 páginas) para el ajuste de hiperparámetros y reducir el sobreajuste.
-3. **Dataset ampliado**: Construir un corpus más amplio y diverso de documentos en español.
+3. **Exploración de `text_det_unclip_ratio`**: Incluir este parámetro en el espacio de búsqueda.
 4. **Conjunto de datos ampliado**: Construir un corpus más amplio y diverso de documentos en español.
 ### Líneas de Investigación
@@ -107,9 +115,11 @@ El objetivo principal del trabajo era alcanzar un CER inferior al 2% en document
 ### 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.
+Este trabajo demuestra 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.
-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 es reproducible, los resultados son cuantificables, y las conclusiones son aplicables a escenarios reales de procesamiento documental. Aunque el objetivo de CER < 2% se alcanzó en el mejor trial individual (0.79%), la validación sobre el conjunto de datos completo (7.72%) revela la importancia de utilizar subconjuntos de optimización representativos y de validar rigurosamente la generalización.
-El código fuente y los datos experimentales están disponibles públicamente para facilitar la reproducción y extensión de este trabajo.
+La infraestructura dockerizada desarrollada facilita la reproducibilidad de los experimentos y la evaluación sistemática de configuraciones OCR. La aceleración de 82× proporcionada por GPU hace viable la exploración exhaustiva de espacios de hiperparámetros en tiempos razonables.
 El código fuente, las imágenes Docker y los datos experimentales están disponibles públicamente en el [repositorio del proyecto](https://github.com/seryus/MastersThesis) para facilitar la reproducción y extensión de este trabajo.
--- a/docs/07_anexo_a.md
+++ b/docs/07_anexo_a.md
@@ -16,33 +16,79 @@ 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<br/>generate_mermaid_figures.py"]
        config["claude.md<br/>README.md"]
    end
 ```
-MastersThesis/
+
-├── docs/                           # Documentación de la tesis
+**Tabla A5.** *Descripción de directorios principales.*
-│   └── metrics/                    # Métricas de rendimiento OCR
+
-│       ├── metrics.md              # Resumen comparativo
+| Directorio | Contenido |
-│       ├── metrics_paddle.md       # Resultados PaddleOCR
+|------------|-----------|
-│       ├── metrics_doctr.md        # Resultados DocTR
+| `docs/` | Capítulos del TFM en Markdown (estructura UNIR) |
-│       └── metrics_easyocr.md      # Resultados EasyOCR
+| `docs/metrics/` | Métricas de rendimiento por servicio OCR |
-├── src/
+| `src/paddle_ocr/` | Servicio PaddleOCR dockerizado |
-│   ├── paddle_ocr/                 # Servicio PaddleOCR
+| `src/doctr_service/` | Servicio DocTR dockerizado |
-│   │   ├── Dockerfile.gpu          # Imagen Docker GPU
+| `src/easyocr_service/` | Servicio EasyOCR dockerizado |
-│   │   ├── Dockerfile.cpu          # Imagen Docker CPU
+| `src/raytune/` | Scripts de optimización Ray Tune |
-│   │   ├── docker-compose.yml      # Configuración Docker
+| `src/results/` | CSVs con resultados de 64 trials por servicio |
-│   │   └── main.py                 # API FastAPI
+| `thesis_output/` | Documento TFM generado + figuras PNG |
-│   ├── doctr_service/              # Servicio DocTR
+| `instructions/` | Plantilla e instrucciones UNIR oficiales |
-│   │   ├── Dockerfile.gpu
+
-│   │   ├── docker-compose.yml
+*Fuente: Elaboración propia.*
 │   │   └── 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
 ```
 ## A.3 Requisitos de Software
@@ -79,8 +125,8 @@ MastersThesis/
 ### PaddleOCR (Puerto 8002)
 **Imágenes Docker:**
- GPU: `seryus.ddns.net/unir/paddle-ocr-gpu`
+- 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`
+- 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 +134,13 @@ 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 +151,14 @@ 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
 ```
@@ -183,20 +231,22 @@ analyze_results(results, prefix='raytune_paddle', config_keys=PADDLE_OCR_CONFIG_
 **Tabla A3.** *Servicios Docker y puertos.*
-| Servicio | Puerto | Script de Ajuste |
+| Servicio | Puerto | Script de Ajuste | Nota |
-|----------|--------|------------------|
+|----------|--------|------------------|------|
-| PaddleOCR | 8002 | `paddle_ocr_payload` |
+| PaddleOCR | 8002 | `paddle_ocr_payload` | - |
-| DocTR | 8003 | `doctr_payload` |
+| DocTR | 8003 | `doctr_payload` | - |
-| EasyOCR | 8002 | `easyocr_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:
 - [Métricas Generales](metrics/metrics.md) - Comparativa de los tres servicios
- [PaddleOCR](metrics/metrics_paddle.md) - Mejor precisión (7.76% CER baseline, **1.49% optimizado**)
+- [PaddleOCR](metrics/metrics_paddle.md) - Mejor precisión (8.85% CER baseline, **7.72% optimizado**, **0.79% mejor trial**)
 - [DocTR](metrics/metrics_doctr.md) - Más rápido (0.50s/página)
 - [EasyOCR](metrics/metrics_easyocr.md) - Balance intermedio
--- 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
--- a/generate_mermaid_figures.py
+++ b/generate_mermaid_figures.py
@@ -64,10 +64,10 @@ def convert_to_png(diagrams):
        with open(temp_file, 'w', encoding='utf-8') as f:
            f.write(diagram['code'])
-        # Convert using mmdc with moderate size for page fit
+        # Convert using mmdc with high resolution for clarity
        try:
            result = subprocess.run(
-                [MMDC, '-i', temp_file, '-o', output_file, '-b', 'white', '-w', '800', '-s', '1.5'],
+                [MMDC, '-i', temp_file, '-o', output_file, '-b', 'white', '-w', '1600', '-s', '3'],
                capture_output=True,
                text=True,
                timeout=60
--- a/thesis_output/figures/figura_1.png
+++ b/thesis_output/figures/figura_1.png
--- a/thesis_output/figures/figura_10.png
+++ b/thesis_output/figures/figura_10.png
--- a/thesis_output/figures/figura_11.png
+++ b/thesis_output/figures/figura_11.png
--- a/thesis_output/figures/figura_2.png
+++ b/thesis_output/figures/figura_2.png
--- a/thesis_output/figures/figura_3.png
+++ b/thesis_output/figures/figura_3.png
--- a/thesis_output/figures/figura_4.png
+++ b/thesis_output/figures/figura_4.png
--- a/thesis_output/figures/figura_5.png
+++ b/thesis_output/figures/figura_5.png
--- a/thesis_output/figures/figura_6.png
+++ b/thesis_output/figures/figura_6.png
--- a/thesis_output/figures/figura_7.png
+++ b/thesis_output/figures/figura_7.png
--- a/thesis_output/figures/figura_8.png
+++ b/thesis_output/figures/figura_8.png
--- a/thesis_output/figures/figura_9.png
+++ b/thesis_output/figures/figura_9.png
--- a/thesis_output/figures/figures_manifest.json
+++ b/thesis_output/figures/figures_manifest.json
@@ -1,37 +1,57 @@
 [
  {
    "file": "figura_1.png",
-    "title": "Pipeline de un sistema OCR moderno",
+    "title": "Diagrama 1",
    "index": 1
  },
  {
    "file": "figura_2.png",
-    "title": "Ciclo de optimización con Ray Tune y Optuna",
+    "title": "Diagrama 2",
    "index": 2
  },
  {
    "file": "figura_3.png",
-    "title": "Fases de la metodología experimental",
+    "title": "Diagrama 3",
    "index": 3
  },
  {
    "file": "figura_4.png",
-    "title": "Estructura del dataset de evaluación",
+    "title": "Diagrama 4",
    "index": 4
  },
  {
    "file": "figura_5.png",
-    "title": "Arquitectura de ejecución con Docker Compose",
+    "title": "Diagrama 5",
    "index": 5
  },
  {
    "file": "figura_6.png",
-    "title": "Impacto de textline_orientation en CER",
+    "title": "Diagrama 6",
    "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": "Impacto de textline_orientation en CER",
    "index": 9
  },
  {
    "file": "figura_10.png",
    "title": "Reducción de errores: Baseline vs Optimizado (45 páginas)",
    "index": 10
  },
  {
    "file": "figura_11.png",
    "title": "Estructura del repositorio MastersThesis",
    "index": 11
  }
 ]
--- a/thesis_output/plantilla_individual.htm
+++ b/thesis_output/plantilla_individual.htm