Optimización de Hiperparámetros OCR con Ray Tune para Documentos Académicos en Español

Sergio Jiménez Jiménez
Director: Javier Rodrigo Villazón Terrazas
Máster Universitario en Inteligencia Artificial
2025
UNIR

ÍNDICE

01Motivación y planteamiento del problema
02Objetivos y estado del arte
03Metodología y arquitectura
04Resultados experimentales
05Conclusiones y trabajo futuro

Motivación

  • La digitalización documental es una necesidad estratégica para organizaciones
  • OCR como puente entre el mundo físico y digital
  • Documentos en español: caracteres especiales ausentes en conjuntos de entrenamiento internacionales
  • Modelos preentrenados: rendimiento subóptimo fuera de benchmarks estándar
  • Fine-tuning requiere infraestructura costosa y datos etiquetados

Errores típicos en español

OriginalOCRError
másmasPérdida de acento
añoanoPérdida de eñe
¿CómoComoSignos especiales
titulacióntitulacióonDuplicación
pág.
03

Planteamiento del Problema

¿Es posible mejorar significativamente el rendimiento de modelos OCR preentrenados para documentos en español mediante la optimización sistemática de hiperparámetros, sin requerir fine-tuning?
Fine-tuning completo
Optimización de hiperparámetros
Datos
Miles de imágenes etiquetadas
Subconjunto de validación
Hardware
GPU alta memoria (>16 GB)
CPU / GPU consumo
Tiempo
Días / semanas
Minutos / horas
Expertise
Alto (ML avanzado)
Bajo-medio
Riesgo
Sobreajuste, catastrófico
Limitado, reversible
pág.
04

Objetivos

Objetivo general: Optimizar PaddleOCR para documentos académicos en español alcanzando un CER < 2% sin fine-tuning del modelo base.
  • OE1: Comparar tres motores OCR open-source (EasyOCR, PaddleOCR, DocTR)
  • OE2: Preparar dataset de evaluación de 45 páginas con ground truth
  • OE3: Identificar hiperparámetros críticos mediante análisis de correlación
  • OE4: Ejecutar 64 trials de optimización con Ray Tune + Optuna
  • OE5: Validar la configuración optimizada frente al baseline
pág.
05

Estado del Arte: Motores OCR

EasyOCR

JaidedAI
CRAFT + CRNN
  • 80+ idiomas
  • Fácil de usar
  • Baja configurabilidad

PaddleOCR

Baidu / PaddlePaddle
DB + SVTR (PP-OCRv5)
  • Alta configurabilidad
  • Pipeline modular
  • Soporte español dedicado

DocTR

Mindee
DB/LinkNet + CRNN/SAR
  • TF y PyTorch
  • Soporte español limitado
  • Rápido en inferencia
Pipeline OCR
Pipeline de un sistema OCR moderno
pág.
06

Metodología: 5 Fases

Metodología
Fases de la metodología experimental
1
Preparación del dataset
PDF → 300 DPI + GT
2
Benchmark comparativo
3 motores, CER/WER
3
Espacio de búsqueda
7 hiperparámetros
4
Optimización
64 trials, TPE
5
Validación
45 páginas completas
pág.
07

Arquitectura: Microservicios Docker

Arquitectura
Arquitectura de microservicios para optimización OCR
  • Contenedor Ray Tune: Orquestador de trials (Optuna TPE)
  • Contenedor OCR: PaddleOCR con acceso GPU
  • Comunicación: REST API (HTTP POST /evaluate)
  • Respuesta: JSON {CER, WER, TIME}
  • Docker Compose: Despliegue reproducible
Hardware:
RTX 3060 Laptop (5.66 GB VRAM)
AMD Ryzen 7 5800H
16 GB DDR4 | Ubuntu 24.04
pág.
08

Espacio de Búsqueda: 7 Hiperparámetros

ParámetroTipoRango
textline_orientationBooleanoTrue / False
use_doc_orientation_classifyBooleanoTrue / False
use_doc_unwarpingBooleanoTrue / False
text_det_threshContinuo[0.01, 0.50]
text_det_box_threshContinuo[0.01, 0.90]
text_rec_score_threshContinuo[0.01, 0.99]
text_det_unclip_ratioFijo0.0
Ray Tune Cycle
Ciclo de optimización con Ray Tune y Optuna
Algoritmo: TPE (Tree-structured Parzen Estimator)
Trials: 64 | Concurrencia: 2 workers
Métrica: Minimizar CER
pág.
09

Resultados: Benchmark Comparativo

MotorBaseHPOMejora
EasyOCR11.23%5.84%-48%
PaddleOCR7.76%0.79%-90%
DocTR12.06%7.43%-38%
Solo PaddleOCR alcanza CER<2% (43/64 trials). Mejora del 89.8%.
pág.
10

Resultados: 64 Trials de Optimización

0.79%
Mejor CER (Trial #1)
0.87%
Mediana CER
7.30%
Peor CER
67.2%
Trials con CER < 2%
0 fallos en 64 trials | Tiempo total: ~5 min (GPU)
pág.
11

Hallazgo Clave: textline_orientation

-63.2%
Reducción en CER
  • Un único parámetro booleano tiene mayor impacto que todos los umbrales numéricos combinados
  • Decisiones arquitecturales > ajustes numéricos finos
  • Crítico para documentos con layouts complejos (índices, listas, encabezados)
  • 52 de 64 trials (81%) lo activaron automáticamente (Optuna aprendió rápido)
pág.
12

Análisis de Hiperparámetros

Correlación Pearson con CER

Importancia de Hiperparámetros

Insight: use_doc_unwarping (+0.88) es perjudicial en PDFs digitales (añade procesamiento innecesario). Los parámetros booleanos (arquitecturales) dominan sobre los umbrales numéricos.
pág.
13

Validación: Baseline vs Optimizado

MétricaBaselineOptimizadoMejora
CER (45 pág)8.85%7.72%-12.8%
WER (45 pág)13.05%11.40%-12.6%
CER (mejor trial, 5 pág)7.76%0.79%-89.8%
Nota: La diferencia entre el mejor trial (0.79%) y la validación completa (7.72%) evidencia sobreajuste al subconjunto de 5 páginas usado en la optimización. Un subconjunto más amplio (15-20 páginas) mejoraría la generalización.
pág.
14

Aceleración GPU

82x
Factor de aceleración
0.84 s
GPU: segundos por página
69.4 s
CPU: segundos por página
64 trials × 5 páginas:
CPU: ~6.2 horas
GPU: ~5 minutos
pág.
15

Configuración Óptima

config_optimizada = {
  "textline_orientation": True,  # CRÍTICO
  "use_doc_orientation_classify": True,
  "use_doc_unwarping": False,  # Innecesario
  "text_det_thresh": 0.0462,
  "text_det_box_thresh": 0.4862,
  "text_det_unclip_ratio": 0.0,
  "text_rec_score_thresh": 0.5658,
}

Insights clave

  • textline_orientation = True: Parámetro más impactante (-63.2% CER)
  • use_doc_unwarping = False: Procesamiento innecesario para PDFs digitales
  • text_det_thresh bajo: Captura más regiones de texto, reduce omisiones
  • Parámetros booleanos dominan sobre umbrales numéricos
Esta configuración es directamente aplicable a otros documentos académicos en español con layouts similares.
pág.
16

Conclusiones

Contribuciones

1
Metodología reproducible para optimización de hiperparámetros OCR con código abierto
2
Análisis sistemático de hiperparámetros PaddleOCR con correlaciones Pearson
3
Configuración validada para documentos académicos en español (CER 0.79%)
4
Infraestructura dockerizada reproducible con imágenes públicas

Limitaciones

!
Un único tipo de documento (académico UNIR)
!
Corpus modesto (45 páginas)
!
Sobreajuste al subconjunto de optimización (5 páginas)
!
text_det_unclip_ratio no explorado
pág.
17

Líneas de Trabajo Futuro

Extensiones inmediatas

  • Validación cruzada en otros tipos de documentos (facturas, formularios, manuscritos)
  • Subconjunto de optimización más amplio (15-20 páginas)
  • Exploración de text_det_unclip_ratio

Líneas de investigación

  • Transfer learning de hiperparámetros entre dominios
  • Optimización multi-objetivo (CER + WER + velocidad)
  • Comparación rigurosa HPO vs fine-tuning

Aplicaciones prácticas

  • Herramienta de configuración automática por tipo de documento
  • Integración en pipelines de producción
  • Benchmark público de OCR en español
pág.
18

muchas
gracias.

UNIR