# Contexto y estado del arte Para comprender el alcance y las decisiones tomadas en este trabajo, es necesario situarlo en su contexto tecnológico. El Reconocimiento Óptico de Caracteres ha recorrido un largo camino desde los primeros sistemas de plantillas de los años 50 hasta las sofisticadas arquitecturas de aprendizaje profundo actuales. A lo largo de este capítulo se revisan los fundamentos técnicos del OCR moderno. Se analizan las principales soluciones de código abierto y se identifican los vacíos en la literatura que motivan la contribución de este trabajo. ## Contexto del problema ### Definición y Evolución Histórica del OCR El Reconocimiento Óptico de Caracteres (OCR) es el proceso de conversión de imágenes de texto manuscrito, mecanografiado o impreso en texto codificado digitalmente. Esta tecnología permite la digitalización masiva de documentos, facilitando su búsqueda, edición y almacenamiento electrónico. La tecnología OCR ha evolucionado significativamente desde sus orígenes en la década de 1950, atravesando cuatro generaciones claramente diferenciadas: #### Primera Generación (1950-1970): Sistemas basados en plantillas Los primeros sistemas OCR surgieron en la década de 1950 con el objetivo de automatizar la lectura de documentos bancarios y postales. Estos sistemas utilizaban técnicas de correspondencia de plantillas (*template matching*), donde cada carácter de entrada se comparaba píxel a píxel con un conjunto predefinido de plantillas (Mori et al., 1992). Las principales limitaciones de esta generación incluían: - Dependencia de fuentes tipográficas específicas (OCR-A, OCR-B) - Incapacidad para manejar variaciones en tamaño, rotación o estilo - Alto coste computacional para la época - Sensibilidad extrema al ruido y degradación de la imagen A pesar de sus limitaciones, estos sistemas sentaron las bases para el desarrollo posterior del campo y demostraron la viabilidad comercial del reconocimiento automático de texto. #### Segunda Generación (1970-1990): Extracción de características La segunda generación introdujo técnicas más sofisticadas basadas en la extracción de características geométricas y estructurales de los caracteres. En lugar de comparar imágenes completas, estos sistemas extraían propiedades como: - Número y posición de trazos - Proporciones geométricas (altura, anchura, relación de aspecto) - Momentos estadísticos de la distribución de píxeles - Características topológicas (bucles, intersecciones, terminaciones) Los clasificadores estadísticos, como el análisis discriminante lineal y los k-vecinos más cercanos (k-NN), se utilizaban para asignar cada vector de características a una clase de carácter (Trier et al., 1996). Esta aproximación permitió mayor robustez frente a variaciones tipográficas, aunque seguía requiriendo un diseño manual cuidadoso de las características a extraer. #### Tercera Generación (1990-2010): Redes neuronales y modelos probabilísticos La tercera generación marcó la introducción de técnicas de aprendizaje automático más avanzadas. Los Modelos Ocultos de Markov (HMM) se convirtieron en el estándar para el reconocimiento de secuencias de caracteres, especialmente en el reconocimiento de escritura manuscrita (Plamondon & Srihari, 2000). Las Redes Neuronales Artificiales (ANN) también ganaron popularidad en esta época, con arquitecturas como el Perceptrón Multicapa (MLP) demostrando capacidades superiores de generalización. El trabajo seminal de LeCun et al. (1998) con las redes convolucionales (CNN) para el reconocimiento de dígitos manuscritos (dataset MNIST) estableció los fundamentos para la siguiente revolución. Las características de esta generación incluían: - Aprendizaje automático de características discriminativas - Modelado probabilístico de secuencias de caracteres - Mayor robustez frente a ruido y degradación - Capacidad de incorporar conocimiento lingüístico mediante modelos de lenguaje #### Cuarta Generación (2010-presente): Aprendizaje profundo La cuarta y actual generación está dominada por arquitecturas de aprendizaje profundo que han superado ampliamente el rendimiento de los métodos tradicionales. Los avances clave incluyen: **Redes Convolucionales Profundas (Deep CNNs)**: Arquitecturas como VGGNet, ResNet e Inception permiten la extracción automática de características jerárquicas a múltiples escalas, eliminando la necesidad de diseño manual de características (Krizhevsky et al., 2012). **Redes Recurrentes (RNN/LSTM)**: Las redes Long Short-Term Memory (LSTM) permiten modelar dependencias a largo plazo en secuencias de caracteres, siendo fundamentales para el reconocimiento de texto de longitud variable (Graves et al., 2009). **Mecanismos de Atención y Transformers**: La arquitectura Transformer (Vaswani et al., 2017) y sus variantes han revolucionado el procesamiento de secuencias, permitiendo capturar relaciones globales sin las limitaciones de las RNN. Modelos como TrOCR (Li et al., 2023) representan el estado del arte actual. **Connectionist Temporal Classification (CTC)**: La función de pérdida CTC (Graves et al., 2006) permite entrenar modelos de reconocimiento de secuencias sin necesidad de alineamiento carácter por carácter, simplificando enormemente el proceso de entrenamiento. ### Pipeline Moderno de OCR Los sistemas OCR modernos siguen típicamente un pipeline de dos etapas principales, precedidas opcionalmente por una fase de preprocesamiento: ```mermaid --- title: "Pipeline de un sistema OCR moderno" config: theme: base themeVariables: primaryColor: "#E6F4F9" primaryTextColor: "#404040" primaryBorderColor: "#0098CD" lineColor: "#0098CD" --- flowchart LR subgraph Input A["Imagen de
documento"] end subgraph "Etapa 1: Detección" B["Text Detection
(DB, EAST, CRAFT)"] end subgraph "Etapa 2: Reconocimiento" C["Text Recognition
(CRNN, SVTR, Transformer)"] end subgraph Output D["Texto
extraído"] end A --> B B -->|"Regiones de texto
(bounding boxes)"| C C --> D style A fill:#e1f5fe style D fill:#c8e6c9 ``` #### Etapa de Preprocesamiento Antes de la detección, muchos sistemas aplican técnicas de preprocesamiento para mejorar la calidad de la imagen de entrada: - **Binarización**: Conversión a imagen binaria (blanco/negro) mediante técnicas como Otsu o Sauvola - **Corrección de inclinación (deskewing)**: Alineamiento horizontal del texto - **Eliminación de ruido**: Filtros morfológicos y de suavizado - **Normalización de contraste**: Mejora de la legibilidad mediante ecualización de histograma #### Etapa 1: Detección de Texto (Text Detection) La detección de texto tiene como objetivo localizar todas las regiones de una imagen que contienen texto. Esta tarea es particularmente desafiante debido a la variabilidad en: - Tamaño y orientación del texto - Fondos complejos y oclusiones parciales - Texto curvo o deformado - Múltiples idiomas y scripts en una misma imagen Las arquitecturas más utilizadas para detección de texto incluyen: **EAST (Efficient and Accurate Scene Text Detector)**: Propuesto por Zhou et al. (2017), EAST es un detector de una sola etapa que predice directamente cuadriláteros rotados o polígonos que encierran el texto. Su arquitectura FCN (Fully Convolutional Network) permite procesamiento eficiente de imágenes de alta resolución. **CRAFT (Character Region Awareness for Text Detection)**: Desarrollado por Baek et al. (2019), CRAFT detecta regiones de caracteres individuales y las agrupa en palabras mediante el análisis de mapas de afinidad. Esta aproximación bottom-up es especialmente efectiva para texto con espaciado irregular. **DB (Differentiable Binarization)**: Propuesto por Liao et al. (2020), DB introduce una operación de binarización diferenciable que permite entrenar end-to-end un detector de texto basado en segmentación. Esta arquitectura es la utilizada por PaddleOCR y destaca por su velocidad y precisión. **Tabla 4.** *Comparativa de arquitecturas de detección de texto.* | Arquitectura | Tipo | Salida | Fortalezas | Limitaciones | |--------------|------|--------|------------|--------------| | EAST | Single-shot | Cuadriláteros rotados | Rápido, simple | Dificultad con texto curvo | | CRAFT | Bottom-up | Polígonos de palabra | Robusto a espaciado | Mayor coste computacional | | DB | Segmentación | Polígonos arbitrarios | Rápido, preciso | Sensible a parámetros | Fuente: Elaboración propia a partir de Zhou et al. (2017), Baek et al. (2019), Liao et al. (2020). #### Etapa 2: Reconocimiento de Texto (Text Recognition) Una vez detectadas las regiones de texto, la etapa de reconocimiento transcribe el contenido visual a texto digital. Las arquitecturas predominantes son: **CRNN (Convolutional Recurrent Neural Network)**: Propuesta por Shi et al. (2016), CRNN combina una CNN para extracción de características visuales con una RNN bidireccional (típicamente LSTM) para modelado de secuencias, entrenada con pérdida CTC. Esta arquitectura estableció el paradigma encoder-decoder que domina el campo. La arquitectura CRNN consta de tres componentes: 1. **Capas convolucionales**: Extraen características visuales de la imagen de entrada 2. **Capas recurrentes**: Modelan las dependencias secuenciales entre características 3. **Capa de transcripción**: Convierte las predicciones de la RNN en secuencias de caracteres mediante CTC **SVTR (Scene-Text Visual Transformer Recognition)**: Desarrollado por Du et al. (2022), SVTR aplica la arquitectura Transformer al reconocimiento de texto, utilizando parches de imagen como tokens de entrada. Esta aproximación elimina la necesidad de RNN y permite capturar dependencias globales de manera más eficiente. **Arquitecturas con Atención**: Los modelos encoder-decoder con mecanismos de atención (Bahdanau et al., 2015) permiten al decodificador "enfocarse" en diferentes partes de la imagen mientras genera cada carácter. Esto es especialmente útil para texto largo o con layouts complejos. **TrOCR (Transformer-based OCR)**: Propuesto por Li et al. (2023), TrOCR utiliza un Vision Transformer (ViT) como encoder y un Transformer de lenguaje como decoder, logrando resultados estado del arte en múltiples benchmarks. **Tabla 5.** *Comparativa de arquitecturas de reconocimiento de texto.* | Arquitectura | Encoder | Decoder | Pérdida | Características | |--------------|---------|---------|---------|-----------------| | CRNN | CNN | BiLSTM | CTC | Rápido, robusto | | SVTR | ViT | Linear | CTC | Sin recurrencia | | Attention-based | CNN | LSTM+Attn | Cross-entropy | Flexible longitud | | TrOCR | ViT | Transformer | Cross-entropy | Estado del arte | Fuente: Elaboración propia a partir de Shi et al. (2016), Du et al. (2022), Li et al. (2023). ### Métricas de Evaluación La evaluación rigurosa de sistemas OCR requiere métricas estandarizadas que permitan comparaciones objetivas. Las métricas fundamentales se basan en la distancia de edición de Levenshtein. #### Distancia de Levenshtein La distancia de Levenshtein (Levenshtein, 1966) entre dos cadenas es el número mínimo de operaciones de edición (inserción, eliminación, sustitución) necesarias para transformar una cadena en otra. Formalmente, para dos cadenas *a* y *b*: $$d(a,b) = \min(\text{inserciones} + \text{eliminaciones} + \text{sustituciones})$$ Esta métrica es fundamental para calcular tanto CER como WER. #### Character Error Rate (CER) El CER mide el error a nivel de carácter y se calcula como: $$CER = \frac{S + D + I}{N}$$ Donde: - S = número de sustituciones de caracteres - D = número de eliminaciones de caracteres - I = número de inserciones de caracteres - N = número total de caracteres en el texto de referencia Un CER bajo indica que el sistema comete pocos errores a nivel de carácter. Para aplicaciones críticas se requiere un nivel de error muy reducido, mientras que en tareas de búsqueda o archivo pueden aceptarse errores mayores. #### Word Error Rate (WER) El WER mide el error a nivel de palabra, utilizando la misma fórmula pero considerando palabras como unidades: $$WER = \frac{S_w + D_w + I_w}{N_w}$$ El WER es generalmente mayor que el CER, ya que un solo error de carácter puede invalidar una palabra completa. Esta diferencia es relevante cuando se comparan sistemas que preservan caracteres pero pierden palabras completas. #### Otras Métricas Complementarias **Precision y Recall a nivel de palabra**: Útiles cuando se evalúa la capacidad del sistema para detectar palabras específicas. **Bag-of-Words Accuracy**: Mide la proporción de palabras correctamente reconocidas independientemente de su orden. **BLEU Score**: Adaptado de traducción automática, mide la similitud entre el texto predicho y la referencia considerando n-gramas. ### Particularidades del OCR para el Idioma Español El español, como lengua romance, presenta características específicas que impactan el rendimiento de los sistemas OCR: #### Características Ortográficas **Caracteres especiales**: El español incluye caracteres no presentes en el alfabeto inglés básico: - La letra eñe (ñ, Ñ) - Vocales acentuadas (á, é, í, ó, ú, Á, É, Í, Ó, Ú) - Diéresis sobre u (ü, Ü) - Signos de puntuación invertidos (¿, ¡) Estos caracteres requieren que los modelos OCR incluyan dichos símbolos en su vocabulario de salida y que el entrenamiento incluya suficientes ejemplos de cada uno. **Diacríticos y acentos**: Los acentos gráficos del español son elementos pequeños que pueden confundirse fácilmente con ruido, artefactos de imagen o signos de puntuación. La distinción entre vocales acentuadas y no acentuadas es crucial para el significado (e.g., "él" vs "el", "más" vs "mas"). #### Características Lingüísticas **Longitud de palabras**: Las palabras en español tienden a ser más largas que en inglés debido a la morfología flexiva rica (conjugaciones verbales, géneros, plurales). Esto puede aumentar la probabilidad de error acumulativo. **Vocabulario**: El español tiene un vocabulario amplio con muchas variantes morfológicas de cada raíz. Los modelos de lenguaje utilizados para post-corrección deben contemplar esta diversidad. #### Recursos y Datasets Los recursos disponibles para OCR en español son significativamente menores que para inglés o chino: - Menor cantidad de datasets etiquetados de gran escala - Menos modelos preentrenados específicos para español - Documentación y tutoriales predominantemente en inglés Esta escasez de recursos específicos para español motiva la necesidad de técnicas de adaptación como la optimización de hiperparámetros explorada en este trabajo. ## Estado del arte ### Soluciones OCR de Código Abierto En los últimos años han surgido varias soluciones OCR de código abierto que democratizan el acceso a esta tecnología. A continuación se analizan en detalle las tres principales alternativas evaluadas en este trabajo. #### EasyOCR EasyOCR es una biblioteca de OCR desarrollada por Jaided AI (2020) con el objetivo de proporcionar una solución de fácil uso que soporte múltiples idiomas. Actualmente soporta más de 80 idiomas, incluyendo español. **Arquitectura técnica**: - **Detector**: CRAFT (Character Region Awareness for Text Detection) - **Reconocedor**: CRNN con backbone ResNet/VGG + BiLSTM + CTC - **Modelos preentrenados**: Disponibles para descarga automática **Características principales**: - API simple de una línea para casos de uso básicos - Soporte para GPU (CUDA) y CPU - Reconocimiento de múltiples idiomas en una misma imagen - Bajo consumo de memoria comparado con otras soluciones **Limitaciones identificadas**: - Opciones de configuración limitadas (pocos hiperparámetros ajustables) - Menor precisión en documentos con layouts complejos - Actualizaciones menos frecuentes que otras alternativas - Documentación menos exhaustiva **Caso de uso ideal**: Prototipado rápido, aplicaciones con restricciones de memoria, proyectos que requieren soporte multilingüe inmediato. #### PaddleOCR PaddleOCR es el sistema OCR desarrollado por Baidu como parte del ecosistema PaddlePaddle (2024). Representa una de las soluciones más completas y activamente mantenidas en el ecosistema de código abierto. La versión PP-OCRv5, utilizada en este trabajo, incorpora los últimos avances en el campo. **Arquitectura técnica**: El pipeline de PaddleOCR consta de tres módulos principales: 1. **Detector de texto (DB - Differentiable Binarization)**: - Backbone: ResNet18/ResNet50 - Neck: FPN (Feature Pyramid Network) - Head: Segmentación con binarización diferenciable - Salida: Polígonos que encierran regiones de texto 2. **Clasificador de orientación**: - Determina si el texto está rotado 0° o 180° - Permite corrección automática de texto invertido - Opcional pero recomendado para documentos escaneados 3. **Reconocedor de texto (SVTR)**: - Encoder: Vision Transformer modificado - Decoder: CTC o Attention-based - Vocabulario: Configurable por idioma **Hiperparámetros configurables**: PaddleOCR expone numerosos hiperparámetros que permiten ajustar el comportamiento del sistema. Los más relevantes para este trabajo son: **Tabla 6.** *Hiperparámetros de detección de PaddleOCR.* | Parámetro | Descripción | Rango | Defecto | |-----------|-------------|-------|---------| | `text_det_thresh` | Umbral de probabilidad para píxeles de texto | [0.0, 1.0] | 0.3 | | `text_det_box_thresh` | Umbral de confianza para cajas detectadas | [0.0, 1.0] | 0.6 | | `text_det_unclip_ratio` | Factor de expansión de cajas detectadas | [0.0, 3.0] | 1.5 | | `text_det_limit_side_len` | Tamaño máximo del lado de imagen | [320, 2560] | 960 | Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024). **Tabla 7.** *Hiperparámetros de reconocimiento de PaddleOCR.* | Parámetro | Descripción | Rango | Defecto | |-----------|-------------|-------|---------| | `text_rec_score_thresh` | Umbral de confianza para resultados | [0.0, 1.0] | 0.5 | | `use_textline_orientation` | Activar clasificación de orientación de línea | {True, False} | False | | `rec_batch_size` | Tamaño de batch para reconocimiento | [1, 64] | 6 | Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024). **Tabla 8.** *Hiperparámetros de preprocesamiento de PaddleOCR.* | Parámetro | Descripción | Impacto | |-----------|-------------|---------| | `use_doc_orientation_classify` | Clasificación de orientación del documento | Alto para documentos escaneados | | `use_doc_unwarping` | Corrección de deformación/curvatura | Alto para fotos de documentos | | `use_angle_cls` | Clasificador de ángulo 0°/180° | Medio para documentos rotados | Fuente: Documentación oficial de PaddleOCR (PaddlePaddle, 2024). **Fortalezas de PaddleOCR**: - Alta precisión en múltiples benchmarks - Pipeline altamente configurable - Modelos optimizados para servidor (mayor precisión) y móvil (mayor velocidad) - Documentación exhaustiva (aunque principalmente en chino) - Comunidad activa y actualizaciones frecuentes - Soporte para entrenamiento personalizado (fine-tuning) **Limitaciones**: - Dependencia del framework PaddlePaddle (menos popular que PyTorch/TensorFlow) - Curva de aprendizaje más pronunciada - Documentación en inglés menos completa que en chino #### DocTR DocTR (Document Text Recognition) es una biblioteca desarrollada por Mindee (2021), empresa especializada en procesamiento inteligente de documentos. Está orientada a la comunidad de investigación y ofrece una API limpia basada en TensorFlow/PyTorch. **Arquitectura técnica**: - **Detectores disponibles**: DB (db_resnet50), LinkNet (linknet_resnet18) - **Reconocedores disponibles**: CRNN (crnn_vgg16_bn), SAR (sar_resnet31), ViTSTR (vitstr_small) - **Framework**: TensorFlow 2.x o PyTorch **Características principales**: - API Pythonic bien diseñada - Salida estructurada con información de confianza y geometría - Integración nativa con Hugging Face Hub - Documentación orientada a investigación **Limitaciones identificadas**: - Menor rendimiento en español comparado con PaddleOCR según pruebas preliminares - Comunidad más pequeña - Menos opciones de modelos preentrenados para idiomas no ingleses #### Comparativa Detallada de Soluciones **Tabla 9.** *Comparativa técnica de soluciones OCR de código abierto.* | Aspecto | EasyOCR | PaddleOCR | DocTR | |---------|---------|-----------|-------| | **Framework** | PyTorch | PaddlePaddle | TF/PyTorch | | **Detector** | CRAFT | DB | DB/LinkNet | | **Reconocedor** | CRNN | SVTR/CRNN | CRNN/SAR/ViTSTR | | **Idiomas** | Multilingüe | Multilingüe | Limitado | | **Configurabilidad** | Baja | Alta | Media | | **Documentación** | Media | Alta (CN) | Alta (EN) | | **Actividad** | Media | Alta | Media | | **Licencia** | Apache 2.0 | Apache 2.0 | Apache 2.0 | Fuente: Elaboración propia a partir de documentación oficial (2024). **Tabla 10.** *Comparativa de facilidad de uso.* | Aspecto | EasyOCR | PaddleOCR | DocTR | |---------|---------|-----------|-------| | Instalación | `pip install` | `pip install` | `pip install` | | Complejidad de uso | Baja | Media | Media | | GPU requerida | Opcional | Opcional | Opcional | | Requisitos de memoria | Bajos | Medios | Medios | Fuente: Elaboración propia a partir de documentación oficial. ### Optimización de Hiperparámetros #### Fundamentos Teóricos La optimización de hiperparámetros (HPO, *Hyperparameter Optimization*) es el proceso de encontrar la configuración óptima de los parámetros que controlan el proceso de aprendizaje o inferencia de un modelo, pero que no se aprenden directamente de los datos (Feurer & Hutter, 2019). A diferencia de los parámetros del modelo (como los pesos de una red neuronal), los hiperparámetros se establecen antes del entrenamiento e incluyen: - Tasa de aprendizaje, tamaño de batch, número de épocas - Arquitectura del modelo (número de capas, unidades por capa) - Parámetros de regularización (dropout, weight decay) - **Umbrales de decisión en tiempo de inferencia** (relevante para este trabajo) El problema de HPO puede formalizarse como: $$\lambda^* = \operatorname{argmin}_{\lambda \in \Lambda} \mathcal{L}(M_\lambda, D_{val})$$ Donde: - $\lambda$ es un vector de hiperparámetros - $\Lambda$ es el espacio de búsqueda - $M_\lambda$ es el modelo configurado con $\lambda$ - $\mathcal{L}$ es la función de pérdida - $D_{val}$ es el conjunto de validación #### Métodos de Optimización **Grid Search (Búsqueda en rejilla)**: El método más simple consiste en evaluar todas las combinaciones posibles de valores discretizados de los hiperparámetros. Para $k$ hiperparámetros con $n$ valores cada uno, requiere $n^k$ evaluaciones. Ventajas: - Exhaustivo y reproducible - Fácil de paralelizar - Garantiza encontrar el óptimo dentro de la rejilla Desventajas: - Coste exponencial con el número de hiperparámetros - Ineficiente si algunos hiperparámetros son más importantes que otros - No aprovecha información de evaluaciones previas **Random Search (Búsqueda aleatoria)**: Propuesto por Bergstra & Bengio (2012), Random Search muestrea configuraciones aleatoriamente del espacio de búsqueda. Sorprendentemente, supera a Grid Search en muchos escenarios prácticos. La intuición es que, cuando solo algunos hiperparámetros son importantes, Random Search explora más valores de estos parámetros críticos mientras Grid Search desperdicia evaluaciones variando parámetros irrelevantes. **Optimización Bayesiana**: La optimización bayesiana modela la función objetivo mediante un modelo probabilístico sustituto (*surrogate model*) y utiliza una función de adquisición para decidir qué configuración evaluar a continuación (Bergstra et al., 2011). El proceso iterativo es: 1. Ajustar el modelo sustituto a las observaciones actuales 2. Optimizar la función de adquisición para seleccionar el siguiente punto 3. Evaluar la función objetivo en el punto seleccionado 4. Actualizar las observaciones y repetir Los modelos sustitutos más comunes son: - **Procesos Gaussianos (GP)**: Proporcionan incertidumbre bien calibrada pero escalan pobremente - **Random Forests**: Manejan bien espacios de alta dimensión y variables categóricas - **Tree-structured Parzen Estimator (TPE)**: Modela densidades en lugar de la función objetivo #### Tree-structured Parzen Estimator (TPE) TPE, propuesto por Bergstra et al. (2011) e implementado en Optuna, es particularmente efectivo para HPO. En lugar de modelar $p(y|\lambda)$ directamente, TPE modela: $$p(\lambda|y) = \begin{cases} l(\lambda) & \text{si } y < y^* \\ g(\lambda) & \text{si } y \geq y^* \end{cases}$$ Donde $y^*$ es un umbral (típicamente el percentil 15-25 de las observaciones), $l(\lambda)$ es la densidad de hiperparámetros con buen rendimiento, y $g(\lambda)$ es la densidad de hiperparámetros con mal rendimiento. La función de adquisición Expected Improvement se aproxima como: $$EI(\lambda) \propto \frac{l(\lambda)}{g(\lambda)}$$ Configuraciones con alta probabilidad bajo $l$ y baja probabilidad bajo $g$ tienen mayor Expected Improvement. **Ventajas de TPE**: - Maneja naturalmente espacios condicionales (hiperparámetros que dependen de otros) - Eficiente para espacios de alta dimensión - No requiere derivadas de la función objetivo - Implementación eficiente en Optuna #### Ray Tune Ray Tune (Liaw et al., 2018) es un framework de optimización de hiperparámetros escalable construido sobre Ray, un sistema de computación distribuida. Sus características principales incluyen: **Escalabilidad**: - Ejecución paralela de múltiples trials - Distribución automática en clusters - Soporte para recursos heterogéneos (CPU/GPU) **Flexibilidad**: - Integración con múltiples algoritmos de búsqueda (Optuna, HyperOpt, Ax, etc.) - Schedulers avanzados (ASHA, PBT, BOHB) - Checkpointing y recuperación de fallos **Early Stopping**: - ASHA (Asynchronous Successive Halving Algorithm): Termina trials poco prometedores - PBT (Population-Based Training): Evoluciona hiperparámetros durante el entrenamiento **Integración con Optuna**: La combinación de Ray Tune con OptunaSearch permite: 1. Utilizar TPE como algoritmo de búsqueda 2. Paralelizar la evaluación de trials 3. Beneficiarse de la infraestructura de Ray para distribución 4. Acceder a las visualizaciones de Optuna ```mermaid --- title: "Ciclo de optimización con Ray Tune y Optuna" config: theme: base themeVariables: primaryColor: "#E6F4F9" primaryTextColor: "#404040" primaryBorderColor: "#0098CD" lineColor: "#0098CD" --- flowchart LR A["Espacio de
búsqueda"] --> B["Ray Tune
Scheduler"] B --> C["Trials
paralelos"] C --> D["Evaluación
OCR"] D --> E["Métricas
CER/WER"] E --> F["Optuna
TPE"] F -->|"Nueva config"| B ``` #### HPO en Sistemas OCR La aplicación de HPO a sistemas OCR ha sido explorada en varios contextos: **Optimización de preprocesamiento**: Liang et al. (2005) propusieron optimizar parámetros de binarización adaptativa para mejorar el OCR de documentos degradados. Los parámetros optimizados incluían tamaño de ventana, factor de corrección y umbral local. **Optimización de arquitectura**: Breuel (2013) exploró la selección automática de arquitecturas de red para reconocimiento de texto manuscrito, optimizando número de capas, unidades y tipo de activación. **Optimización de post-procesamiento**: Schulz & Kuhn (2017) optimizaron parámetros de modelos de lenguaje para corrección de errores OCR, incluyendo pesos de interpolación entre modelos de caracteres y palabras. **Vacío en la literatura**: A pesar de estos trabajos, existe un vacío significativo respecto a la optimización sistemática de hiperparámetros de inferencia en pipelines OCR modernos como PaddleOCR. La mayoría de trabajos se centran en: - Entrenamiento de modelos (fine-tuning) - Preprocesamiento de imagen - Post-procesamiento lingüístico La optimización de umbrales de detección y reconocimiento en tiempo de inferencia ha recibido poca atención, especialmente para idiomas diferentes del inglés y chino. ### Datasets y Benchmarks para Español #### Datasets Públicos Los principales recursos para evaluación de OCR en español incluyen: **FUNSD-ES**: Versión en español del Form Understanding in Noisy Scanned Documents dataset. Contiene formularios escaneados con anotaciones de texto y estructura. **MLT (ICDAR Multi-Language Text)**: Dataset multilingüe de las competiciones ICDAR que incluye muestras en español. Las ediciones recientes contienen texto en escenas naturales. **XFUND**: Dataset de comprensión de formularios en múltiples idiomas, incluyendo español, con anotaciones de entidades y relaciones. **Tabla 11.** *Datasets públicos con contenido en español.* | Dataset | Tipo | Idiomas | Tamaño | Uso principal | |---------|------|---------|--------|---------------| | FUNSD-ES | Formularios | ES | Pequeño | Document understanding | | MLT | Escenas | Multi (incl. ES) | Medio | Text detection | | XFUND | Formularios | Multi (incl. ES) | Medio | Information extraction | Fuente: Elaboración propia a partir de repositorios oficiales. #### Limitaciones de Recursos para Español Comparado con inglés y chino, el español cuenta con: - Menor cantidad de datasets etiquetados de gran escala - Menos benchmarks estandarizados - Menor representación en competiciones internacionales (ICDAR) - Pocos modelos preentrenados específicos Esta escasez de recursos específicos para español motivó la creación de un dataset propio basado en documentos académicos de UNIR para este trabajo. Además, se priorizó un dataset propio aunque fuera de tamaño reducido porque el objetivo era evaluar texto académico en un formato sencillo y reproducible (texto plano con índice), sin tablas ni estructuras complejas. Ese perfil no está bien cubierto por datasets públicos centrados en formularios o escenas naturales, por lo que se optó por un corpus controlado y alineado con el dominio del TFM. #### Trabajos Previos en OCR para Español Los trabajos previos en OCR para español se han centrado principalmente en: **Digitalización de archivos históricos**: Múltiples proyectos han abordado el reconocimiento de manuscritos coloniales y documentos históricos en español, utilizando técnicas de HTR (Handwritten Text Recognition) adaptadas (Romero et al., 2013). **Procesamiento de documentos de identidad**: Sistemas OCR especializados para DNI, pasaportes y documentos oficiales españoles y latinoamericanos (Bulatov et al., 2020). **Reconocimiento de texto en escenas**: Participaciones en competiciones ICDAR para detección y reconocimiento de texto en español en imágenes naturales. **Tabla 12.** *Trabajos previos relevantes en OCR para español.* | Trabajo | Enfoque | Contribución | |---------|---------|--------------| | Romero et al. (2013) | HTR histórico | Modelos HMM para manuscritos | | Bulatov et al. (2020) | Documentos ID | Pipeline especializado | | Fischer et al. (2012) | Multilingual | Transferencia entre idiomas | Fuente: Elaboración propia. La optimización de hiperparámetros para documentos académicos en español representa una contribución original de este trabajo, abordando un nicho no explorado en la literatura. ## Conclusiones del capítulo La revisión del estado del arte revela un panorama en el que las herramientas técnicas están maduras, pero su aplicación óptima para dominios específicos permanece poco explorada. Los sistemas OCR modernos, como PaddleOCR, EasyOCR y DocTR, ofrecen arquitecturas sofisticadas basadas en aprendizaje profundo que alcanzan resultados impresionantes en benchmarks estándar. Sin embargo, estos resultados no siempre se trasladan a documentos del mundo real, especialmente en idiomas con menos recursos como el español. La evolución desde los sistemas de plantillas de los años 50 hasta los Transformers actuales ha sido espectacular, pero ha generado sistemas con decenas de hiperparámetros configurables cuyos valores por defecto representan compromisos generales, no configuraciones óptimas para dominios específicos. La literatura abunda en trabajos sobre entrenamiento y fine-tuning de modelos OCR, pero dedica poca atención a la optimización sistemática de los parámetros de inferencia, como umbrales de detección, opciones de preprocesamiento y filtros de confianza, que pueden marcar la diferencia entre un sistema usable y uno que requiere corrección manual extensiva. Este vacío, combinado con las particularidades del español (acentos, eñes, signos invertidos) y la escasez de recursos específicos para este idioma, define el espacio de contribución del presente trabajo. Frameworks como Ray Tune y Optuna proporcionan las herramientas para abordar esta optimización de manera sistemática; PaddleOCR, con su pipeline altamente configurable, ofrece el sustrato técnico adecuado. El siguiente capítulo traduce esta oportunidad en objetivos concretos y una metodología experimental rigurosa.