---

🧠 Document Classifier v3 — Clasificación Multimodal de Documentos PDF

Este proyecto permite clasificar automáticamente documentos PDF según su tipo (Resolución, Plano, Escritura, etc.) utilizando modelos de lenguaje y visión. Admite tanto procesamiento textual como procesamiento visual (OCR), con soporte para modelos locales (vLLM, PaddleOCR-VL) o OpenAI API.

---

🚀 Características principales

• 🔍 Detección automática del tipo de contenido (texto, imagen o híbrido).
• 🧾 Clasificación textual mediante LLM local (GPT-OSS-20B) o remoto.
• 🖼️ Clasificación visual / OCR con PaddleOCR-VL (visión + lenguaje).
• 📊 Reporter CSV con métricas y marcas de tiempo locales.
• ⚙️ Arquitectura modular: detectores, clasificadores, OCR, prompts y utilidades independientes.
• 🔄 Soporte local o cloud: OpenAI API o modelos locales.
• 🧩 Modo de ejecución configurable: "text", "image" o "auto" (en desarrollo).

---

📁 Estructura del proyecto

document_classifier_v3/
│
├── Dockerfile                    # Imagen base con PaddleOCR-VL y timezone -05
├── main.py                       # Orquestador principal
├── config.py                     # Configuración general
├── models.py                     # Esquemas de salida estructurada (Pydantic)
├── requirements.txt              # Dependencias Python
│
├── detectors/
│   └── content_detector.py        # Detección del tipo de contenido
│
├── classifiers/
│   ├── text_classifier.py         # Clasificador textual con LLM
│   ├── image_classifier.py        # Clasificador visual / OCR
│   └── __init__.py
│
├── ocr/
│   └── paddle_vl_wrapper.py       # Wrapper para PaddleOCR-VL
│
├── prompts/
│   └── base_prompts.py            # Prompts centralizados para clasificación
│
├── utils/
│   ├── pdf_utils.py               # Conversión PDF → imagen
│   ├── encoding.py                # Codificación Base64
│   ├── reporting.py               # Generación de reportes CSV
│   └── __init__.py
│
├── Muestras de Expedientes/       # Carpeta con PDFs de ejemplo
│
└── output/                        # Carpeta para resultados OCR y reportes

---

🧭 Ver estructura del proyecto (Windows PowerShell)

Ejecuta este comando desde la raíz del proyecto:

gci -r -fo . | ? { $_.FullName -notmatch '\\\.venv(\\|$)|\\\.idea(\\|$)|\\\.git(\\|$)|\\\.gitignore$|\\__pycache__(\\|$)' } | sort FullName | % {
    $r=$_.FullName.Substring((pwd).Path.Length).TrimStart('\')
    $p=if($r -eq ''){@()}else{$r -split '\\'}
    $d=$p.Count-1
    $i='|'+'   '*$d
    if ($_.PSIsContainer) {
        "$i+---$($_.Name)"
    } else {
        "$i   $($_.Name)"
    }
}

---

🐳 Construir la imagen Docker

docker build -t document_classifier_v3 .

La imagen ya configura automáticamente la zona horaria America/Bogota (UTC−05).

---

🚀 Ejecutar el contenedor (GPU activada y carpeta externa montada)

docker run -it --gpus all `
  -v "${PWD}:/workspace" `
  -v "C:\Users\Administrator\Documents\FF\ANT\Expedientes\Expedientes Muestra:/data/expedientes" `
  -v paddleocr_cache:/root/.paddleocr `
  --network host `
  --name document_classifier_v3 `
  document_classifier_v3 `
  bash

Esto monta tu carpeta real de expedientes (C:\Users\Administrator\Documents\FF\ANT\Expedientes\Expedientes Muestra) dentro del contenedor en /data/expedientes.

---

🔁 Reingresar al contenedor existente

docker exec -it document_classifier_v3 bash

---

▶️ Ejecutar el clasificador

python main.py

Por defecto:

• Analiza los PDFs de Muestras de Expedientes/ o de la ruta configurada.
• Ejecuta OCR o clasificación textual según MODE en config.py.
• Guarda los resultados en output/reporte_procesamiento.csv.
• Incluye timestamp local (-05) en cada registro.

---

⚙️ Configuración (config.py)

from pathlib import Path

# Carpeta montada desde el host
PDF_FOLDER = Path("/data/expedientes")

MODE = "image"  # "text", "image" o "auto"

USE_LOCAL_MODEL = True
MODEL_TEXT = "openai/gpt-oss-20b"
MODEL_IMAGE = "paddleocr-vl"
BASE_URL = "http://localhost:8001/v1"

Nota: El modo "auto" será implementado próximamente.

---

🧠 Flujo de ejecución

1. main.py recorre los documentos PDF (en una carpeta o subcarpetas futuras).
2. content_detector.py determina si son texto, imagen o híbrido.
3. Si MODE = "image" → usa PaddleOCR-VL → extrae texto → clasifica con LLM.
4. Si MODE = "text" → extrae texto embebido → clasifica con LLM.
5. Se genera un CSV con métricas, tiempos y categoría detectada.

---

🧾 Ejemplo de salida

📄 Resolucion_con_coordenadas.pdf
🧩 Tipo: IMAGE
✅ OCR completado (62.3s) → 15,234 caracteres
✅ Clasificación: Resolucion
🧠 Explicación: El documento contiene la palabra “RESOLUCIÓN” y estructura legal numerada.
🕒 Timestamp: 2025-11-09 18:07:15 (-05)

---

🧩 Próximos pasos

1. Implementar modo "auto" que seleccione automáticamente el flujo óptimo.
2. Añadir soporte para carpetas anidadas (procesamiento por subdirectorios).
3. Mejorar métricas OCR (CER/WER).
4. Exportar resultados en formatos adicionales (JSON, Excel).

---