DeepSeek-OCR-2入门：手把手教你文字识别

色空空色

80人浏览 · 2026-02-26 00:24:25

色空空色 · 2026-02-26 00:24:25 发布

DeepSeek-OCR-2入门：手把手教你文字识别

1. 什么是DeepSeek-OCR-2？

DeepSeek-OCR-2是DeepSeek在2026年1月发布的开源文字识别模型，它采用创新的DeepEncoder V2技术，彻底改变了传统OCR的工作方式。与传统的从左到右机械扫描不同，这个模型能够理解图像的含义，智能地重排图像各部分，实现更准确的文字识别。

这个模型最厉害的地方在于，它只需要256到1120个视觉标记就能处理复杂的文档页面，在权威的OmniDocBench v1.5评测中获得了91.09%的高分。这意味着它不仅识别准确，而且处理效率非常高。

2. 为什么选择DeepSeek-OCR-2？

2.1 技术优势明显

DeepSeek-OCR-2采用统一的端到端视觉语言模型架构，参数规模约3B，但在A100单卡上能达到2500 tokens/s的推理速度。这种轻量级设计让部署门槛大大降低，无论是企业还是研究者都能轻松使用。

2.2 功能全面强大

这个模型不仅仅能做简单的文字识别，还具备六大核心功能：

纯文字提取：快速提取图片中的所有文本信息
保留版面格式：自动识别并重建文档的排版结构
图表表格解析：智能解析表格、流程图等结构化信息
图片信息描述：对整张图片进行语义级分析和描述
指定元素定位：准确定位图像中的特定目标元素
Markdown转换：将文档图像直接转换为结构化Markdown文本

3. 快速上手：环境准备

3.1 系统要求

在使用DeepSeek-OCR-2之前，确保你的系统满足以下要求：

操作系统：Linux Ubuntu 18.04+ 或 Windows 10+
GPU：NVIDIA GPU（推荐RTX 3080或更高）
内存：至少16GB RAM
存储空间：20GB可用空间

3.2 依赖安装

建议使用Python虚拟环境来管理依赖：

# 创建虚拟环境
python -m venv ocr_env
source ocr_env/bin/activate  # Linux/Mac
# 或
ocr_env\Scripts\activate  # Windows

# 安装核心依赖
pip install torch==2.6.0 transformers==4.46.3
pip install tokenizers==0.20.3 einops addict easydict
pip install flash-attn==2.7.3 --no-build-isolation

4. 实战演练：文字识别全流程

4.1 模型下载与加载

首先需要下载DeepSeek-OCR-2模型：

from huggingface_hub import snapshot_download
import os

# 设置下载路径
model_path = "./DeepSeek-OCR-2"

# 下载模型
snapshot_download(
    repo_id="deepseek-ai/DeepSeek-OCR",
    local_dir=model_path,
    local_dir_use_symlinks=False,
    resume_download=True,
    revision="main"
)

4.2 基础文字识别

让我们从最简单的文字识别开始：

from transformers import AutoModel, AutoTokenizer
import torch
import os

# 设置GPU
os.environ["CUDA_VISIBLE_DEVICES"] = '0'

# 加载模型和分词器
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
model = AutoModel.from_pretrained(model_path, trust_remote_code=True, use_safetensors=True)
model = model.eval().cuda().to(torch.bfloat16)

# 准备识别任务
prompt = "<image>\nFree OCR. "
image_file = 'your_document.png'  # 替换为你的图片路径

# 执行识别
result = model.infer(
    tokenizer, 
    prompt=prompt, 
    image_file=image_file,
    base_size=1024,
    image_size=640,
    crop_mode=True
)

print("识别结果：", result)

4.3 高级功能使用

转换为Markdown格式

如果你需要将文档转换为Markdown格式：

prompt = "<image>\n<|grounding|>Convert the document to markdown. "
result = model.infer(
    tokenizer,
    prompt=prompt,
    image_file=image_file,
    output_path='./output',
    save_results=True
)

表格数据提取

对于包含表格的文档：

prompt = "<image>\n<|grounding|>Extract table data. "
result = model.infer(
    tokenizer,
    prompt=prompt,
    image_file=image_file,
    base_size=1280,  # 使用更大尺寸处理复杂表格
    image_size=1280
)

5. 常见问题与解决方案

5.1 内存不足问题

如果遇到内存不足的错误，可以尝试以下方法：

# 减小处理尺寸
result = model.infer(
    tokenizer,
    prompt=prompt,
    image_file=image_file,
    base_size=640,  # 减小基础尺寸
    image_size=512,  # 减小图像尺寸
    crop_mode=False
)

5.2 处理速度优化

对于大批量文档处理，建议使用批处理模式：

# 批量处理多个文档
documents = ['doc1.png', 'doc2.png', 'doc3.png']
results = []

for doc in documents:
    result = model.infer(
        tokenizer,
        prompt=prompt,
        image_file=doc,
        base_size=1024,
        image_size=640
    )
    results.append(result)

5.3 识别精度提升

如果某些文档识别效果不理想，可以调整参数：

# 使用高质量模式
result = model.infer(
    tokenizer,
    prompt=prompt,
    image_file=image_file,
    base_size=1280,  # 增加基础尺寸
    image_size=1280,  # 增加图像尺寸
    crop_mode=False,  # 禁用裁剪模式
    test_compress=True  # 测试压缩效果
)

6. 实际应用案例

6.1 企业文档数字化

某公司使用DeepSeek-OCR-2处理历史纸质文档：

# 批量处理扫描文档
import glob

# 获取所有扫描件
scanned_docs = glob.glob('./scanned_docs/*.png')

for doc in scanned_docs:
    result = model.infer(
        tokenizer,
        prompt="<image>\n<|grounding|>Convert to markdown with layout.",
        image_file=doc,
        output_path='./digitized_docs'
    )
    print(f"已处理：{doc}")

6.2 学术论文处理

研究人员使用该模型提取论文中的表格数据：

# 提取学术论文表格
paper_prompt = "<image>\n<|grounding|>Extract all tables with data."
research_papers = glob.glob('./papers/*.pdf')

for paper in research_papers:
    result = model.infer(
        tokenizer,
        prompt=paper_prompt,
        image_file=paper,
        base_size=1280
    )
    # 保存表格数据
    with open(f'./tables/{os.path.basename(paper)}.txt', 'w') as f:
        f.write(result)

7. 最佳实践建议

7.1 预处理技巧

在使用模型前，对图像进行适当预处理可以提升效果：

from PIL import Image
import numpy as np

def preprocess_image(image_path):
    """图像预处理函数"""
    img = Image.open(image_path)
    # 调整对比度
    img = img.convert('L').point(lambda x: 0 if x < 128 else 255, '1')
    # 调整尺寸
    img = img.resize((1024, 1024), Image.Resampling.LANCZOS)
    return img

# 使用预处理后的图像
processed_img = preprocess_image('document.png')
processed_img.save('processed_document.png')

7.2 后处理优化

对识别结果进行后处理可以提高可用性：

def postprocess_text(text):
    """文本后处理"""
    # 移除多余空格
    text = ' '.join(text.split())
    # 纠正常见OCR错误
    corrections = {
        '0': 'O',
        '1': 'I',
        '5': 'S'
    }
    for wrong, correct in corrections.items():
        text = text.replace(wrong, correct)
    return text

# 应用后处理
raw_result = model.infer(tokenizer, prompt=prompt, image_file=image_file)
clean_result = postprocess_text(raw_result)