一.模型介绍

本文将基于 Bitahub 云端 GPU 环境，完成 DeepSeek-OCR 模型的部署实操。DeepSeek-OCR 是深度求索于 2025 年 10 月开源的革命性 OCR 模型，其核心优势在于：首创上下文光学压缩技术，通过视觉模态高效实现文本信息的压缩与解压，突破传统 OCR 性能限制；以 3B 参数量达成行业 SOTA 性能，在 A100-40G 显卡上单日可处理超 20 万页数据，兼顾高效性与高精度；同时支持多语言识别及多种输入格式适配，可满足批量处理与单张识别等多样化场景需求。借助 BitaHub 提供的云端算力，无需本地配置硬件，可快速完成模型部署并投入使用。

二.部署流程

首先创建开发环境，我们需在 BitaHub 项目中开启自定义容器端口功能。在平台端配置端口 8080 为容器对外服务端口，确保服务对外可访问。

打开「终端」，创建专属的 Conda 环境，避免依赖冲突。等待环境创建完成，再输入第二条命令激活环境。

conda create -n deepseek-ocr python=3.12.9 -y
conda activate deepseek-ocr

克隆 DeepSeek-OCR 的官方仓库到本地环境，输入命令，等待仓库文件下载完成。

git clone https://github.com/deepseek-ai/DeepSeek-OCR.git

进入刚才克隆的仓库目录，接着安装 PyTorch 及项目核心依赖

pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu118
pip install -r requirements.txt

接着克隆 Demo 仓库（用于可视化 Web 界面），并安装 Demo 专属依赖。

git clone https://huggingface.co/spaces/merterbak/DeepSeek-OCR-Demo
cd DeepSeek-OCR-Demo
pip install -r requirements.txt

另外需要安装 ModelScope 工具（用于下载模型文件）

pip install modelscope

安装完成后退回主目录，然后创建专门存放模型文件的文件夹并用 ModelScope 下载模型，这个过程会下载模型文件，请耐心等待。

modelscope download --model 'deepseek-ai/DeepSeek-OCR' --local_dir './'

随后我们需要修改关键配置 —— 打开 Demo 目录下的 app.py 文件，需要改两处：一是模型加载路径，找到 MODEL_NAME 这一行，把原来的远程路径改成你本地保存模型的目录。

二是 Gradio 启动配置，找到 launch () 函数，在里面添加以下代码，这样才能在 BitaHub 外访问 Web 界面。

share=True, server_name='0.0.0.0', server_port=8080

最后切换到 Demo 目录，安装 Gradio 及依赖，然后启动 Web 服务，等待服务启动完成。

cd deepseek-ocr/DeepSeek-OCR-Demo
pip install spaces gradio
python app.py

服务启动后，回到开发环境，复制完整的地址到浏览器中打开即可访问模型。

三.总结

至此，我们已经成功在Bitahub平台上完成了DeepSeek-OCR的部署。这个强大的OCR工具可以帮助大家处理各种文字识别任务。如果你也想快速部署各类 AI 模型，欢迎来 BitaHub 一键体验云端开发环境，让 AI 落地更简单！