如何安装和使用 DeepSeek-OCR：视觉文本压缩模型解析
如何安装和使用 DeepSeek-OCR：视觉文本压缩模型解析
1. 介绍
DeepSeek 又一次做到了。
在 2025 年 10 月 20 日，该公司发布了 DeepSeek-OCR，一个全新的开源光学字符识别（OCR）模型。
与传统的 OCR 系统按顺序 读取 字符不同，DeepSeek-OCR 实际上是 观察 字符。
它引入了一种 视觉令牌压缩机制 —— 将 1,000 字符的文档压缩为仅 100 个视觉令牌，同时保持 高达 97% 的准确性。
一台 NVIDIA A100 每天可以处理 200,000 页，使该模型非常适合文档数字化、归档和基于 AI 的知识提取。
本指南将引导您完成 安装、本地使用和在 Hugging Face Spaces 上的云部署。
2. 什么是 DeepSeek-OCR？
DeepSeek-OCR 是一个基于视觉的文本提取模型，适用于扫描文档、PDF 和复杂布局。
它不是进行字符级识别，而是使用 视觉令牌化 一次性处理整个页面，以实现更快和更准确的推理。
| 参数 | 描述 |
|---|---|
| 模型大小 | 3 B (30 亿参数) |
| 输入 | 图像 / PDF 快照 |
| 输出 | 纯文本或 JSON |
| 上下文长度 | 最多 8 K 令牌 |
| 框架 | PyTorch / Transformers |
| 代码库 | Hugging Face – DeepSeek-OCR |
| 推荐 GPU | RTX 3090 / A100 (≥ 16 GB VRAM) |
3. 主要亮点
- 视觉令牌压缩 – 将整个页面作为图像令牌处理。
- 紧凑的 3B 参数 – 轻量级但高准确性。
- 复杂布局识别 – 处理多列文本、表格、标题、脚注。
- 本地部署支持 – 完全离线运行；适合机密数据。
- 多语言支持 – 支持英语、中文、日语、韩语。
4. 安装和环境设置
步骤 1 – 创建环境
conda create -n deepseek_ocr python=3.10
conda activate deepseek_ocr步骤 2 – 安装依赖
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install transformers accelerate pillow tqdm步骤 3 – 下载模型
git lfs install
git clone https://huggingface.co/deepseek-ai/DeepSeek-OCR
cd DeepSeek-OCR步骤 4 – 运行推理
from transformers import AutoProcessor, AutoModelForVision2Seq
from PIL import Image
processor = AutoProcessor.from_pretrained("deepseek-ai/DeepSeek-OCR")
model = AutoModelForVision2Seq.from_pretrained("deepseek-ai/DeepSeek-OCR").to("cuda")
image = Image.open("sample_page.png")
inputs = processor(images=image, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=4096)
text = processor.decode(outputs[0], skip_special_tokens=True)
print(text)运行它：
python run_ocr.py步骤 5 – 批处理（可选）
for i in *.png; do python run_ocr.py --image "$i"; done5. 在 Hugging Face Spaces 上部署 DeepSeek-OCR
想要直接在浏览器中运行 DeepSeek-OCR 吗？
您可以使用 Gradio 轻松地在 Hugging Face Spaces 上托管它——无需本地 GPU 设置。
步骤 1 – 创建新空间
点击 “New Space” → “Gradio”
选择一个名称，如 deepseek-ocr-demo，并选择您的硬件（CPU 或 GPU）
步骤 2 – 添加 app.py
import gradio as gr
from transformers import AutoProcessor, AutoModelForVision2Seq
from PIL import Image
processor = AutoProcessor.from_pretrained("deepseek-ai/DeepSeek-OCR")
model = AutoModelForVision2Seq.from_pretrained("deepseek-ai/DeepSeek-OCR")
def ocr_infer(img):
inputs = processor(images=img, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=4096)
text = processor.decode(outputs[0], skip_special_tokens=True)
return text
iface = gr.Interface(
fn=ocr_infer,
inputs=gr.Image(type="pil"),
outputs="text",
title="DeepSeek-OCR 演示",
description="上传图像或扫描页面以使用 DeepSeek-OCR 提取文本。"
)
iface.launch()步骤 3 – 推送您的代码
git add app.py
git commit -m "初始 DeepSeek-OCR 演示"
git push您的演示将在几分钟内上线：https://huggingface.co/spaces/<your-username>/deepseek-ocr-demo
步骤 4 – 嵌入到您的博客
您可以直接在 Hugging Face 上打开实时演示：
👉 在 Hugging Face 上打开 DeepSeek-OCR 演示
现在读者可以上传图像并直接在您的文章中测试模型 🚀
6. 模型比较
| 模型 | 大小 | 语言 | 用例 | 部署 | 准确性 |
|---|---|---|---|---|---|
| DeepSeek-OCR | 3 B | EN, ZH, JA, KO | OCR / PDF 解析 | 本地 + API | ≈97% |
| PaddleOCR | — | 多语言 | OCR | 本地 | 90–94% |
| Tesseract 5 | — | 多语言 | 基本 OCR | 本地 | 85–90% |
| GPT-4 Vision API | — | 多语言 | 通用 OCR | 云 | 98% + |
7. 提高结果的技巧
使用 ≥ 300 DPI 的图像以确保清晰度。
在处理之前拆分多页 PDF。
使用 OpenCV 进行预处理（自适应阈值和去倾斜）。
使用 accelerate 并行运行以处理大批量。
尝试 Hugging Face Spaces 演示进行零设置测试。
8. 实践经验
在 RTX 3090 上，处理一个 10 页的双语 PDF 每页大约需要 1.6 秒，准确性接近完美。
该模型正确捕捉了表格、脚注和页面布局——超越了大多数开源 OCR 工具。
最棒的是？它完全离线运行——非常适合敏感数据或企业使用。
9. 编辑推荐
对于简单的 OCR 任务，PaddleOCR 足够了。
但如果您处理研究论文、多列 PDF 或大型文档集，DeepSeek-OCR 提供了速度、准确性和隐私的完美平衡。
足够轻量以便于本地部署——但又足够强大以支持企业自动化。
10. 常见问题解答
Q1. 我可以在哪里下载 DeepSeek-OCR？
👉 从官方 Hugging Face 代码库。
Q2. 支持哪些语言？
官方支持英语、中文、日语和韩语；一些欧洲语言也能很好地工作。
Q3. 需要 GPU 吗？
建议使用 ≥ 16 GB VRAM 的 GPU（RTX 3090 / A100）以实现高效推理。
Q4. 是否支持表格和公式？
是的——表格以纯文本输出，可以转换为 CSV 或 JSON。
Q5. 有 API 吗？
是的，您可以通过 DeepSeek 的 API 平台使用模型 ID deepseek-ocr 进行调用。
Q6. 使用是免费的吗？
开源版本可免费用于商业用途。API 使用是基于令牌的。
Q7. 我该如何提高准确性？
使用高分辨率输入（> 2560 px 宽度），去除阴影，并保持图像正确对齐。