DeepSeek-OCR-2版式检测怎么用：＜|grounding|＞与＜|det|＞坐标边界框渲染实战详解

DeepSeek-OCR-2版式检测怎么用|grounding|与|det|坐标边界框渲染实战详解【免费下载链接】DeepSeek-OCR-2Visual Causal Flow项目地址: https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2DeepSeek-OCR-2 是 DeepSeek 开源的视觉因果流Visual Causal FlowOCR 模型。它的核心能力之一是版式检测只需在 prompt 中加一个|grounding|标记模型就会在输出 Markdown 的同时用|det|标签标注每个元素的坐标边界框再经渲染即可在原图上画出检测框、自动裁剪插图。本文带你从零跑通这条流水线。两种模式Free OCR 与版式检测GroundingDeepSeek-OCR-2 提供两种主要 prompt 模式区别就一个词模式Prompt输出内容纯文字提取image\nFree OCR.纯 Markdown 文本版式检测image\n|grounding|Convert the document to markdown.Markdown 布局标注\|det\|坐标块默认配置就是版式检测模式定义在 config.pyPROMPT image\n|grounding|Convert the document to markdown.想关闭版式检测把这行换成Free OCR.即可。|det|坐标标签长什么样开启 grounding 后模型在 Markdown 流中嵌入成对标签结构固定为|ref|image|/ref||det|[[x1, y1, x2, y2], ...]|/det||ref|…|/ref|元素类别标签如image、title等|det|…|/det|坐标列表每个框是[x1, y1, x2, y2]四元组这 5 个特殊 token|ref|、|/ref|、|det|、|/det|、|grounding|在处理器中的定义见 image_process.py。关键点坐标不是像素值而是 0~999 的归一化数值这样无论原图多大模型只需说相对位置。坐标映射与边界框渲染原理渲染逻辑集中在 draw_bounding_boxes()分四步正则提取用模式(\|ref\|(.*?)\|/ref\|\|det\|(.*?)\|/det\|)从输出中捞出所有标注块见 re_match()坐标还原把 0~999 的归一化坐标乘以原图宽高做映射——x1 int(x1 / 999 * image_width)见 run_dpsk_ocr2_image.py画框用 PILImageDraw画矩形title类用 4 像素粗框、其余用 2 像素细框颜色随机区分并在框上方标注类别名裁剪插图image类元素额外裁剪出来存盘并在 Markdown 中替换为图片引用——这就是最终.mmd文件里能直接嵌入原图插图的原因。单图实战一条命令出框图准备把图片和输出路径改到 config.py 的INPUT_PATH与OUTPUT_PATH然后运行cd DeepSeek-OCR2-master/DeepSeek-OCR2-vllm python run_dpsk_ocr2_image.py产出由 run_dpsk_ocr2_image.py 自动生成文件说明result_ori.mmd原始输出保留全部\|det\|标签result.mmd清洗后的 Markdown标签已替换为图片引用result_with_boxes.jpg 渲染了边界框的版式检测效果图images/*.jpg按\|det\|坐标裁剪出的插图打开result_with_boxes.jpg标题是粗框、公式/图片是细框每个框左上角标着类别名——版式检测效果一目了然。PDF 批量实战并发处理整本文档处理 PDF 时run_dpsk_ocr2_pdf.py 先把页面逐页转高清图再并发推理最终输出三份文件xxx_det.mmd带全部 det 坐标的原始版调试利器xxx.mmd合并全书的干净 Markdownxxx_layouts.pdf把每页的边界框渲染图拼成新 PDF 可直接用于版式质检。页面间用\n--- Page Split ---\n分隔方便后续按页切分。常见问题 FAQ❓ 框的位置明显偏移坐标还原依赖原图宽高x / 999 * width。请保持crop_modeTrue的动态分辨率预处理确保送入模型的图和渲染时用的是同一张原图不要用预处理后的缩放图去画框。❓ 输出里没有|det|标签检查 prompt 是否带|grounding|纯文字密集的图可换Free OCR模式版式标注只服务于结构化文档。❓ 想只调视觉 token 数量分辨率策略由 count_tiles() 决定默认(0-6)×768×768 1×1024×1024大图会自动切 2~6 块局部视图加一张全局缩略图。 小结|grounding|打开版式检测开关 →|det|携带 0~999 归一化坐标 → 除以 999 映射回像素 → PIL 画框 裁剪插图。四步链路单图、PDF 两种入口脚本都已封装好改两个路径配置即可上手。【免费下载链接】DeepSeek-OCR-2Visual Causal Flow项目地址: https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考