DeepSeek-OCR-2快速上手：10行代码如何把任意文档图片精准转成Markdown

DeepSeek-OCR-2快速上手10行代码如何把任意文档图片精准转成Markdown【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 是一款开源的深度学习 OCR 工具Visual Causal Flow 架构只需 10 行代码即可将文档图片、PDF 精准转换成 Markdown 格式支持动态分辨率与高并发批量识别对新手非常友好。一、DeepSeek-OCR-2 是什么DeepSeek-OCR-2 的核心思想是像人一样阅读它通过视觉因果流按人类视觉习惯的顺序编码图片内容并采用动态分辨率——默认最多将图片切分为 (0-6) 块 768×768 区域加 1 块 1024×1024 缩略图只消耗 144256 个视觉 token既省显存又保精度。相比传统 OCR它最大的优势是 直接输出结构化 Markdown标题、表格、公式、图片位置一应俱全️ 自动切出文档中的插图并引用⚡ 支持图片流式输出、PDF 高并发批量转换二、一键安装三步配好OCR环境官方环境为 CUDA 11.8 torch 2.6.0按 README 操作只需三步# 1. 克隆仓库 git clone https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2 # 2. 创建 Python 3.12 环境 conda create -n deepseek-ocr2 python3.12.9 -y conda activate deepseek-ocr2 # 3. 安装依赖vllm-0.8.5 的 whl 包需先下载 pip install torch2.6.0 torchvision0.21.0 torchaudio2.6.0 --index-url https://download.pytorch.org/whl/cu118 pip install vllm-0.8.5cu118-cp38-abi3-manylinux1_x86_64.whl pip install -r requirements.txt pip install flash-attn2.7.3 --no-build-isolation其余依赖Pillow、PyMuPDF、numpy 等都列在 requirements.txt 中。三、10行代码单张图片转Markdown最快的体验路径是 Transformers 推理直接参考 run_dpsk_ocr2.py核心只有 10 行from transformers import AutoModel, AutoTokenizer import torch model_name deepseek-ai/DeepSeek-OCR-2 tokenizer AutoTokenizer.from_pretrained(model_name, trust_remote_codeTrue) model AutoModel.from_pretrained(model_name, _attn_implementationflash_attention_2, trust_remote_codeTrue, use_safetensorsTrue) model model.eval().cuda().to(torch.bfloat16) prompt image\n|grounding|Convert the document to markdown. res model.infer(tokenizer, promptprompt, image_fileyour_image.jpg, output_pathyour/output/dir, base_size1024, image_size768, crop_modeTrue, save_resultsTrue)把image_file换成你自己的文档图片路径即可识别结果会保存到output_path。四、vLLM 路线图片流式识别 PDF批量转换追求速度就用 vLLM 推理所有参数集中在 config.py 中修改配置项作用INPUT_PATH/OUTPUT_PATH输入图片/PDF 与输出目录CROP_MODE是否启用动态分辨率切图MAX_CONCURRENCYPDF 并发数显存不足可调小cd DeepSeek-OCR2-master/DeepSeek-OCR2-vllm # 单张图片流式输出边识别边打印 python run_dpsk_ocr2_image.py # PDF高并发批量转换速度与上一代持平 python run_dpsk_ocr2_pdf.py # 基准测试批量评测OmniDocBench v1.5 python run_dpsk_ocr2_eval_batch.py对应源码分别是 run_dpsk_ocr2_image.py、run_dpsk_ocr2_pdf.py 和 run_dpsk_ocr2_eval_batch.py。五、识别结果长什么样以图片脚本为例输出目录会生成三类文件result.mmd清洗后的最终 Markdown图片占位符已被替换为result_ori.mmd模型原始输出含坐标标注信息result_with_boxes.jpg在原图上画出标题、文本块等定位框方便人工校对文档中的插图还会被自动裁剪到images/子目录配合 image_process.py 的动态分辨率逻辑大幅面扫描件的细节也不易丢失。六、常用Prompt速查表场景Prompt完整文档转 Markdown带布局image\n|grounding|Convert the document to markdown.纯文本提取无布局image\nFree OCR.小技巧识别结果出现长串重复时可检查 ngram_norepeat.py 中的去重处理器配置——它默认禁止 20 元组重复白名单保留表格 tokentd、/td让长表格识别更稳定。七、写在最后从克隆仓库到第一份 Markdown 产出整个过程不到 10 分钟。如果你想深入原理可以阅读项目自带的论文 DeepSeek_OCR2_paper.pdf。对于需要把扫描件、截图、PDF 批量转为 Markdown 的团队和个人来说DeepSeek-OCR-2 目前是最省心的开源选择之一 【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