2026年1月27日，DeepSeek发布了DeepSeek-OCR-2模型。本文将记录在本地环境中部署该模型的完整过程，并对其在不同场景下的OCR识别效果进行简单的测试与评估。
环境准备
1.1、基础配置信息
- 操作系统：Windows 11 专业版（WSL2）
- Python 版本：3.12.9
- GPU：RTX 4090
1.2、构建项目环境
（1）安装 torch 库
安装 torch2.6.0 的命令：
pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu126
（2）安装相关库
在 torch 库安装成功后，依次安装下述版本的库。
transformers==4.46.3
tokenizers==0.20.3
einops
addict
easydict
（3）安装 flash-attn 库
flash-attn 库用于模型的加速推理。直接安装该库速度较慢，为了实现快速安装，可以首先下载 whl 文件到本地，下载地址为：Releases · Dao-AILab/flash-attention。
选取的文件为：flash_attn-2.8.3+cu12torch2.6cxx11abiFALSE-cp312-cp312-linux_x86_64.whl。
切换到下载的 whl 文件所在目录，执行下述命令进行安装：
pip install flash_attn-2.8.3+cu12torch2.6cxx11abiFALSE-cp312-cp312-linux_x86_64.whl
模型推理
下载模型文件到本地，地址为：deepseek-ai/DeepSeek-OCR-2 at main
使用 transformers 库推理代码为：
from transformers import AutoModel, AutoTokenizer
import torch
import os
os.environ["CUDA_VISIBLE_DEVICES"] = '0'
model_name = 'model_file'
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModel.from_pretrained(model_name, _attn_implementation='flash_attention_2', use_safetensors=True, trust_remote_code=True)
model = model.eval().cuda().to(torch.bfloat16)
# prompt = "<image>\nFree OCR. "
prompt = "<image>\n<|grounding|>Convert the document to markdown. "
image_file = 'test_img/p1.jpg'
output_path = 'output2'
res = model.infer(tokenizer, prompt=prompt, image_file=image_file, output_path = output_path, base_size = 1024, image_size = 768, crop_mode=True, save_results = True)
简单测试
3.1、PDF 文件
下述是中国知网下载的论文文档，文档解析结果如图 1-5 所示。针对图 1 的文档，题目、摘要、引言、文章编号等部分都准确地识别了出来。但是页眉页脚区域的内容没有识别出来。
图 1：含有页眉页脚的文档识别结果图
针对图 2 带有简单表格的文档，表格标题、表格内容和分布识别非常准确。
图 2：含有简单表格的文档识别结果图
针对图 3 带有复杂表格的文档，识别效果不佳，最后 1 列识别的内容发生了错乱。
图 3：含有复杂表格的文档识别结果图
针对图 4 带有图片的文档，图片区域可以准确识别出来，效果很好。
图 4：含有图片的文档识别结果图
针对图 5 带有参考文献的文档，参考文献内容、编号识别效果良好。
图 5：参考文献文档识别结果图
3.2、发票
针对如图 6 所示的增值税发票，整体上识别结果良好，尤其是中间的表格布局部分，基本完美还原了发票表格内容。二维码、印章部分都作为图片完美地识别了出来。
存在的一些小问题：
- 主体表格旁纵向的文本内容没有识别出来；
- “密码区”识别为“密码”以及密码的一些字符识别有点问题。
图 6：增值税发票识别效果图
3.3、手写文本
针对图 7 所示的手写文本内容，识别效果非常差。“重要贡献”识别成“梦想是阳光”很离谱，测试了几个手写文本图片，全部正确的一个没有。
图 7：手写文本识别结果图
3.4、手写公式
针对如图 8 所示的手写公式，只有简单的公式（第 3 个和第 4 个）识别比较准确。
第 1 个公式，人工书写的已经非常规整了，识别的结果效果很差；第 2 个公式，阶乘符号（!）识别为了 1，后两个公式识别的也有问题。对于复杂的手写公式，整体上识别效果不佳。
图 8：手写公式识别结果图
3.5、街景图片
针对图 9 所示的简单街景图片，非常清晰的识别没问题。对于有背景干扰的或者稍模糊的都不太行。“二十年老字号南昌小吃”识别为了“=千年老手手前的心”很离谱。
图 9：简单街景图片识别结果
总结
本次在 Windows WSL2 环境下成功部署并测试了 DeepSeek-OCR-2 模型。从实测结果来看，该模型在标准印刷体文档、简单表格、参考文献以及发票等结构化场景下表现出色，识别准确率很高。尤其是在文档转换为 Markdown 格式的任务上，展现了强大的文档理解与结构化能力。
然而，模型在面对复杂表格、手写文本、手写公式以及具有复杂背景的街景文字时，表现仍有较大提升空间。例如，手写体的识别几乎不可用，复杂公式的解析也容易出错。这提示我们在实际应用深度学习 OCR 模型时，需要充分考虑目标场景的适配性。
总体而言，DeepSeek-OCR-2 是一款在特定场景下（尤其是电子文档处理）非常强大的工具，其开源特性也为开发者提供了丰富的自定义和优化可能性。对于有相关需求的开发者，可以在云栈社区等平台交流更多的部署技巧和实战经验。
来源：https://zhuanlan.zhihu.com/p/1999539215457871071
发表于 15 小时前
|
查看: 0|
回复: 0
