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-2

DeepSeek-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 144～256 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 python=3.12.9 -y conda activate deepseek-ocr2 # 3. 安装依赖（vllm-0.8.5 的 whl 包需先下载） pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu118 pip install vllm-0.8.5+cu118-cp38-abi3-manylinux1_x86_64.whl pip install -r requirements.txt pip install flash-attn==2.7.3 --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_code=True) model = AutoModel.from_pretrained(model_name, _attn_implementation='flash_attention_2', trust_remote_code=True, use_safetensors=True) model = model.eval().cuda().to(torch.bfloat16) prompt = "<image>\n<|grounding|>Convert the document to markdown. " res = model.infer(tokenizer, prompt=prompt, image_file='your_image.jpg', output_path='your/output/dir', base_size=1024, image_size=768, crop_mode=True, save_results=True)

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：

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![](images/0.jpg)
• 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

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 token<td>、</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