DeepSeek-OCR 模型介绍
DeepSeek-OCR 是一个专注于光学字符识别（OCR）的深度学习模型，旨在从图像或文档中准确提取文本信息。该模型结合了计算机视觉和自然语言处理技术，能够处理多种语言、复杂布局以及低质量图像中的文本识别任务。
核心技术特点
多尺度特征融合 DeepSeek-OCR 采用金字塔结构的卷积神经网络，从不同尺度提取图像特征。通过特征融合模块整合浅层细节信息和深层语义信息，提升对不同尺寸文字的识别能力。
注意力机制 模型集成自注意力模块和空间注意力模块，动态聚焦于文本区域。自注意力捕捉字符间长距离依赖关系，空间注意力抑制背景噪声干扰。
序列建模 采用双向长短时记忆网络（Bi-LSTM）或Transformer结构对字符序列建模，利用上下文信息纠正单字符识别错误。输出层连接CRF（条件随机场）进一步优化序列标注结果。
技术优势
高精度识别 在标准测试集（如ICDAR系列）上，中英文混合文本识别准确率超过95%。支持倾斜、弯曲、透视变换等非规整文本的端到端识别。
多语言支持 内置多语言切换模块，通过共享特征提取层和语言特定的预测头，实现中、英、日、韩等20+种语言的混合识别。
实时处理能力 采用轻量级网络设计和硬件加速技术，在主流GPU上可实现每秒50+帧的图像处理速度，满足实时OCR需求。
典型应用场景
文档数字化 自动识别扫描文档、发票、合同等纸质文件的文字内容，支持表格结构和段落格式的还原。
移动端应用 集成到手机APP中，实现名片识别、翻译取词、身份证信息自动录入等功能。
工业质检 读取产品包装、标签上的批号、日期等信息，与数据库核对实现自动化质检流程
如何在矩池云中使用DeepSeek-OCR
在矩池云中已经给大家预装好了DeepSeek-OCR模型，模型存放在 /public/models/nlp/DeepSeek-OCR路径下。
首先我们先租用一台机器，建议使用8区4090-24G机器或者14区4090-48G的机器
租用机器后我们需要进入虚拟环境deepseek-ocr，这个环境所有的依赖都已经安装好了
进入deepseek-ocr虚拟环境之后再进入DeepSeek-OCR/DeepSeek-OCR-master/DeepSeek-OCR-vllm文件夹，文件夹中包含如下：
小编在这里只介绍config.py、run_dpsk_ocr_eval_batch.py、run_dpsk_ocr_image.py、run_dpsk_ocr_pdf.py这四个脚本的含义，其他的不需要管，也不要修改。
config.py是配置文件，定义模型参数、路径常量、超参数等全局变量的文件，在这里面可以设置图片大小，模型路径、读去图片路径和代码执行输出路径
run_dpsk_ocr_eval_batch.py主要用于批量评估脚本，测试集性能验证。典型功能有加载测试数据集、调用OCR模型进行批量预测、计算准确率、召回率等指标、生成评估报告。
run_dpsk_ocr_image.py是单张图片OCR执行的入口脚本，实现流程分三步，加载图像文件、调用deepseek_ocr.py的识别功能、输出结构化识别结果。
run_dpsk_ocr_pdf.py是PDF文档处理的专用脚本，功能包括：PDF转图像（按页分割）、多页OCR结果合并、保持原始版面结构的文本提取、支持加密PDF的解密处理。
各脚本通过配置文件config.py统一参数管理，核心识别逻辑复用deepseek_ocr.py的实现，处理不同输入类型时通过专用入口脚本适配。
案例测试
小编使用一个小案例测试一下，使用文档处理的专用脚本run_dpsk_ocr_pdf.py进行测试，小编准备了斗破苍穹PDF版当成输入文件，文件路径放至/public/models/nlp路径下，输出路径则放/mnt/output/斗破苍穹，模型路径前面已经有介绍在/public/models/nlp/DeepSeek-OCR路径，然后小编把这些信息在配置文件config.py中修改上去，其他参数保持不变
保存成功后执行档处理的专用脚本run_dpsk_ocr_pdf.py进行测试，如果出现如下情况，表示显存不够，可以修改图片大小
再次运行服务，可以看到已经运行成功
接下来查看输出目录，可以看到从PDF成功转化为可编辑版
