去年12月，DeepSeek大模型曾横空出世，官方宣传其性能超越国际一流大模型，一度被誉为“国产大模型之光”。当时，朋友圈、媒体和技术社区都对其寄予厚望，认为其点亮了AI的未来。
然而，DeepSeek的实际表现并未完全达到宣传时的高度，在与其他大模型的对比中，未能充分展现出其宣称的卓越实力。
时隔10个月，DeepSeek团队低调发布了一款名为DeepSeek-OCR的小工具。这款模型没有进行大规模营销，却在实际使用中展现出了令人惊喜的识别效果。
DeepSeek-OCR 是什么？
DeepSeek-OCR是一款先进的多模态OCR模型，能够精准识别图片、PDF、扫描件中的文字、表格、数学公式，并完整保留原始文档的排版结构。
相较于传统OCR工具，DeepSeek-OCR具有以下显著优势：
-
复杂排版支持：能准确还原图文混排、复杂表格和数学公式。
-
多语言识别：不仅支持中文，还能有效处理英文、日文等多种语言内容。
-
结构化输出：可直接生成Markdown、JSON等格式，极大地便利了后续的数据处理和应用开发。
-
开源可用性：模型可在Hugging Face平台下载，部署过程简便快捷。
DeepSeek-OCR 实测体验
本测试对DeepSeek-OCR进行了两类文档的识别：
-
普通图片文字：识别率接近100%，几乎没有错字。如下图所示，左侧为手机拍摄的图片，右侧为DeepSeek-OCR程序运行后的识别结果对比：
-
PDF文档（数学试卷，图文混排，含公式和表格）：识别效果令人印象深刻。段落、标题、表格均得到完整保留，结构清晰。数学公式的识别准确率接近100%，LaTeX表达式输出非常稳定。以下为一份初中一年级数学试卷的识别效果展示：
相比之下，传统OCR工具在处理数学公式和复杂排版时常出现识别错误，而DeepSeek-OCR则实现了“无痛还原”。其输出文本几乎与原始试卷一模一样，公式、表格、段落均被完整保留。
DeepSeek-OCR 测试代码示例
"""DeepSeek-OCR 测试脚本"""
from transformers import AutoModel, AutoTokenizer
import torch
import os
import time
import psutil
import GPUtil
from pathlib import Path
from PIL import Image
import fitz # PyMuPDF
# ============ 配置区 ============
# 1. 模型路径
model_name = 'deepseek-ai/DeepSeek-OCR' # 从 HuggingFace 下载
# 2. 设置图片/PDF路径
IMAGE_PATH = 'images/2024数学练习.pdf'
# 3. 设置输出目录
OUTPUT_DIR = './output'
# 4. 设置任务类型：'markdown' 或 'ocr'
TASK = 'markdown'
# 5. GPU 设备
os.environ["CUDA_VISIBLE_DEVICES"] = '0'
# =================================
def main():
print("=" * 70)
print("加载模型…")
# 记录初始状态
process = psutil.Process()
initial_memory = process.memory_info().rss / 1024 / 1024 # MB
# 加载模型
load_start = time.time()
tokenizer = AutoTokenizer.from_pretrained(
model_name,
trust_remote_code=True,
local_files_only=True # 只使用本地缓存，不联网检查更新
)
model = AutoModel.from_pretrained(
model_name,
trust_remote_code=True,
local_files_only=True # 只使用本地缓存，不联网检查更新
)
model = model.eval().cuda().to(torch.bfloat16)
load_time = time.time() - load_start
# 记录加载后状态
after_load_memory = process.memory_info().rss / 1024 / 1024 # MB
gpu = GPUtil.getGPUs()[0] if GPUtil.getGPUs() else None
print(f"✓ 模型加载完成 (耗时: {load_time:.2f}秒)")
print(f"内存占用: {after_load_memory - initial_memory:.2f} MB")
if gpu:
print(f"显存占用: {gpu.memoryUsed:.2f} MB / {gpu.memoryTotal:.2f} MB")
print("=" * 70)
# 设置提示词
if TASK == 'markdown':
prompt = "<image>
<|grounding|>Convert the document to markdown. "
else:
prompt = "<image>
<|grounding|>Free OCR. "
# 检查文件类型并转换PDF
file_path = Path(IMAGE_PATH)
if file_path.suffix.lower() == '.pdf':
print(f"
检测到PDF文件: {IMAGE_PATH}")
print("正在转换PDF为图片…")
# 打开PDF
pdf_doc = fitz.open(IMAGE_PATH)
total_pages = len(pdf_doc)
print(f"PDF共 {total_pages} 页")
os.makedirs(OUTPUT_DIR, exist_ok=True)
all_results = []
total_infer_time = 0
# 逐页处理
for page_num in range(total_pages):
print(f"
{'='*70}")
print(f"处理第 {page_num + 1}/{total_pages} 页")
print("-" * 70)
# 转换当前页为图片
page = pdf_doc[page_num]
pix = page.get_pixmap(matrix=fitz.Matrix(2, 2))
# 保存临时图片
temp_image_path = f'{OUTPUT_DIR}/temp_page_{page_num + 1}.png'
pix.save(temp_image_path)
# 记录推理前状态
infer_start = time.time()
cpu_percent_start = psutil.cpu_percent(interval=0.1)
gpu_util_start = gpu.load * 100 if gpu else 0
# 执行OCR
page_output_dir = f'{OUTPUT_DIR}/page_{page_num + 1}'
result = model.infer(
tokenizer,
prompt=prompt,
image_file=temp_image_path,
output_path=page_output_dir,
base_size=1024,
image_size=640,
crop_mode=True,
save_results=True
)
# 记录推理后状态
infer_time = time.time() - infer_start
total_infer_time += infer_time
# 读取保存的结果文件
result_file = f'{page_output_dir}/result.mmd'
if os.path.exists(result_file):
with open(result_file, 'r', encoding='utf-8') as f:
page_result = f.read()
# 复制该页的images目录到output/images下
page_images_dir = f'{page_output_dir}/images'
if os.path.exists(page_images_dir):
output_images_dir = f'{OUTPUT_DIR}/images'
os.makedirs(output_images_dir, exist_ok=True)
# 复制图片并重命名（添加页码前缀）
import shutil
for img_file in os.listdir(page_images_dir):
src = os.path.join(page_images_dir, img_file)
dst = os.path.join(output_images_dir, f'page{page_num + 1}_{img_file}')
shutil.copy2(src, dst)
# 更新结果中的图片路径
page_result = page_result.replace('](images/', f'](images/page{page_num + 1}_')
all_results.append(f"
# 第 {page_num + 1} 页
{page_result}")
print(f"✓ 第 {page_num + 1} 页识别完成 (耗时: {infer_time:.2f}秒)")
else:
print(f"✗ 第 {page_num + 1} 页识别失败")
pdf_doc.close()
# 合并所有页结果
result = "
".join(all_results)
# 保存完整结果
with open(f'{OUTPUT_DIR}/full_result.md', 'w', encoding='utf-8') as f:
f.write(result)
print(f"
{'='*70}")
print("PDF处理完成")
print("=" * 70)
print(f"总页数: {total_pages}")
print(f"总耗时: {total_infer_time:.2f} 秒")
print(f"平均每页: {total_infer_time/total_pages:.2f} 秒")
# 获取最终状态
final_memory = process.memory_info().rss / 1024 / 1024
cpu_percent_end = psutil.cpu_percent(interval=0.1)
if gpu:
gpu = GPUtil.getGPUs()[0]
gpu_util_end = gpu.load * 100
else:
gpu_util_end = 0
print(f"内存使用: {final_memory:.2f} MB")
if gpu:
print(f"显存占用: {gpu.memoryUsed:.2f} MB / {gpu.memoryTotal:.2f} MB")
print("=" * 70)
else:
# 处理单个图片
process_path = IMAGE_PATH
print(f"
处理文件: {IMAGE_PATH}")
print("-" * 70)
# 记录推理前状态
infer_start = time.time()
cpu_percent_start = psutil.cpu_percent(interval=0.1)
gpu_util_start = gpu.load * 100 if gpu else 0
result = model.infer(
tokenizer,
prompt=prompt,
image_file=process_path,
output_path=OUTPUT_DIR,
base_size=1024,
image_size=640,
crop_mode=True,
save_results=True
)
# 记录推理后状态
infer_time = time.time() - infer_start
cpu_percent_end = psutil.cpu_percent(interval=0.1)
final_memory = process.memory_info().rss / 1024 / 1024
if gpu:
gpu = GPUtil.getGPUs()[0]
gpu_util_end = gpu.load * 100
else:
gpu_util_end = 0
# 输出性能统计
print("-" * 70)
print("
性能统计:")
print("=" * 70)
print(f"推理耗时: {infer_time:.2f} 秒")
print(f"CPU 使用率: {cpu_percent_end:.1f}%")
print(f"内存使用: {final_memory:.2f} MB (推理增加: {final_memory - after_load_memory:.2f} MB)")
if gpu:
print(f"GPU 使用率: {gpu_util_end:.1f}%")
print(f"显存占用: {gpu.memoryUsed:.2f} MB / {gpu.memoryTotal:.2f} MB ({gpu.memoryUsed/gpu.memoryTotal*100:.1f}%)")
print("=" * 70)
# 显示结果预览
print(f"
识别结果预览:")
print("-" * 70)
if result:
preview = result[:300] if len(result) > 300 else result
print(preview)
if len(result) > 300:
print(f"
… (共 {len(result)} 字符)")
else:
print("未获取到结果")
print("-" * 70)
print(f"
✓ 完整结果已保存到: {OUTPUT_DIR}/full_result.md" if file_path.suffix.lower() == '.pdf' else f"
✓ 完整结果已保存到: {OUTPUT_DIR}")
if __name__ == '__main__':
main()
