基于 DeepSeek-OCR 模型的智能文字识别 Web 应用，提供友好的图形界面，支持多种 OCR 场景。

• 功能特性
• 系统要求
• 安装步骤
• 使用方法
• 项目结构
• 常见问题
• 开发说明

• 多种 OCR 任务
  • 📄 文档转 Markdown：结构化文档识别，保留格式
  • 🔍 通用 OCR：普通图像文字识别，包含位置信息
  • 📝 纯文本提取：忽略布局，仅提取文字
  • 📊 图表解析：识别图表、图形内容
  • 🖼️ 图像描述：生成图像的详细描述
  • ⚙️ 自定义 Prompt：用户自定义识别任务

• 多种分辨率模式

  • Tiny (512×512)：快速处理小图像
  • Small (640×640)：中等图像
  • Base (1024×1024)：标准文档（推荐）
  • Large (1280×1280)：高分辨率文档
  • Gundam (动态)：大尺寸文档自适应

• 可视化功能

  • 边界框标注：显示文字位置
  • 结果下载：支持文本和图像下载
  • 实时状态：显示推理进度和统计信息

• ✅ Mac M2 优化：支持 MPS 加速
• ✅ 中文界面：完全中文化
• ✅ 模块化设计：代码结构清晰
• ✅ 完整日志：详细的运行日志
• ✅ 错误处理：友好的错误提示

• 推荐配置：

  • Mac M2 或更高版本（支持 CPU 加速）
  • 16GB+ 内存
  • 10GB+ 可用磁盘空间

• 最低配置：

  • 任何支持 Python 3.12 的设备
  • 8GB+ 内存
  • 10GB+ 可用磁盘空间

• macOS 12.0+（推荐 macOS 13.0+）
• Python 3.12+
• Conda 或 Miniconda

cd /path/to/your/workspace
git clone https://github.com/kotlef/deepseekocrGradio.git
cd deepseekocrGradio

conda create -n deepseek-ocr python=3.12
conda activate deepseek-ocr

# 安装基础依赖
pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0
pip install -r requirements.txt

# 安装 Gradio
pip install gradio

# 替换 huggingface的modeling_deepseekocr.py ，这一步很重要，这是替换cuda下model解析图片的py。
cp gradio_app/modeling_deepseekocr_fixed.py /[YourPath]/.cache/huggingface/modules/transformers_modules/deepseek-ai/DeepSeek-OCR/[968c903185ba632ccc137b22d78ba01d14611ee1]/modeling_deepseekocr.py

cd gradio_app
python test_modules.py

如果看到所有测试通过，说明安装成功！

cd gradio_app
./start_app.sh

cd gradio_app
conda activate deepseek-ocr
python gradio_ocr_app.py

cd gradio_app
conda activate deepseek-ocr
python gradio_ocr_app.py --port 8080

启动后，应用会自动在浏览器中打开，或手动访问：

http://localhost:7860

1. 上传图像

   • 点击上传按钮选择图片
   • 或直接拖拽图片到上传区域
   • 或粘贴剪贴板中的图片

2. 选择 OCR 任务

   • 根据需求选择合适的任务类型
   • 如选择"自定义 Prompt"，需输入自定义指令

3. 配置分辨率模式

   • 推荐使用 Base 模式
   • 大图像可使用 Gundam 模式
   • 追求速度可使用 Tiny 或 Small 模式

4. 开始识别

   • 点击"🚀 开始识别"按钮
   • 首次运行会自动下载模型（约 5-10 分钟）
   • 等待推理完成

5. 查看结果

   • 识别结果会显示在右侧面板
   • 可视化图像显示文字边界框
   • 点击下载按钮保存结果

gradio_app/
├── gradio_ocr_app.py          # Gradio 主应用
├── start_app.sh               # 启动脚本
├── test_modules.py            # 模块测试脚本
├── README.md                  # 使用说明
├── modules/                   # 核心模块
│   ├── __init__.py           # 模块初始化
│   ├── model_manager.py      # 模型管理
│   ├── image_processor.py    # 图像处理
│   ├── prompt_builder.py     # Prompt 构建
│   ├── ocr_engine.py         # OCR 推理
│   └── result_processor.py   # 结果处理
├── outputs/                   # 输出文件目录
├── logs/                      # 日志文件目录
└── examples/                  # 示例图片目录

A: 首次运行需要下载 DeepSeek-OCR 模型（约 5GB），请耐心等待。模型会缓存到本地，后续运行会很快。

A:

• 确保使用 Mac M2 设备以启用 MPS 加速
• 尝试使用较小的分辨率模式（Tiny 或 Small）
• 关闭动态裁剪（crop_mode）

A:

• 使用较小的分辨率模式
• 关闭其他占用内存的应用
• 处理较小的图像

A:

• 检查网络连接
• 确保有足够的磁盘空间
• 查看日志文件获取详细错误信息

A:

• 尝试使用更高的分辨率模式（Base 或 Large）
• 确保图像清晰、光线充足
• 对于大图像，使用 Gundam 模式
• 尝试不同的 OCR 任务类型

cd gradio_app
python test_modules.py

cd gradio_app/logs
tail -f ocr_app_YYYYMMDD.log

主要配置在 gradio_ocr_app.py 中：

# 修改默认端口
demo.launch(server_port=8080)

# 修改模型路径
model_manager = ModelManager(model_name='path/to/your/model')

1. 在 modules/ 目录下创建新模块
2. 在 modules/__init__.py 中导出
3. 在 gradio_ocr_app.py 中集成

基于 Mac M2 设备的测试结果：

注：实际性能取决于图像内容和设备配置

• ✅ 初始版本发布
• ✅ 支持 6 种 OCR 任务
• ✅ 支持 5 种分辨率模式
• ✅ Mac M2 MPS 加速
• ✅ 完整的 Gradio Web 界面
• ✅ 边界框可视化
• ✅ 结果下载功能

• DeepSeek-OCR - 核心 OCR 模型
• Gradio - Web 界面框架
• HuggingFace Transformers - 模型推理框架

本项目遵循 DeepSeek-OCR 的许可证。

• DeepSeek-OCR GitHub
• DeepSeek-OCR 模型
• Gradio 文档

如有问题或建议，欢迎提交 Issue！