企业官网建设流程全解析

DeepSeek-OCR-2版式检测怎么用：<|grounding|>与<|det|>坐标边界框渲染实战详解

【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 DeepSeek 开源的视觉因果流（Visual Causal Flow）OCR 模型。它的核心能力之一是版式检测：只需在 prompt 中加一个<|grounding|>标记，模型就会在输出 Markdown 的同时，用<|det|>标签标注每个元素的坐标边界框，再经渲染即可在原图上画出检测框、自动裁剪插图。本文带你从零跑通这条流水线。

两种模式：Free OCR 与版式检测（Grounding）

DeepSeek-OCR-2 提供两种主要 prompt 模式，区别就一个词：

默认配置就是版式检测模式，定义在 config.py：

PROMPT = '<image>\n<|grounding|>Convert the document to markdown.'

想关闭版式检测，把这行换成'Free OCR.'即可。

<|det|>坐标标签长什么样

开启 grounding 后，模型在 Markdown 流中嵌入成对标签，结构固定为：

<|ref|>image<|/ref|><|det|>[[x1, y1, x2, y2], ...]<|/det|>

• <|ref|>…<|/ref|>：元素类别标签，如image、title等；
• <|det|>…<|/det|>：坐标列表，每个框是[x1, y1, x2, y2]四元组；
• 这 5 个特殊 token（<|ref|>、<|/ref|>、<|det|>、<|/det|>、<|grounding|>）在处理器中的定义见 image_process.py。

关键点：坐标不是像素值，而是 0~999 的归一化数值，这样无论原图多大，模型只需"说"相对位置。

坐标映射与边界框渲染原理

渲染逻辑集中在 draw_bounding_boxes()，分四步：

1. 正则提取：用模式(<\|ref\|>(.*?)<\|/ref\|><\|det\|>(.*?)<\|/det\|>)从输出中捞出所有标注块，见 re_match()；
2. 坐标还原：把 0~999 的归一化坐标乘以原图宽高做映射——x1 = int(x1 / 999 * image_width)，见 run_dpsk_ocr2_image.py；
3. 画框：用 PILImageDraw画矩形，title类用 4 像素粗框、其余用 2 像素细框，颜色随机区分，并在框上方标注类别名；
4. 裁剪插图：image类元素额外裁剪出来存盘，并在 Markdown 中替换为![](images/0.jpg)图片引用——这就是最终.mmd文件里能直接嵌入原图插图的原因。

单图实战：一条命令出框图

准备：把图片和输出路径改到 config.py 的INPUT_PATH与OUTPUT_PATH，然后运行：

cd DeepSeek-OCR2-master/DeepSeek-OCR2-vllm python run_dpsk_ocr2_image.py

产出（由 run_dpsk_ocr2_image.py 自动生成）：

打开result_with_boxes.jpg，标题是粗框、公式/图片是细框，每个框左上角标着类别名——版式检测效果一目了然。

PDF 批量实战：并发处理整本文档

处理 PDF 时，run_dpsk_ocr2_pdf.py 先把页面逐页转高清图，再并发推理，最终输出三份文件：

• xxx_det.mmd：带全部 det 坐标的原始版（调试利器）；
• xxx.mmd：合并全书的干净 Markdown；
• xxx_layouts.pdf：把每页的边界框渲染图拼成新 PDF，📄 可直接用于版式质检。

页面间用\n<--- Page Split --->\n分隔，方便后续按页切分。

常见问题 FAQ

❓ 框的位置明显偏移？坐标还原依赖原图宽高（x / 999 * width）。请保持crop_mode=True的动态分辨率预处理，确保送入模型的图和渲染时用的是同一张原图，不要用预处理后的缩放图去画框。

❓ 输出里没有<|det|>标签？检查 prompt 是否带<|grounding|>；纯文字密集的图可换Free OCR模式，版式标注只服务于结构化文档。

❓ 想只调视觉 token 数量？分辨率策略由 count_tiles() 决定：默认(0-6)×768×768 + 1×1024×1024，大图会自动切 2~6 块局部视图加一张全局缩略图。

💡 小结：<|grounding|>打开版式检测开关 →<|det|>携带 0~999 归一化坐标 → 除以 999 映射回像素 → PIL 画框 + 裁剪插图。四步链路，单图、PDF 两种入口脚本都已封装好，改两个路径配置即可上手。

【免费下载链接】DeepSeek-OCR-2Visual Causal Flow项目地址: https://gitcode.com/gh_mirrors/de/DeepSeek-OCR-2