DeepSeek-OCR
DeepSeek-OCRは、DeepSeekによるドキュメント向けの3Bの混合エキスパート(mixture-of-experts)モデルです。LibreYOLOはDeepSeek-OCRとDeepSeek-OCR-2を、同梱のPyTorch移植版を通じてocrタスクで実行します。ボックス付きのテキスト行、レイアウトブロック、またはページ全体をMarkdownとして出力します。
- タスク
- ocr
- サイズ
- 1, 2 at 1024 px
- インストール
pip install "libreyolo[vlm]"- サポートティア
- 姉妹ティア、v1.8.0以降。独自のファクトリと契約を持つ、独立した製品インターフェースです。
- ライセンス
- コード:MIT (DeepSeek-OCR); Apache-2.0 (DeepSeek-OCR 2)、重み:MIT (DeepSeek-OCR); Apache-2.0 (DeepSeek-OCR 2)。商用利用
インストール
DeepSeek-OCRはLibreYOLOのVLM層に属し、vlm extraが必要です。
pip install "libreyolo[vlm]"推論
重みは初回使用時に、リビジョンを固定したバイト単位で同一のLibreYOLOミラーLibreYOLO/LibreDeepSeekOCR1およびLibreYOLO/LibreDeepSeekOCR2からダウンロードされます。アーキテクチャはリリースの推論経路をPyTorchに移植したものです。リモートコードは実行されません。
from libreyolo import LibreVLM model = LibreVLM("deepseek-ocr") # 初回使用時に重みをダウンロードresult = model.predict("page.png") # スキャンまたはレンダリングしたページ for text, quad in zip(result.ocr.texts, result.ocr.polygons): print(text, quad.tolist()) # テキスト行ごとに1領域from libreyolo import LibreVLM model = LibreVLM("deepseek-ocr", prompt="markdown")result = model.predict("page.png") print(result.ocr.markdown) # ページ全体をMarkdownでprint(result.ocr.labels) # ブロックごとのレイアウトカテゴリfrom libreyolo import LibreVLM model = LibreVLM("deepseek-ocr-2") # 解像度は "gundam" または "base"result = model.predict("page.png")print(result.ocr.texts)このファミリーはLibreVLM()、またはLibreDeepSeekOCRクラスで読み込みます。promptの設定(コンストラクターまたはset_prompt())で、Results.ocrに入る内容が決まります。
prompt | Results.ocr |
|---|---|
"ocr"(デフォルト) | テキスト行ごとに1領域、labelsはすべてtext、markdownは空 |
"markdown" | レイアウトブロックごとに1領域、labelsにレイアウトカテゴリ、markdownにページ |
"free" | 領域なし、markdownにページのテキスト |
| その他の文字列 | モデルが出力するグラウンディングとmarkdown |
ボックスはモデルの0〜999のグリッドで出力され、元画像に合わせて軸に平行な4点の四角形にスケーリングされ、上から下、次に左から右の順に並べられます。生成モデルはスコアを出力しないため、confとdet_confは定数1.0です。model.chat("page.png", "Parse the figure.")は任意のプロンプトに対して生成された生のテキストを返します。デコードは貪欲法で、新規トークンは最大8192、リリースと同じくno_repeat_ngram_size=20を使います。
バリアント
| 名前 | モデル | 解像度 | ライセンス |
|---|---|---|---|
deepseek-ocr | DeepSeek-OCR(サイズ1) | tiny(512)、small(640)、base(1024)、large(1280)、gundam(デフォルト) | MIT |
deepseek-ocr-2 | DeepSeek-OCR-2(サイズ2) | base(1024)、gundam(デフォルト) | Apache-2.0 |
gundamは1024 pxのグローバルビューとローカルクロップを組み合わせます。DeepSeek-OCRでは640 pxのクロップが2〜9枚、DeepSeek-OCR-2では768 pxのクロップが最大6枚です。DeepSeek-OCR-2はデコーダーとSAMステージを維持し、CLIPをQwen2エンコーダーに置き換えています。プロンプトと出力は同じです。
CUDAでは、リリースと同じくtorch.autocastの下でbf16の重みを実行します(bf16非対応のGPUではfp16)。CPUとMPSではeager attentionでfloat32を実行し、約13 GBのメモリを使います。MPSは実機で未検証です。EXIFの向きは適用されません。RTX 3090上で、この移植版はDeepSeek-OCRの17ケースとDeepSeek-OCR-2の14ケースでリリースをトークン単位で再現します。ベンチマークの数値はリリースの論文にあり、LibreYOLOでは再現していません。
検証
val()は共有のOCRバリデーターを実行し、検出hmean、エンドツーエンドF1、1-NEDを報告します。
from libreyolo import LibreVLM model = LibreVLM("deepseek-ocr")metrics = model.val(data="ocr_dataset/") # 検出hmean、エンドツーエンドF1、1-NEDエクスポート
推論のみです。train()とexport()は例外を発生させます。
ライセンス
ダウンロードする特定の重みについて、Hugging Faceリポジトリのライセンスを確認してください。LibreYOLO orgの各チェックポイントにはライセンスが付与されており、同じファミリー内でも常に同一とは限りません。そのリポジトリが正式な情報源です。以下の概要は、このページを最後に検証した時点で適用されていた内容を示します。
これは関連するライセンスの説明であり、法的助言ではありません。商用上重要な場合は、自分でライセンスを読み、専門家の助言を受けてください。
- 原著作物
- DeepSeek-OCR, DeepSeek
- アップストリームのライセンス
- MIT (size 1); Apache-2.0 (size 2)
- アップストリームのソース
- github.com/deepseek-ai/DeepSeek-OCR
- LibreYOLOのコード
- MIT
- 重み
- MIT (DeepSeek-OCR); Apache-2.0 (DeepSeek-OCR 2)、huggingface.co/LibreYOLOで再公開
- 解釈
- This family covers two releases with different permissive licences. Size "1" is DeepSeek-OCR (paper arXiv:2510.18234), released under MIT: commercial and closed-source use is allowed if you keep the copyright and license notice. Size "2" is DeepSeek-OCR 2 (paper arXiv:2601.20552, 'Visual Causal Flow'), released under Apache-2.0: commercial use is allowed if you keep the license text and notices, and it grants a patent license. LibreYOLO ports the inference path of the Hugging Face releases (deepseek-ai/DeepSeek-OCR at 9f30c71f441d010e5429c532364a86705536c53a and deepseek-ai/DeepSeek-OCR-2 at aaa02f3811945a91062062994c5c4a3f4c0af2b0) and runs none of their remote code; ported parts keep their lineage, Apache-2.0 for the DeepSeek-V2 decoder, the Transformers Llama and Qwen2 attention, the detectron2-derived SAM encoder and the FastChat template, MIT for the ConvNeXt LayerNorm (libreyolo/models/deepseekocr/NOTICE), while the adapter is MIT. Weights are byte-identical, ungated mirrors at LibreYOLO/LibreDeepSeekOCR1 and LibreYOLO/LibreDeepSeekOCR2 with no learned parameter changed.
DeepSeek-OCRはMIT、DeepSeek-OCR-2はApache-2.0で、コードと重みのいずれもDeepSeekによるものです。どちらも商用利用が可能です。重みはバイト単位で同一の、ゲートされていないミラーです。
引用
@article{wei2025deepseek,
title={DeepSeek-OCR: Contexts Optical Compression},
author={Wei, Haoran and Sun, Yaofeng and Li, Yukun},
journal={arXiv preprint arXiv:2510.18234},
year={2025}
}著者によるhuggingface.co/deepseek-ai/DeepSeek-OCR#citationの引用ブロックからコピーしています。