Guía: Dominar el OCR con DeepSeek

Esta guía detalla el uso del modelo DeepSeek-OCR, una solución de vanguardia para la compresión óptica de contexto y el análisis de documentos.

Disponibilidad del modelo OCR

Esta guía describe la integración de DeepSeek-OCR. Antes de utilizarlo, verifica que el modelo esté expuesto por GET /v1/models y consulta el catálogo y ciclo de vida. Si no está disponible, selecciona un modelo de visión adecuado y utiliza el formato de solicitud correspondiente; los parámetros específicos de esta guía no son universales.

Arquitectura y funcionamiento

A diferencia de los OCR tradicionales, DeepSeek-OCR es un modelo Visión-Lenguaje de extremo a extremo diseñado para "leer" y "comprender" visualmente los documentos.

Arquitectura técnica

Combina dos componentes innovadores:

1. DeepEncoder (380M) : Un codificador visual híbrido que combina SAM-base (para percepción local) y CLIP-large (para conocimiento global), conectados por un compresor convolutivo 16x. Esto permite procesar imágenes de alta resolución con muy pocos tokens visuales.
2. Decodificador MoE (3B) : Basado en DeepSeek3B-MoE (570M parámetros activos), genera texto estructurado a partir de los tokens visuales comprimidos.

Modos de resolución y consumo

El modelo adapta su consumo de tokens a la resolución de la imagen. Cuanto mayor sea la imagen, más tokens consumirá, pero mejor será la precisión.

Modo	Resolución (px)	Tokens de Visión	Uso Recomendado
Tiny	512 x 512	64	Diapositivas, texto muy grande
Small	640 x 640	100	Documentos simples, tickets
Base	1024 x 1024	256	Páginas A4 estándar
Large	1280 x 1280	400	Documentos densos, caracteres pequeños
Gundam	Dinámico	~800	Periódicos, planos, escaneos complejos

Optimización

Para optimizar tus costos y la latencia, redimensiona tus imágenes a la resolución mínima necesaria para que el texto siga siendo legible.

Soporte multilingüe

El modelo fue entrenado en un vasto corpus de documentos multilingües y soporta el reconocimiento de casi 100 idiomas (incluyendo francés, inglés, chino, árabe, etc.), con o sin preservación del formato.

Guía de prompts (Ingeniería de prompts)

La calidad del resultado depende directamente del prompt utilizado. DeepSeek-OCR responde a instrucciones específicas para activar sus diferentes capacidades.

1. OCR estándar (Markdown)

Para extraer el texto con su estructura (títulos, párrafos, tablas).

Prompt :

Convert the document to markdown.

Resultado : Texto estructurado, tablas formateadas, formato preservado.

2. "Deep parsing" (Figuras, gráficos, fórmulas)

Para analizar el contenido semántico de gráficos, fórmulas químicas o geométricas.

Prompt :

Parse the figure.

Capacidades :

• Gráficos (Bar/Line/Pie) : Convierte a tabla HTML o Markdown.
• Fórmulas Químicas : Convierte a formato SMILES.
• Geometría : Describe los elementos geométricos.

3. Grounding (localización)

Para encontrar las coordenadas de un elemento específico en la imagen.

Prompt :

Locate <|ref|>elemento a encontrar<|/ref|> in the image.

Ejemplo : Locate <|ref|>Total<|/ref|> in the image. Resultado : Devuelve las coordenadas de la caja delimitadora (bounding box) del elemento.

4. Detección de objetos

Para listar y localizar todos los objetos visibles.

Prompt :

Identify all objects in the image and output them in bounding boxes.

Tutorial de implementación (Python)

Aquí tienes un ejemplo completo que muestra cómo estructurar tu llamada a la API para utilizar estas capacidades.

Requisitos previos: formato de la imagen y dependencias

• Formato : JPEG o PNG.
• Modo : RGB (sin transparencia Alpha).
• PDF : Deben convertirse a imágenes previamente (150-300 DPI).
• Tamaño : Se recomienda redimensionar las imágenes de muy alta resolución para evitar errores de límite de tamaño (413 Payload Too Large).

Instala las librerías necesarias:

pip install requests Pillow

Código: análisis de documento (OCR)

Tomemos el ejemplo de este ticket de caja suizo:

Aquí tienes un script robusto que maneja el redimensionamiento y la codificación óptima de la imagen:

import base64
import io
import requests
from PIL import Image

# Configuration
API_KEY = "VOTRE_TOKEN_API"
API_URL = "https://api.ai.cloud-temple.com/v1/chat/completions"
IMAGE_PATH = "ReceiptSwiss.jpg" # Assurez-vous que l'image est dans le dossier courant

def encode_image_optimized(path):
    """
    Optimise l'image (redimensionnement + compression JPEG) pour l'API.
    """
    with Image.open(path) as img:
        # 1. Conversion RGB (pour éviter problèmes PNG/Alpha)
        if img.mode != 'RGB':
            img = img.convert('RGB')

        # 2. Redimensionnement intelligent si trop grand (> 2048px)
        # Cela évite l'erreur 413 (Payload Too Large) et accélère le traitement
        max_size = 2048
        if max(img.size) > max_size:
            img.thumbnail((max_size, max_size))

        # 3. Compression JPEG en mémoire
        buffer = io.BytesIO()
        img.save(buffer, format="JPEG", quality=85)

        return base64.b64encode(buffer.getvalue()).decode('utf-8')

# 1. Construction du message multimodal
encoded_image = encode_image_optimized(IMAGE_PATH)

payload = {
    "model": "deepseek-ai/DeepSeek-OCR",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Convert the document to markdown." # Prompt OCR Standard
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/jpeg;base64,{encoded_image}"
                    }
                }
            ]
        }
    ],
    "temperature": 0.0, # CRUCIAL : 0.0 pour la fidélité
    "max_tokens": 4096
}

# 2. Envoi
print("Envoi de la requête...")
response = requests.post(
    API_URL,
    headers={"Authorization": f"Bearer {API_KEY}"},
    json=payload
)

# 3. Résultat
if response.status_code == 200:
    print("\n--- Résultat OCR ---\n")
    print(response.json()['choices'][0]['message']['content'])
else:
    print(f"Erreur {response.status_code}: {response.text}")

Ejemplo de salida :

# Berghotel
**Grosse Scheidegg**
3818 Grindelwald
Familie R. Müller

Rech. Nr.  4572
Bar    Tisch   7/01

2xLatte Macchiato    à   4.50 CHF   9.00
1xGloki    à   5.00 CHF   5.00
...

**Total :** CHF **54.50**
**Incl. 7.6% MwSt** 54.50 CHF: 3.85

Código: análisis de gráfico (deep parsing)

Para analizar un gráfico financiero en un informe, simplemente cambia el texto del prompt en el payload anterior:

# ... dans le payload ...
"text": "Parse the figure."
# ...

El modelo devolverá una representación textual o tabular de los datos del gráfico.

Casos de uso avanzados

Extracción de tablas complejas

DeepSeek-OCR destaca en la conversión de tablas, incluso sin líneas de delimitación claras.

Imagen de entrada — inventario técnico ficticio :

Estos datos ilustran la extracción de una tabla; no definen plantillas comerciales de Cloud Temple.

Salida Markdown esperada :

| Équipement | Quantité | vCPU | RAM (Gio) |
|---|---|---|---|
| Serveur web | 2 | 4 | 16 |
| Serveur de calcul | 1 | 8 | 32 |
| Serveur de test | 3 | 2 | 8 |

Para los precios públicos del servicio, consulta el catálogo de tarifas oficial de Cloud Temple.

Fórmulas matemáticas (LaTeX)

Ideal para documentos académicos. El modelo reconoce las ecuaciones y las exporta en sintaxis LaTeX estándar.

Imagen de Entrada :

Salida del Modelo (Prompt: "Convert to latex.") :

Aquí tienes la representación matemática del resultado del OCR :

Error cuadrático medio:

$$\frac{1}{T} \int_{-T/2}^{T/2} \left[ f(t) - T_N(t) \right]^2 dt = E_N \left( a_0, \ldots, a_N; b_1, \ldots, b_N \right)$$

Condición para el mínimo de $E_N$ en:

$$\frac{\partial E_N}{\partial a_0} = 0, \frac{\partial E_N}{\partial a_i} = 0, \ldots, \frac{\partial E_N}{\partial b_N} = 0$$

(2n+1) ecuaciones:

$$\frac{\partial E_N}{\partial a_i} = \frac{1}{T} \int_{-T/2}^{T/2} \frac{\partial}{\partial a_i} \left( f(t) - T_N(t) \right)^2 dt = \frac{1}{T} \int_{-T/2}^{T/2} \left\{ 2 \left( f(t) - T_N(t) \right) \frac{\partial}{\partial a_i} \left( f(t) - T_N(t) \right) \right\} dt$$ $$= -\frac{1}{T} \int_{-T/2}^{T/2} 2 \left( f(t) - T_N(t) \right) \cos i \omega t dt = 0 \quad \text{para punto estacionario.}$$ $$\frac{2}{T} \int_{-T/2}^{T/2} f(t) \cos i \omega t dt = \frac{2}{T} \int_{-T/2}^{T/2} \left[ \frac{a_0}{2} + \sum_{n=1}^{N} \left( a_n \cos n \omega t + b_n \sin n \omega t \right) \right] \cos i \omega t dt \quad i \neq 0$$

Limitaciones conocidas

• Orientación : El modelo no maneja la rotación automática. Asegúrate de que tus imágenes estén bien orientadas (texto horizontal).
• Texto manuscrito : Aunque es eficiente, la tasa de error es más alta en la escritura manuscrita cursiva compleja que en el texto impreso.
• Muy alta resolución : Las imágenes que superan las dimensiones del modo "Gundam" (~2000x2000) se redimensionan, lo que puede hacer ilegible el texto microscópico. Divide los planos muy grandes en varias imágenes.