DeepSeek-OCR：ビジュアルテキスト圧縮で光学文字認識に革命を起こす

人工知能研究のリーダーであるDeepSeek AIは、光学文字認識（OCR）とビジュアルテキスト圧縮の限界を押し広げる革新的なオープンソースプロジェクト「DeepSeek-OCR」を発表しました。このプロジェクトは、ビジョンエンコーダーと大規模言語モデル（LLM）間の複雑な関係を探求するために設計された強力なAIモデルを導入し、AIが視覚情報を認識・処理する方法に新たな視点をもたらします。

コンテキスト光学圧縮の公開

DeepSeek-OCRの核心は、「コンテキスト光学圧縮」という、視覚文書を分析・理解するための新しいアプローチです。このモデルは、高度な技術を活用してテキストを抽出するだけでなく、画像内の文脈的ニュアンスを理解します。これにより、複雑な文書を構造化されたマークダウンに変換したり、図形を正確に解析したり、詳細な画像説明を提供したりするようなタスクにおいて、非常に優れた能力を発揮します。

主要な特徴と機能

DeepSeek-OCRは、いくつかの印象的な特徴で際立っています。

• LLM中心のビジョンエンコーディング： ビジョンエンコーダーがLLMの理解にどのように貢献するかを調査するために特別に設計されており、マルチモーダルAIに関する洞察を提供します。
• 多様なOCRタスク： 文書をマークダウンに変換する、一般的なOCR、図形の解析、詳細な画像説明など、さまざまなプロンプトに対応できます。
• 複数の解像度モード： 「Tiny」（512x512）から「Gundam」（マルチ解像度）まで、さまざまなネイティブおよび動的な解像度モードをサポートしており、画像の複雑さや処理ニーズに基づいて柔軟な適用が可能です。
• 高性能な推論： vLLMとTransformersの推論に関する包括的な手順が提供されており、開発者は最適なパフォーマンスを実現できます。vLLMはPDF処理において印象的な並行処理能力を発揮します。
• オープンソースによるアクセシビリティ： MITライセンスの下でリリースされ、GitHubで公開されているDeepSeek-OCRは、研究や実用化におけるコミュニティの貢献と広範な採用を促進します。

DeepSeek-OCRを始める

開発者や研究者がすぐに始められるように、DeepSeek-OCRは簡単なインストールと使用法を提供しています。このプロジェクトは主にPythonで構築されており、cuda11.8+torch2.6.0が必要です。環境管理にはcondaを使用してセットアップできます。

インストール手順（概要）： 1. GitHubからDeepSeek-OCRリポジトリをクローンします。 2. conda環境を作成し、アクティブ化します。 3. PyTorch、vLLM（バージョン0.8.5）、およびその他の依存関係をpipでインストールします。

推論オプション：

• vLLM推論： 高スループットのシナリオ、特にPDF文書に最適です。config.pyで入出力パスやその他の設定の構成オプションが利用できます。
• Transformers推論： 既存のTransformersワークフローに統合する場合、モデル（deepseek-ai/DeepSeek-OCR）をAutoTokenizerとAutoModelでロードでき、多様なタスクのためのさまざまなプロンプト例をサポートします。

可視化と謝辞

プロジェクトリポジトリには、DeepSeek-OCRが複雑な視覚情報を正確に処理・解釈する能力を示す魅力的な可視化が掲載されています。DeepSeek AIチームは、Vary、GOT-OCR2.0、MinerU、PaddleOCRなどの他の主要プロジェクトからの貴重な貢献とアイデアに感謝しており、AIコミュニティ内の協力的な精神を強調しています。FoxやOminiDocBenchのようなベンチマークも評価されており、厳密な評価へのコミットメントを示しています。

DeepSeek-OCRは、自動文書処理から複雑なデータ抽出まで、幅広いアプリケーションで高度なOCR機能をより利用しやすく効率的にするための大きな一歩となります。