ComfyUI-DeepseekOCR-easy

DeepSeek-OCR for ComfyUI

一个用于适用于高版本transformers的 Deepseek-OCR 的 ComfyUI 的 插件，可以使用 Deepseek-OCR 来实现OCR任务以及图像反推

🚀 功能亮点

• ✨ 多任务支持：支持文档转换、自由 OCR、图像识别等多种任务类型
• 💡 自定义提示词：自定义提示词功能，满足不同场景需求
• 📄 PDF 支持：直接处理 PDF 文件

🛠 安装方法

1. 安装依赖

# 安装 poppler（用于 PDF 处理）
# Windows: 下载 https://github.com/oschwartz10612/poppler-windows/releases
# 下载后解压，将bin文件夹目录设置到系统环境的path中

# Linux (Ubuntu/Debian):
sudo apt install poppler-utils

# 安装 ComfyUI DeepSeek-OCR 节点
git clone https://github.com/swan7-py/ComfyUI-DeepseekOCR-easy.git
cd ComfyUI-DeepseekOCR-easy

2. 安装模型

下载模型DeepSeek-OCR-Latest-BF16.I64 放置到models下的DeepSeek-OCR-Latest-BF16.I64 注意不使用官方的模型，感谢prithivMLmods使得该模型可以用于高版本transformers

📚 插件使用

1. 基本流程

1. 使用 LoadPDFtoImage 节点加载 PDF
2. 通过 DeepSeekOCRNode 节点进行 OCR 处理
3. 输出为 Markdown 格式的文本

2. 任务类型与提示词

| 任务类型 | 默认提示词 | 适用场景 | |---------------------|---------------------------------------------|--------------------------| | document | <image>\n<|grounding|>Convert the document to markdown. | 文档内容转换为 Markdown | | without layouts | <image>\nFree OCR. | 无布局的简单文字提取 | | other image | <image>\n<|grounding|>OCR this image. | 一般图像的文字识别 | | figures in document| <image>\nParse the figure. | 文档中的图表/图形解析 | | general | <image>\nDescribe this image in detail. | 图像内容详细描述 |

3. 自定义提示词

如果填写了自定义提示词，将覆盖任务类型对应的默认提示词：

🔧 参数说明

| 参数名 | 类型 | 默认值 | 说明 | |----------------|-----------|-----------|--------------------------------------------------------------------| | images | IMAGE | - | 输入图像或 PDF 转换的图像（由 LoadPDFtoImage 提供） | | mode | 选择框 | Gundam | 模型大小选项：Tiny, Small, Base, Large, Gundam（推荐 Gundam） | | task_type | 选择框 | document| 任务类型：document, without layouts, other image, figures in document, general | | custom_prompt| 文本输入框 | (空) | 自定义提示词，优先级高于任务类型默认提示词 |

📌 注意事项

1. poppler 安装：Windows 用户需要安装 poppler 并添加到系统 PATH
2. 输出文件：结果会保存在 ComfyUI 输出目录的 deepseek_ocr_output.md 中，每次会覆盖