Оцифровываем сырую документацию компании с помощью ИИ локально! DeepSeek-OCR + Qwen 1.5

Недавно получил задачу сделать автоматизированную оцифровку характеристик из паспортов товаров в БД, а не изменение параметров вручную в ERP. Я подумал, было бы здорово поделиться, как я это сделал, с вами на Хабре!

Базовые задачи:

1. Нужно, чтобы это все работало локально

2. Система должна принимать разные форматы (.doc, .pdf, .png)

3. Возможность создавать динамические таблицы, куда ИИ будет заполнять сама информацию, а не хардкодить для каждой категории паспорта свои отчеты

4. Желательно, чтобы все работало на одной видеокарте (в моем случае 3090 на 24GB VRAM)

Для реализации задачи, я решил развернуть 2 ИИ модели — deepseek-ocr-7b и Qwen-1.5. Первая будет считывать текст из изображений, а вторая преобразовывать сырой текст в json, который, затем, будет распределяться по полям таблицы.

Скачать весь проект вы можете тут — https://github.com/Chashchin-Dmitry/llm-ocr-handmade ^[1]

Шаг 1. Подготовка системы

1.1 Проверка драйвера NVIDIA

Для начала, нам нужно установить драйвер NVIDIA. В моем случае, это 576.66 серия, но если у вас другая видеокарта, то введите свою модель и серию тут ^[2].

Перезагружаем комп/сервер и пишем команду:

nvidia-smi

Если команда показала что-то с Nvidia и номер модели, значит мы удачно скачали драйверы.

1.2 Установка Docker с GPU поддержкой

Windows:

-Docker Desktop + включить WSL2 backend

-В настройках Docker Desktop включить “Use WSL 2 based engine”

Linux:

# NVIDIA Container Toolkit
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit
sudo systemctl restart docker

1.3 Проверка GPU в Docker

docker run --rm --gpus all nvidia/cuda:12.1-base nvidia-smi

Должна показать твою видеокарту.

Шаг 2: Выбор версии vLLM

Очень важно подобрать под себя верную версию vLLM под вашу видеокарту. Немаловажно, она должна быть совместима с вашей версией драйвера.

Для DeepSeek-OCR и Qwen-1.5, я выбрал vLLM v0.11.2 с CUDA 12.9 (с версией ниже, у вас ничего не запустится)

# Скачивание образа (43GB!)
docker pull vllm/vllm-openai:v0.11.2

Подробнее, как подобрать нужную версию vLLM под вашу GPU можно тут ^[3].

Шаг 3: Выбор моделей

OCR

Мне понравилось отзывы от новой deepseek-ocr, а еще она очень компактная, поэтому, я решил, что она идеально подойдет к моему кейсу. Вот ее требования:

DeepSeek-OCR:

• Модель: deepseek-ai/DeepSeek-OCR

• Размер: 3B параметров

• VRAM: ~8-10GB

• Задача: Извлечение текста из изображений

Модель для структуризации

Моя задача состоит развернуть все разом на одной видеокарте, поэтому я выбирал самые маленькие LLM, которые только есть. Более того, мне надо сырой текст преобразовывать в json, с чем микро модели будут справляться идеально и, самое главное, быстро.

Вот какие могут быть варианты для вас:

Мы выбрали 1.5B — влезает вместе с OCR на 24GB и достаточен для структуризации JSON.

Шаг 4: Конфигурация docker-compose.yml

version: '3.8'

services:
  # DeepSeek-OCR
  vllm-ocr:
    image: vllm/vllm-openai:v0.11.2
    container_name: vllm-ocr
    runtime: nvidia
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
    ports:
      - "8001:8000"
    volumes:
      - ~/.cache/huggingface:/root/.cache/huggingface
    command: >
      --model deepseek-ai/DeepSeek-OCR
      --trust-remote-code
      --max-model-len 4096
      --gpu-memory-utilization 0.30
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]

  # Qwen для структуризации
  vllm-qwen:
    image: vllm/vllm-openai:v0.11.2
    container_name: vllm-qwen
    runtime: nvidia
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
    ports:
      - "8002:8000"
    volumes:
      - ~/.cache/huggingface:/root/.cache/huggingface
    command: >
      --model Qwen/Qwen2.5-1.5B-Instruct
      --trust-remote-code
      --max-model-len 16384
      --gpu-memory-utilization 0.35
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]

  # FastAPI Backend
  backend:
    build: .
    container_name: ocr-backend
    ports:
      - "8000:8000"
    volumes:
      - ./backend:/app/backend
      - ./frontend:/app/frontend
      - ./uploads:/app/uploads
    environment:
      - DATABASE_URL=mysql+pymysql://root:password@host.docker.internal:3306/ocr_documents
      - VLLM_OCR_URL=http://vllm-ocr:8000
      - VLLM_QWEN_URL=http://vllm-qwen:8000
    extra_hosts:
      - "host.docker.internal:host-gateway"
    command: uvicorn backend.main:app --host 0.0.0.0 --port 8000 --reload

Ключевые параметры:

Шаг 5: Формат запросов к DeepSeek-OCR

Важнейший нюанс! DeepSeek-OCR использует особый формат промпта, не стандартный OpenAI.

Неправильно (400 Bad Request):

messages = [
    {"role": "system", "content": "You are OCR assistant"},
    {"role": "user", "content": "Extract text from image"}
]

Правильно:

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image_url",
                "image_url": {"url": f"data:image/png;base64,{image_base64}"}
            },
            {
                "type": "text",
                "text": "<|grounding|>Convert the document to markdown."
            }
        ]
    }
]

Варианты промптов:

Шаг 6: Лимиты токенов

Потенциальная проблема, которая у вас может возникнуть — “max_tokens is too large”

DeepSeek-OCR имеет контекст 4096 токенов. Если запросить max_tokens=4096, а input занимает 100 токенов — ошибка ^[4].

Решение:

# OCR Service
payload = {
    "model": "deepseek-ai/DeepSeek-OCR",
    "max_tokens": 3500,  # Оставляем запас для input
    "temperature": 0.0,
    ...
}

# Qwen Structurizer
payload = {
    "model": "Qwen/Qwen2.5-1.5B-Instruct",
    "max_tokens": 1024,  # Достаточно для JSON
    "temperature": 0.1,
    ...
}

Шаг 7: Контекст для структуризации

Проблема: OCR возвращает 8000+ токенов из многостраничного PDF, а Qwen имеет контекст 2048.

Решение: Увеличить --max-model-len в docker-compose:

vllm-qwen:
  command: >
    --model Qwen/Qwen2.5-1.5B-Instruct
    --max-model-len 16384  # Было 2048
    --gpu-memory-utilization 0.35  # Увеличили с 0.20

Важно: Больший контекст = больше VRAM. На 24GB влезает 16K контекст для 1.5B модели.

Шаг 8: Промпт для структуризации

STRUCTURING_SYSTEM_PROMPT = """Ты - эксперт по структуризации данных из документов.
Твоя задача - извлечь конкретные данные из текста документа и вернуть их в JSON формате.

Правила:
1. Извлекай ТОЛЬКО те поля, которые указаны в схеме
2. Если поле не найдено в документе - укажи null
3. Сохраняй форматирование дат и чисел как в оригинале
4. Не выдумывай данные - только то, что есть в документе
5. Возвращай ТОЛЬКО валидный JSON, без пояснений"""

def build_structuring_prompt(columns, ocr_text):
    fields = "n".join([f'- "{col["name"]}": {col["description"]}' for col in columns])

    return f"""Извлеки данные из документа по следующей схеме:

ПОЛЯ ДЛЯ ИЗВЛЕЧЕНИЯ:
{fields}

ТЕКСТ ДОКУМЕНТА:
"""
{ocr_text}
"""

Верни JSON. Если поле не найдено - укажи null."""

Шаг 9: Запуск системы

# 1. Запуск моделей (первый раз скачивает веса ~10GB)
docker-compose up -d vllm-ocr vllm-qwen

# 2. Ожидание загрузки (5-10 минут)
docker logs vllm-ocr -f
# Ждём: "Uvicorn running on http://0.0.0.0:8000"

# 3. Проверка моделей
curl http://localhost:8001/v1/models  # OCR
curl http://localhost:8002/v1/models  # Qwen

# 4. Запуск backend
docker-compose up -d backend

# 5. Открыть UI
# http://localhost:8000

Шаг 10: Использование

Пора зайти и посмотреть что получилось. Сразу скажу — весь фронт я навайбкодил, потому не ругайтесь на английский язык.

Уже неплохо. Можно создать свою схему-таблицу и настроить в ней колонки. Давайте это и сделаем.

Добавим поля-колонки

Вот так выглядит настроенная схема

Отлично, теперь давайте запустим первый PDF файл. В качестве примера, я зашел по первой ссылке в Яндекс Маркет и распечатал характеристики ведра

Примерно такой результат должна выдать программа (у меня не сохранился оригинал оцифровки ведра выше).

Заключение

По моему очень даже неплохой результат для такого серьезного кейса. А главное, работает все локально без запросов в облако.

Делитесь своим опытом ^[5] настройки моего контейнера.

---

Буду рад за лайк и подписку на канал :) https://t.me/notes_from_cto ^[6]

---