Qianfan-OCR部署教程：模型路径/root/ai-models/baidu-qianfan/Qianfan-OCR配置规范
1. 项目概述
百度千帆推出的Qianfan-OCR是一款开源的4B参数端到端文档智能多模态模型，基于Qwen3-4B语言模型构建。这个多模态视觉语言模型(VLM)采用Apache 2.0协议，完全开源且可商用，能够替代传统OCR流水线，单模型即可完成OCR识别、版面分析和文档理解三大功能。
与传统OCR技术相比，Qianfan-OCR的主要优势在于：
- 端到端处理：无需多步骤流水线
- 智能理解：不仅能识别文字，还能理解文档结构
- 灵活交互：支持自定义提示词进行定向信息提取
2. 环境准备
2.1 系统要求
确保您的系统满足以下最低配置：
- GPU：至少16GB显存（推荐NVIDIA A10G或更高）
- 内存：32GB以上
- 存储空间：至少20GB可用空间（模型权重约9GB）
- 操作系统：Linux（推荐Ubuntu 20.04+）
2.2 依赖安装
使用以下命令安装必要依赖：
# 创建conda环境 conda create -n torch28 python=3.11 -y conda activate torch28 # 安装PyTorch pip install torch torchvision torchaudio # 安装其他依赖 pip install gradio transformers pillow3. 模型部署
3.1 下载模型
模型默认会安装在/root/ai-models/baidu-qianfan/Qianfan-OCR路径。如果您需要手动下载：
mkdir -p /root/ai-models/baidu-qianfan/Qianfan-OCR cd /root/ai-models/baidu-qianfan/Qianfan-OCR # 下载模型权重（约9GB） wget https://example.com/qianfan-ocr-weights.tar.gz tar -xzf qianfan-ocr-weights.tar.gz3.2 启动服务
使用提供的启动脚本运行服务：
cd /root/Qianfan-OCR bash start.sh服务启动后，默认会监听7860端口。您可以通过http://localhost:7860访问Web界面。
4. 功能使用指南
4.1 基础OCR识别
- 打开Web界面(
http://localhost:7860) - 点击"上传图片"按钮选择需要识别的文档图片
- 点击"识别"按钮
- 识别结果将显示在右侧文本框中
4.2 布局分析模式
要启用文档结构分析功能：
- 勾选"启用Layout-as-Thought"选项
- 上传图片并点击"识别"
- 结果将包含标题、段落、表格等结构化信息
4.3 自定义提示词提取
在"提示词"输入框中，您可以指定需要提取的信息类型和格式。例如：
请从图片中提取以下字段：姓名、身份证号、签发日期。使用JSON格式输出。5. 服务管理
5.1 服务状态检查
supervisorctl status qianfan-ocr5.2 服务启停控制
# 停止服务 supervisorctl stop qianfan-ocr # 启动服务 supervisorctl start qianfan-ocr # 重启服务 supervisorctl restart qianfan-ocr5.3 日志查看
实时查看服务日志：
tail -f /root/Qianfan-OCR/service.log6. 常见问题解决
6.1 服务无法访问
检查步骤：
- 确认端口是否被占用：
ss -tlnp | grep 7860 - 检查服务状态：
supervisorctl status qianfan-ocr - 尝试重启服务：
supervisorctl restart qianfan-ocr
6.2 识别结果不准确
解决方法：
- 确保图片清晰度足够（推荐300dpi以上）
- 尝试启用"布局分析"模式
- 对于特定内容，使用自定义提示词明确提取要求
6.3 模型加载缓慢
注意事项：
- 首次运行需要下载模型权重（约9GB）
- 确保
/root/ai-models/baidu-qianfan/Qianfan-OCR目录有足够空间 - 检查GPU是否正常工作：
nvidia-smi
7. 总结
Qianfan-OCR作为一款先进的文档智能多模态模型，通过简单的部署即可获得强大的OCR、版面分析和文档理解能力。本文详细介绍了从环境准备到服务管理的完整流程，帮助您快速上手使用这一工具。
关键要点回顾：
- 模型部署在
/root/ai-models/baidu-qianfan/Qianfan-OCR路径 - 通过7860端口访问Web界面
- 支持三种主要使用模式：基础OCR、布局分析和自定义提示词提取
- 使用supervisorctl管理服务生命周期
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
