一、教程简介

dots.ocr 是由小红书 hi lab 于 2025 年 8 月发布的多语言文档布局解析模型。模型基于 17 亿参数的视觉语言模型（VLM），能统一进行布局检测和内容识别，保持良好的阅读顺序。模型规模虽小，但性能达到业界领先水平（SOTA），在 OmniDocBench 等基准测试中表现优异，公式识别效果能与 Doubao-1.5 和 gemini2.5-pro 等更大规模模型相媲美，在小语种解析方面优势显著。 dots.ocr 提供简洁高效的架构，任务切换仅需更改输入提示词，推理速度快，适用多种文档解析场景。

本教程采用资源为单卡 RTX 4090 。

二、项目示例

公式文档示例

表格文档示例

多语言文档示例

三、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

2. 使用步骤

若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 2-3 分钟后刷新页面。

参数说明

• Select Prompt：
  • layout_all_en：识别图像中所有文本，并保留原始布局结构。
  • layout_only_en：只识别图像中的英文文本，忽略其他语言。
  • ocr：识别图像中的文本，不需要保留结构。
• Advanced Settings：
  • Enable fitz_preprocess for images：是否为图像启用 fitz_preprocess 预处理。如果图像 DPI 较低，建议使用。
  • Min Pixels：图像的最小像素数，用于过滤掉过小的图像。
  • Max Pixels：图像的最大像素数，用于过滤掉过大的图像。

四、交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓