需启用识图模式、选择视觉模型并规范输入：网页/app端切换识图模式后拖拽上传；api调用需base64编码+prompt；cli工具支持终端批量分析；本地部署需下载vl模型权重并用transformers加载推理。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您尝试使用DeepSeek对上传的图片进行内容理解、文字提取或场景描述，但未获得预期识别结果，则可能是由于未启用识图模式、未选择支持视觉的模型版本，或输入方式不符合多模态调用规范。以下是具体操作步骤：
一、确认并进入识图模式
DeepSeek网页端与APP端默认不自动激活多模态能力，需手动切换至“识图模式”才能触发图像解析流程。该模式专为图文联合理解设计，仅在此模式下上传的图片才会被送入视觉编码器处理。
1、打开DeepSeek官网或手机APP，完成登录；
2、在对话输入框上方查找并点击“识图模式”按钮（图标为眼睛形状，部分界面显示为“图片分析”标签）；
3、确认当前聊天窗口右上角显示“识图中”或“VL已就绪”状态标识；
4、此时可直接拖拽图片至对话区，或点击“+”号选择本地文件上传。
二、通过网页端拖拽上传快速分析
该方式无需编程基础，适用于单张图片的即时验证与轻量级任务，底层调用DeepSeek-VL系列在线推理服务，响应延迟低于0.8秒。
1、确保已处于识图模式，页面中央出现虚线上传区域；
2、将JPEG、PNG或WEBP格式图片直接拖入该区域，或点击后从文件管理器选取；
3、上传完成后，系统自动显示缩略图，并在下方生成“分析图片”按钮；
4、点击该按钮，等待2–5秒，返回结构化结果，含文字描述、物体标签、OCR识别文本三类输出。
三、使用API接口调用多模态服务
开发者可通过标准HTTP POST请求向DeepSeek开放平台发送Base64编码图像及自然语言提示词，实现定制化图文推理任务。此方式支持批量处理、异步回调与高并发调用。
1、前往DashScope控制台或DeepSeek开放平台注册账号，创建应用并获取有效API Key与模型名称（如deepseek-vl-7b）；
2、读取本地图片文件，转换为Base64字符串，确保格式为JPEG/PNG且大小≤5MB；
3、构造JSON请求体，必须包含image（Base64值）、prompt（如“请提取图中所有表格数据并转为Markdown”）、model字段；
4、向https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions发起POST请求，Header中设置Authorization: Bearer YOUR_API_KEY。
四、通过命令行工具deepseek-cli执行终端识别
deepseek-cli是官方维护的轻量级终端工具，适用于Linux/macOS用户进行本地图片批量分析，输出JSON格式结构化响应，便于脚本集成与日志归档。
1、在终端执行命令安装：pip install deepseek-cli；
2、运行初始化指令：deepseek login --api-key YOUR_API_KEY；
3、执行识别命令：deepseek vision analyze --image /path/to/photo.jpg --prompt "列出图中所有可见文字"；
4、终端实时打印响应，其中text字段为OCR结果，objects字段为检测物体列表，confidence字段为置信度评分。
五、本地部署DeepSeek-VL模型进行离线识别
对于隐私敏感场景或无网络环境，可下载开源权重并在本地加载视觉-语言联合模型，完全自主控制输入输出路径与推理逻辑，不依赖云端服务。
1、从Hugging Face Model Hub下载deepseek-ai/deepseek-vl-7b权重，确认本地已安装transformers≥4.40与torch≥2.2；
2、执行Python脚本加载模型：from transformers import AutoProcessor, AutoModelForVision2Seq; processor = AutoProcessor.from_pretrained("deepseek-ai/deepseek-vl-7b"); model = AutoModelForVision2Seq.from_pretrained("deepseek-ai/deepseek-vl-7b")；
3、加载图像并编码：image = Image.open("/path/to/photo.jpg"); inputs = processor(images=image, text="请描述这张图片", return_tensors="pt")；
4、执行推理：output = model.generate(**inputs, max_new_tokens=256); print(processor.decode(output[0], skip_special_tokens=True))。
