Датасет · UniParser
Почти 8 млн пар изображений молекул и SMILES-формул
UniParser/MolParser-7M
Крупный корпус из почти 8 миллионов изображений молекулярных структур с разметкой в расширенном формате SMILES для обучения и оценки моделей.
Что внутри
Датасет содержит почти 8 миллионов пар «изображение — текст», где картинкам химических молекул сопоставлены их описания в расширенном формате SMILES. Основная обучающая часть включает более 7,7 миллиона синтетических примеров, также предусмотрены данные для оценки качества. Материалы подготовлены авторами статьи для конференции ICCV 2025.
Что можно сделать
- Обучение мультимодальных моделей визуальному распознаванию химических структур (OCR для молекул)
- Дообучение VLM-моделей для перевода изображений формул в машиночитаемый формат SMILES
- Тестирование точности парсинга молекулярных схем
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 2,2 тыс.
- Лайков
- 33
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("UniParser/MolParser-7M")