К содержимому

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")