chemistry-draw-ocsr
ONNX-набор для OCSR химических структур
1 мин чтенияобновлено
Это подборка выбранных ONNX-артефактов из DECIMER для автономного инференса через ONNX Runtime без TensorFlow. В репозитории три модели: распознавание печатных и рукописных химических структур (OCSR) и бинарный классификатор «структура / не структура». OCSR-модели в FP32, классификатор — в FP16.
Ключевые особенности
- ocsr-printed-fp32: DECIMER v2 для печатных структур, canonical RDKit 0.7041 на eval-1000, valid 0.969.
- ocsr-handdrawn-fp32: отдельная модель DECIMER v2 Hand-drawn, canonical RDKit 0.7300, tf_match 0.912.
- image-classifier-fp16: бинарная точность 0.7679, TF parity 0.998, размер 7.78 MB (−49%).
- Каждая OCSR-модель — это
encoder.onnx+decoder_step.onnxи свойvocab.json; декодирование внешнее, greedy. - Сжатые INT8-варианты OCSR не удержали порог ≥70% на held-out, поэтому выбран FP32.
- Артефакты оптимизированы для проекта chemistry_draw; TensorFlow в рантайме не нужен.
Пример
Сценарий: на вход подаётся изображение химической структуры. Классификатор отсеивает изображения без структур, затем OCSR-модель возвращает SMILES, который стоит проверить и канонизировать через RDKit.
Подробнее
OCSR FP32: ~301 MB на encoder+decoder; printed — p50/p95 ~2317/5457 ms, hand-drawn — 1115/2156 ms на CPU.Классификатор: порог
score <= 0.000089 => structure; реакции в бинарную оценку не входят.Предсказания вероятностные: для критичных задач валидируйте SMILES через RDKit. Латентность зависит от железа и провайдера ONNX Runtime.










Комментарии