【源码】基于PyTorch框架的Img2Inchi模型

项目简介

本项目利用深度学习技术，借助PyTorch框架，结合卷积神经网络（CNN）和Transformer或LSTM模型，实现将分子骨架式图像高效转换为InChI表达式，达成高精度的分子结构识别与转换。

项目的主要特性和功能

1. 图像到InChI转换：利用深度学习模型把分子图像转换为InChI表达式。
2. 多种模型支持：支持Transformer和LSTM两种模型架构，用户可按需选择。
3. 数据预处理：具备数据下载、解压和预处理功能，保证数据集格式正确、质量良好。
4. 模型训练与评估：支持模型的训练、评估和优化，提供详细配置参数和训练流程。
5. 图形用户界面：提供简单的GUI界面，便于用户上传图像并进行InChI转换操作。

安装使用步骤

1. 环境准备

• 使用Anaconda：通过项目根目录下的environment.yml文件创建Anaconda环境。 bash conda env create -f environment.yml
• 手动安装依赖：根据项目提供的依赖列表手动安装所需Python包。

2. 数据准备

• 数据下载：从Kaggle下载数据集并解压到指定目录。 bash https://www.kaggle.com/c/bms-molecular-translation
• 数据预处理：运行预处理脚本生成训练和验证数据集。 bash python prepare.py --root <project_root> --pre_config <prepare_config>

3. 模型训练

• 配置模型参数：根据需求选择合适的模型配置文件（如transformer_config.yaml）。
• 开始训练：运行训练脚本启动模型训练。 bash python train.py --model_name transformer --instance my_train --data ./config/data.yaml

4. 模型评估

• 评估模型性能：使用评估脚本计算模型在验证集上的性能。 bash python evaluate.py --model_path <model_path> --data_path <data_path>

5. 使用GUI

• 启动GUI：运行ui.py脚本启动图形用户界面。 bash python ui.py

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】