寒月潇凌1. 项目概述：化学分子结构检测系统的技术实现
化学分子结构检测系统是一个基于改进YOLOv8模型的深度学习应用，专门用于识别和标注化学分子结构图中的各类元素。这个系统能够自动检测分子结构图中的原子符号（如C、H、O等）、化学键类型（单键、双键、三键）以及特殊标记（电荷、自由电子对等），为化学研究提供高效的自动化分析工具。
在实际应用中，化学研究人员经常需要处理大量分子结构图，传统的人工识别方式不仅效率低下，而且容易出错。我们的系统通过计算机视觉技术，将这一过程的准确率提升到专业化学家的水平，同时速度提高了数十倍。系统采用B/S架构设计，包含完整的前端展示界面，使得研究人员无需安装专业软件，通过浏览器即可使用分子结构识别功能。
关键技术创新点：系统在标准YOLOv8模型基础上，针对化学分子结构的特点进行了多维度改进，包括特征提取网络优化、小目标检测增强以及针对分子结构的后处理算法，使得对复杂分子结构的识别准确率比原版模型提高了15%以上。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构与技术选型
2.1 整体架构设计
系统采用前后端分离的架构设计，主要分为三个核心模块：
- 模型训练模块：基于PyTorch框架实现的改进YOLOv8模型，负责分子结构检测模型的训练和优化
- 推理服务模块：使用FastAPI构建的RESTful API服务，提供模型推理接口
- 前端展示模块：基于Streamlit开发的Web界面，支持分子结构图上传、检测结果可视化及分析
这种架构设计使得各模块可以独立开发和部署，同时也便于后期的功能扩展和维护。
2.2 技术栈选择理由
YOLOv8模型选型考虑：
- 实时性要求：化学研究常需要批量处理大量结构图，YOLO系列的单阶段检测架构速度优势明显
- 精度需求：v8版本在保持速度优势的同时，通过更深的网络结构和改进的特征融合机制提升了小目标检测能力
- 易用性：Ultralytics提供的YOLOv8实现具有完善的训练接口和丰富的预训练模型
前端技术选型：
- 选择Streamlit而非传统Web框架，主要考虑：
- 快速原型开发：化学研究者通常不熟悉复杂的前端技术
- 数据可视化友好：内置丰富的图表组件，便于展示分子结构和检测结果
- Python全栈：与模型服务使用同种语言，降低系统复杂度
3. 数据集构建与处理
3.1 MoleculeParts数据集详解
我们专门构建了MoleculeParts数据集，包含1800张化学分子结构图，涵盖18个类别：
| 类别类型 | 具体类别 |
|---|---|
| 原子元素 | Br, C, Cl, F, H, I, N, O, S |
| 化学键 | SingleBond, DoubleBond, TripleBond |
| 结构特征 | DashedTriangle, FullTriangle |
| 电子与电荷 | FreeElectronPair, SingleFreeElectron, Negative, Positive |
数据集中的每个分子结构图都经过专业化学研究人员标注，确保标注的准确性。特别针对化学键的标注，我们采用了特殊的标注规范：
- 单键：标注为连接两个原子的直线段
- 双键：标注为两条平行线，考虑不同绘