SA-RxnDiagram-15k

U-RxnDiagram-15k/
├── train_set/
│   ├── ground_truth.json          # 训练集标注文件
│   └── images/                    # 训练集图像目录
└── test_set/
    ├── ground_truth.json          # 测试集标注文件
    └── images/                    # 测试集图像目录

标注类别定义

数据集定义了4个主要类别，每个类别包含多个细分的属性：

1. Structure (分子结构) - category_id: 1

P-reactants: 反应物分子
P-product: 产物分子
P-reaction conditions: 反应条件

2. Text (文本) - category_id: 2

T-reaction conditions: 反应条件文本
T-reactants: 反应物文本
T-product: 产物文本

3. Identifier (标识符) - category_id: 3

化学标识符和编号

4. Supplement (补充信息) - category_id: 4

其他补充信息

标注统计

训练集

属性类型	标注数量	占比
T-reaction condition	56,377	35.84%
P-reactant	31,779	20.20%
P-product	30,808	28.79%
T-reactant	6,433	6.02%
T-product	3,804	2.42%
P-reaction condition	6,230	3.96%

测试集

属性类型	标注数量	占比
T-reaction condition	3,011	36.92%
P-reactant	1,521	18.65%
P-product	2,348	28.79%
T-reactant	491	6.02%
T-product	388	4.76%
P-reaction condition	397	4.87%

数据格式

图像文件命名

图像文件名已进行哈希处理（SHA-256 前 8 位）。例如：a1b2c3d4.png。

标注文件格式 (ground_truth.json)

标注文件采用COCO格式，包含以下主要字段：

{
  "licenses": [...],
  "info": {
    "description": "A dataset for chemical visual diagram analysis",
    "version": "v1",
    "year": "2025"
  },
  "categories": [
    {"id": 1, "name": "structure"},
    {"id": 2, "name": "text"},
    {"id": 3, "name": "identifier"},
    {"id": 4, "name": "supplement"}
  ],
  "images": [
    {
      "id": 2,
      "class": "figure",
      "confidence": 0.9148465991020203,
      "bbox": [x1, y1, x2, y2],
      "original_id": 0,
      "width": 1008.7104797363281,
      "height": 471.88232421875,
      "file_name": "ays765k9.png",
      "bboxes": [
        {
          "id": 0,
          "bbox": [x, y, width, height],
          "category_id": 1,
          "category": "P",
          "attribute": "P-reactants",
          "region_id": ["akzkPsql"]
        }
      ]
    }
  ]
}

标注字段说明

id: 标注唯一标识符
bbox: 边界框坐标 [x1, y1, x2, y2] 用于图像级bbox，[x, y, width, height] 用于bboxes列表
category_id: 类别ID (1-4)
category: 类别简称 (P=结构, T=文本)
attribute: 具体属性名称
region_id: 区域标识符列表

使用场景

该数据集适用于以下研究任务：

化学结构识别: 识别和定位化学反应中的分子结构
文本信息提取: 从化学图表中提取文本信息
反应条件分析: 识别和分析反应条件
文档理解: 理解科学文献中的化学信息
多模态学习: 结合视觉和文本信息进行化学分析

数据质量

所有图像均来自高质量的科学文献
标注经过专业验证，确保准确性
包含多种化学反应类型和复杂度的样本
支持细粒度的化学信息分析

引用

如果您在研究中使用了此数据集，请引用相关论文：

@article{song2025rxncaption,
  title={RxnCaption: Reformulating Reaction Diagram Parsing as Visual Prompt Guided Captioning},
  author={Song, Jiahe and Wang, Chuang and Jiang, Bowen and Wang, Yinfan and Zheng, Hao and Wei, Xingjian and Liu, Chengjin and Nie, Rui and Gao, Junyuan and Sun, Jiaxing and others},
  journal={arXiv preprint arXiv:2511.02384},
  year={2025}
}

许可证

本数据集采用 Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0) 许可证。

使用条款

您可以自由地：

共享 — 以任何媒介或格式复制和重新分发材料
改编 — 对材料进行混合、转换和构建

在以下条件下：

署名 — 您必须给出适当的署名，提供指向本许可协议的链接，同时标明是否对原始作品作了修改。您可以用任何合理的方式来署名，但是不得以任何方式暗示许可方认可您或您的使用。
非商业性使用 — 您不得将本材料用于商业目的。未经许可方明确许可，禁止商业使用。

引用格式

如果您在研究中使用了本数据集，请按以下格式引用：


## 联系方式

如有问题或建议，请联系 [email protected]

---

*最后更新: 2025年*