Advertisement

LigTmap_target_prediction:欢迎使用小分子靶标及活性预测服务器。目前,我们支持针对17种类别目标和60...

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
LigTmap是一款用于预测小分子靶标及其生物活性的在线工具,涵盖17类目标与超过60种亚型,助力药物研发与化学研究。 欢迎使用小分子目标和活性预测服务器LigTmap_target_prediction。目前我们支持17种目标类别及6000多种蛋白质的预测。 对于脱机安装,请按照提供的安装指南进行操作。在线使用则无需安装,但若要离线运行,则需先完成以下步骤: - 安装MOPAC。 - 下载并安装RDKit、Python 2.7以及Openbabel等组件,并确保已正确配置了Scipy和pybel等相关库。 所有文件应下载后放置在同一目录中。具体来说,对于首次使用MOPAC的用户,请创建一个名为“/opt/mopac/”的目录(可能需要管理员权限),并给予该目录读取、写入及执行的所有权限。 请注意,在安装过程中需确保每个步骤都准确无误地完成以避免后续可能出现的问题。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • LigTmap_target_prediction使1760...
    优质
    LigTmap是一款用于预测小分子靶标及其生物活性的在线工具,涵盖17类目标与超过60种亚型,助力药物研发与化学研究。 欢迎使用小分子目标和活性预测服务器LigTmap_target_prediction。目前我们支持17种目标类别及6000多种蛋白质的预测。 对于脱机安装,请按照提供的安装指南进行操作。在线使用则无需安装,但若要离线运行,则需先完成以下步骤: - 安装MOPAC。 - 下载并安装RDKit、Python 2.7以及Openbabel等组件,并确保已正确配置了Scipy和pybel等相关库。 所有文件应下载后放置在同一目录中。具体来说,对于首次使用MOPAC的用户,请创建一个名为“/opt/mopac/”的目录(可能需要管理员权限),并给予该目录读取、写入及执行的所有权限。 请注意,在安装过程中需确保每个步骤都准确无误地完成以避免后续可能出现的问题。
  • TikTok-API-PHP:适于PHP的非官方TikTok API。加入的Discord
    优质
    TikTok-API-PHP 是一个非官方的PHP库,用于访问TikTok API。开发者和社区成员可在Discord交流与协作。 用于 PHP 的非官方 TikTok API 库通过 Composer 安装: ```bash composer require ssovit/tiktok-api ``` 正在寻找无水印视频 API?请查看相关订阅计划。 用法示例位于 `/example` 目录中,例如: ```php $api = new \Sovit\TikTok\Api(array(/* 配置数组 */)); $trendingFeed = $api->getTrendingFeed($maxCursor = 0); $userData = $api->getUser(tiktok); $userFeed = $api->getUserFeed(tiktok, $maxCursor); ```
  • AREOD:鲁棒评估
    优质
    AREOD是一种用于评价目标检测模型在面对对抗攻击时稳定性的方法,旨在提升模型的安全性和可靠性。 AREOD 该存储库包含 AREOD(用于对象检测的对抗鲁棒性评估)的代码,这是一个 Python 库,旨在正确地对标目标检测中的对抗性鲁棒性进行研究。此项目仍在开发阶段,并使用了三种针对对象检测模型的攻击方法来测试逆向鲁棒性。 功能概述: - 建立在 tensorFlow 上,并通过给定接口支持 TensorFlow 和 Keras 模型。 - 支持各种威胁模型中的多种攻击方式。 - 提供现成的预训练基线模型(如 faster-rcnn-inception-v2-coco,多尺度 GTRSB)。 - 为基准测试提供便利工具,并使用 printor 打印生成的对抗性样本。 我们利用三种不同的方法来生成对抗示例。稍后,我们将通过连接的打印机输出这些对抗样本来提高性能基准。
  • 视频的
    优质
    本项目聚焦于视频中的目标检测技术研究与应用开发,旨在提升复杂场景下的识别精度与实时性能,推动智能监控、自动驾驶等领域的发展。 这段文字描述的是一个完整且可以直接运行的深度学习代码,适用于视频目标检测。
  • COCO数据集训练的CenterNet模型
    优质
    本研究探讨了几种基于COCO数据集进行预训练的CenterNet目标检测模型,分析其在不同场景下的性能表现与优化潜力。 在CenterNet目标检测网络中有一些针对COCO训练好的模型可以从作者的GitHub上下载。但现在由于某些原因无法从GitHub下载这些模型了,因此我在这里分享出来,希望能对大家有所帮助。
  • 向量机在特征提取、等任中的应实例
    优质
    本研究探讨了支持向量机(SVM)在特征提取、预测分析及目标识别等领域内的多种应用场景,并通过具体案例展示了其高效性和准确性。 支持向量机可以应用于特征提取、预测以及目标识别等问题的解决,并且有详细的代码示例进行辅助说明。
  • 数据集(YOLOV5录格式):雾天的行人车辆五数据集
    优质
    该数据集专为雾天环境设计,包含行人与车辆五大类别,采用YOLOv5标准目录结构,适用于提升目标检测模型在恶劣天气条件下的性能。 项目包含雾天下的行人与车辆目标检测数据集(5类别),按照YOLOV5文件夹结构保存,可直接用于目标检测任务。 图像分辨率为400-1000的RGB图片,其中包含了雾天马路上常见的车辆和人群。 【数据集介绍】该数据集中包含五种类别的对象:人、轿车、公交车、自行车及摩托车。 【数据总大小】共约130MB 训练集包括datasets-images-train文件夹内的4320张图像及其对应的标签txt文件,验证集则为datasets-images-val文件夹中的100张图片和相应的标签。 为了便于查看数据内容,提供了一个可视化py脚本。只需随机传入一张图片即可绘制边界框,并将结果保存在当前目录下。该脚本无需修改便可直接运行。
  • 运动的视频应
    优质
    本研究专注于开发先进的算法和技术,以提高在各种动态环境中对运动目标的精确检测能力,并探索其在视频分析中的广泛应用。 最近在进行本科毕业设计,研究主题是运动目标检测与跟踪。我在网上搜集了许多数据集,并从中筛选出了一份特别的数据集:它包含了“跑”和“走”的视频各十个。这些视频非常干净,能够获得很好的运动目标检测效果。
  • 基于SSDD的遥感数据集(含1160张图像签,单一
    优质
    本数据集为遥感目标检测设计,包含1160幅图像及其标注信息,专注于某一特定类别的对象识别,采用自动生成数据策略扩充训练样本。 遥感数据集为初学者提供了方便的入门学习资源。SSDD是一个开放的目标检测数据集,用于在遥感图像中进行目标检测。该数据集中仅包含船这一类别的对象,并以PASCAL VOC格式标注。虽然一般情况下目标检测的数据集至少需要有数千甚至上万张图片才能取得较好的效果,但这个数据集包含了1160张图片及其对应的标签。 如果您希望对该数据集进行扩充或定制,请直接私信我咨询相关事宜。可以采用多种方法来增强和扩展该数据集,例如使用模糊处理、调整亮度、裁剪图像、旋转和平移操作以及镜像变换等传统技术,或者利用基于深度学习的SRGAN增强等方式实现更高级的数据增广。
  • 抗样本综述
    优质
    本文为读者提供了一篇关于目标检测领域中对抗样本问题的全面回顾。文章总结了对抗攻击与防御策略,并探讨了未来的研究方向和挑战。 目标检测技术在工业控制、航空航天等领域具有重要意义。近年来,随着深度学习在该领域的应用,目标检测的精度显著提高。然而,由于深度学习本身的脆弱性,基于深度学习的目标检测技术面临着可靠性和安全性的新挑战。