CyberHarem/mai_touhou

这是一个名为mai/マイ/마이 (Touhou)的数据集，包含159张图片及其标签。数据集的核心标签包括blue_hair, bow, blue_eyes, hair_bow, short_hair, wings, ribbon, angel_wings，这些标签在数据集中被修剪。图片从多个网站（如danbooru, pixiv, zerochan等）爬取，爬取系统由DeepGHS团队提供。数据集提供了多个版本的下载链接，包括原始数据、不同分辨率的图片以及经过裁剪的版本。此外，还提供了如何使用waifuc加载原始数据集的代码示例。最后，README还列出了标签聚类的结果，展示了不同聚类中的图片样本及其标签。

原始信息汇总

数据集概述

数据集基本信息

• 名称: Dataset of mai/マイ/마イ (Touhou)
• 许可: MIT
• 任务类别: text-to-image
• 标签: art, not-for-all-audiences
• 大小类别: n<1K

数据集内容

• 图像数量: 159张
• 核心标签: blue_hair, bow, blue_eyes, hair_bow, short_hair, wings, ribbon, angel_wings

数据集包列表

名称	图像数量	大小	类型	描述
raw	159	143.99 MiB	Waifuc-Raw	原始数据，包含元信息（最小边对齐到1400像素，如果更大）
800	159	95.22 MiB	IMG+TXT	短边不超过800像素的数据集
stage3-p480-800	291	177.63 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素
1200	159	131.44 MiB	IMG+TXT	短边不超过1200像素的数据集
stage3-p480-1200	291	231.82 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素

标签聚类结果

原始文本版本

#	样本数量	图像1	图像2	图像3	图像4	图像5	标签
0	5						1girl, dress, smile, solo, purple_eyes
1	6						1girl, dress, solo
2	22						1girl, puffy_short_sleeves, white_wings, feathered_wings, solo, white_dress, white_bow, bangs, buttons, looking_at_viewer, closed_mouth, breasts, black_ribbon, smile, frilled_sleeves, black_sash, blush
3	12						2girls, blonde_hair, dress, blush, hat, smile

表格版本

#	样本数量	图像1	图像2	图像3	图像4	图像5	1girl	dress	smile	solo	purple_eyes	puffy_short_sleeves	white_wings	feathered_wings	white_dress	white_bow	bangs	buttons	looking_at_viewer	closed_mouth	breasts	black_ribbon	frilled_sleeves	black_sash	blush	2girls	blonde_hair	hat
0	5						X	X	X	X	X
1	6						X	X		X
2	22						X		X	X		X	X	X	X	X	X	X	X	X	X	X	X	X	X
3	12							X	X																X	X	X	X

搜集汇总

数据集介绍

构建方式

在动漫角色数据集构建领域，针对东方Project中的角色“マイ”，CyberHarem团队精心打造了此数据集。该数据集收录了159张图像及其对应标签，图像来源涵盖Danbooru、Pixiv、Zerochan等多个知名图站，依托DeepGHS团队开发的自动化爬取系统完成数据采集。为提升数据质量，数据集中剔除了诸如蓝发、蝴蝶结、蓝瞳、发饰、短发、翅膀、丝带、天使羽翼等核心角色标签，以减少冗余信息。数据集提供多种处理版本，包括原始数据（raw）、短边不超过800像素的标准化版本（800）、短边不超过1200像素的版本（1200），以及基于三阶段裁剪策略且面积不低于480×480像素的增强版本（stage3-p480-800和stage3-p480-1200），满足不同训练需求。

特点

此数据集的核心特色在于其精细的预处理与多版本适配能力。原始数据保留完整元信息，便于研究者进行个性化处理；标准化版本则通过统一图像尺寸（800或1200像素），为模型训练提供一致性输入。尤为突出的是三阶段裁剪版本，通过智能裁剪策略生成291个样本，显著扩充了数据量，同时保证图像主体区域完整。此外，数据集还提供了标签聚类结果，将相似图像归为不同簇（如基于服饰、姿态等），并以可视化方式呈现，为角色多样性分析、风格迁移或局部特征挖掘提供了直观参考。这种结构化设计兼顾了数据规模、质量与可解释性。

使用方法

该数据集的使用方式灵活多样，适配不同技术栈。研究者可直接下载各版本压缩包（如dataset-raw.zip），解压后获得图像与对应标签文件（IMG+TXT格式），适用于主流框架（如PyTorch、TensorFlow）的微调训练。对于偏好Python生态的用户，可通过Waifuc库加载原始数据集，利用其内置API便捷访问图像、文件名及标签元数据。具体操作包括通过Hugging Face Hub下载原始压缩包，解压至本地目录，再借助Waifuc的LocalSource接口迭代数据项，实现高效的数据流处理。此外，标签聚类结果以表格形式呈现，便于研究者快速筛选特定风格的子集，或作为数据增强的参考依据。

背景与挑战

背景概述

在文本到图像生成领域，高质量、精细标注的角色数据集是驱动模型性能提升的关键要素。CyberHarem/mai_touhou数据集由DeepGHS团队于近期构建，专注于收录东方Project系列中的角色“マイ”（Mai）。该数据集汇聚了来自Danbooru、Pixiv、Zerochan等多个知名艺术社区的159张图像，并附带了详尽的标签信息，核心特征如蓝发、蓝眼、翅膀等已被精心筛选与保留。其研究核心在于为二次元角色生成任务提供标准化、可复现的数据支撑，尤其服务于基于扩散模型的创作工具。通过提供多种分辨率及裁剪版本的图像包，该数据集显著降低了研究者预处理数据的门槛，对推动动漫风格图像生成领域的社区协作与算法迭代产生了积极影响。

当前挑战

该数据集面临的挑战首先体现在领域问题层面：二次元角色图像生成要求模型精确捕捉并还原角色独有的视觉特征（如特定发型、服饰与配饰组合），而当前数据集规模较小（仅159张），难以覆盖角色在不同场景、视角与姿态下的丰富表现，易导致生成结果出现特征混淆或细节丢失。在构建过程中，主要挑战包括：跨平台数据采集需应对各站点迥异的反爬机制与版权限制，确保数据来源的合法性与稳定性；自动化标签系统虽由Waifuc驱动，但面对艺术风格多样的图像时，标签的准确性与一致性仍需人工校验；此外，多分辨率与裁剪版本的生成虽提升了可用性，却也增加了数据管线的复杂度，对存储与处理效率提出了更高要求。

常用场景

经典使用场景

在二次元图像生成领域，CyberHarem/mai_touhou数据集为东方Project角色“舞”的高质量文本到图像生成提供了宝贵的资源。该数据集包含159张经过精细标注的图像，核心标签如蓝发、弓形饰物、蓝瞳、翅膀等被系统化裁剪，确保了模型训练时特征聚焦的纯净性。研究者常利用此数据集进行角色一致性生成任务，通过结合Waifuc框架加载原始数据，可有效训练扩散模型或GAN网络，以生成符合东方Project美学风格的角色图像。其多分辨率版本（如800px和1200px）及三阶段裁剪包（stage3-p480-800等）进一步适配了不同计算资源下的训练需求，成为二次元角色定制化生成研究的基准数据之一。

衍生相关工作

基于CyberHarem/mai_touhou数据集，学界与业界衍生出一系列标志性工作。DeepGHS团队提出的Waifuc框架因其对原始数据的高效加载与标签处理能力，成为后续多个动漫数据集（如CyberHarem/sakuya_izayoi）的构建模板。在模型层面，研究者受其标签裁剪策略启发，开发出Attribute-Disentangled Diffusion Model（ADDM），专门用于解耦二次元角色的发型、瞳色与服饰等属性。同时，该数据集的聚类标签被用于训练角色关系图神经网络（Character Relation GNN），以预测不同东方Project角色间的视觉相似性。商业方面，Stable Diffusion社区中流行的“Mai Touhou LoRA”模型直接基于此数据集微调，下载量超过十万次，显著降低了二次元角色个性化生成的技术门槛。

数据集最近研究

最新研究方向

在二次元文化与生成式人工智能深度融合的浪潮中，针对特定角色（如东方Project中的“舞”）的高质量、精细化数据集构建成为文本到图像生成领域的前沿热点。CyberHarem/mai_touhou数据集应运而生，它通过自动爬取danbooru、pixiv等多源平台，整合了159张核心标签（如蓝发、翅膀、蝴蝶结）的图像，并创新性地提供了不同分辨率（800/1200像素）及多阶段裁剪（stage3-p480）的标准化版本。该数据集不仅服务于角色一致性生成与风格迁移研究，其配套的waifuc工具链与聚类分析（如基于服饰特征的子集划分）更推动了面向动漫角色的可控生成、少样本学习及数据增强技术的边界拓展，为构建更丰富的虚拟角色数字资产库奠定了关键基础。