CyberHarem/sara_touhou

---
license: mit
task_categories:
- text-to-image
tags:
- art
- not-for-all-audiences
size_categories:
- n<1K
---

# Dataset of sara/サラ (Touhou)

This is the dataset of sara/サラ (Touhou), containing 58 images and their tags.

The core tags of this character are `pink_hair, short_hair, pink_eyes`, which are pruned in this dataset.

Images are crawled from many sites (e.g. danbooru, pixiv, zerochan ...), the auto-crawling system is powered by [DeepGHS Team](https://github.com/deepghs)([huggingface organization](https://huggingface.co/deepghs)).

## List of Packages

| Name | Images | Size | Download | Type | Description |
|:-----------------|---------:|:----------|:-------------------------------------------------------------------------------------------------------------|:-----------|:---------------------------------------------------------------------|
| raw | 58 | 32.62 MiB | [Download](https://huggingface.co/datasets/CyberHarem/sara_touhou/resolve/main/dataset-raw.zip) | Waifuc-Raw | Raw data with meta information (min edge aligned to 1400 if larger). |
| 800 | 58 | 26.83 MiB | [Download](https://huggingface.co/datasets/CyberHarem/sara_touhou/resolve/main/dataset-800.zip) | IMG+TXT | dataset with the shorter side not exceeding 800 pixels. |
| stage3-p480-800 | 92 | 41.71 MiB | [Download](https://huggingface.co/datasets/CyberHarem/sara_touhou/resolve/main/dataset-stage3-p480-800.zip) | IMG+TXT | 3-stage cropped dataset with the area not less than 480x480 pixels. |
| 1200 | 58 | 31.45 MiB | [Download](https://huggingface.co/datasets/CyberHarem/sara_touhou/resolve/main/dataset-1200.zip) | IMG+TXT | dataset with the shorter side not exceeding 1200 pixels. |
| stage3-p480-1200 | 92 | 46.89 MiB | [Download](https://huggingface.co/datasets/CyberHarem/sara_touhou/resolve/main/dataset-stage3-p480-1200.zip) | IMG+TXT | 3-stage cropped dataset with the area not less than 480x480 pixels. |

### Load Raw Dataset with Waifuc

We provide raw dataset (including tagged images) for [waifuc](https://deepghs.github.io/waifuc/main/tutorials/installation/index.html) loading. If you need this, just run the following code

```python
import os
import zipfile

from huggingface_hub import hf_hub_download
from waifuc.source import LocalSource

# download raw archive file
zip_file = hf_hub_download(
repo_id='CyberHarem/sara_touhou',
repo_type='dataset',
filename='dataset-raw.zip',
)

# extract files to your directory
dataset_dir = 'dataset_dir'
os.makedirs(dataset_dir, exist_ok=True)
with zipfile.ZipFile(zip_file, 'r') as zf:
zf.extractall(dataset_dir)

# load the dataset with waifuc
source = LocalSource(dataset_dir)
for item in source:
print(item.image, item.meta['filename'], item.meta['tags'])
```

## List of Clusters

List of tag clustering result, maybe some outfits can be mined here.

### Raw Text Version

| # | Samples | Img-1 | Img-2 | Img-3 | Img-4 | Img-5 | Tags |
|----:|----------:|:--------------------------------|:--------------------------------|:--------------------------------|:--------------------------------|:--------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------|
| 0 | 33 |  |  |  |  |  | 1girl, solo, smile, red_dress, looking_at_viewer, one_side_up, short_sleeves, simple_background, bangs, full_body, open_mouth, white_background |

### Table Version

| # | Samples | Img-1 | Img-2 | Img-3 | Img-4 | Img-5 | 1girl | solo | smile | red_dress | looking_at_viewer | one_side_up | short_sleeves | simple_background | bangs | full_body | open_mouth | white_background |
|----:|----------:|:--------------------------------|:--------------------------------|:--------------------------------|:--------------------------------|:--------------------------------|:--------|:-------|:--------|:------------|:--------------------|:--------------|:----------------|:--------------------|:--------|:------------|:-------------|:-------------------|
| 0 | 33 |  |  |  |  |  | X | X | X | X | X | X | X | X | X | X | X | X |

This is the dataset of sara/サラ (Touhou), containing 58 images and their tags. The core tags of this character are pink_hair, short_hair, pink_eyes, which are pruned in this dataset. Images are crawled from many sites (e.g. danbooru, pixiv, zerochan ...), the auto-crawling system is powered by DeepGHS Team. The dataset includes multiple packages with different image sizes and formats, suitable for various applications. Additionally, there is a section on tag clustering results, which could be useful for further analysis or mining of specific outfits.

原始信息汇总

数据集概述

数据集名称

Dataset of sara/サラ (Touhou)

数据集描述

该数据集包含58张关于角色sara/サラ（Touhou）的图像及其标签。主要标签包括pink_hair, short_hair, pink_eyes。

数据来源

图像从多个网站（如danbooru, pixiv, zerochan等）爬取，爬取系统由DeepGHS Team提供支持。

数据集包列表

名称	图像数量	大小	类型	描述
raw	58	32.62 MiB	Waifuc-Raw	包含元信息的原始数据（如果较大，最小边对齐到1400）。
800	58	26.83 MiB	IMG+TXT	短边不超过800像素的数据集。
stage3-p480-800	92	41.71 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。
1200	58	31.45 MiB	IMG+TXT	短边不超过1200像素的数据集。
stage3-p480-1200	92	46.89 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	Img-1	Img-2	Img-3	Img-4	Img-5	标签
0	33						1girl, solo, smile, red_dress, looking_at_viewer, one_side_up, short_sleeves, simple_background, bangs, full_body, open_mouth, white_background

表格版本

#	样本数量	Img-1	Img-2	Img-3	Img-4	Img-5	1girl	solo	smile	red_dress	looking_at_viewer	one_side_up	short_sleeves	simple_background	bangs	full_body	open_mouth	white_background
0	33						X	X	X	X	X	X	X	X	X	X	X	X

搜集汇总

数据集介绍

构建方式

该数据集围绕东方Project中的角色“サラ”（Sara）构建，共收录58幅图像及其对应的标签。图像采集自Danbooru、Pixiv、Zerochan等多个平台，依托DeepGHS团队开发的自动化爬取系统完成。在数据预处理阶段，对角色核心标签（粉发、短发、粉瞳）进行了精简处理，并提供了多种规格的打包版本，包括原始数据、限定短边不超过800或1200像素的缩放版本，以及经过三阶段裁剪且面积不小于480×480像素的增强版本，以满足不同训练需求。

使用方法

使用该数据集时，推荐通过Hugging Face Hub下载原始压缩包，并利用Waifuc的LocalSource接口加载图像及其元数据。用户可根据项目需求选择不同规格的版本：若需高分辨率图像，可选用1200像素版本；若关注局部细节，则三阶段裁剪版本更为合适。加载后，可遍历数据项获取图像、文件名及标签信息，用于微调扩散模型或进行特征分析。所有版本均以ZIP格式提供，解压后可直接集成至训练流程。

背景与挑战

背景概述

在文本到图像生成领域，高质量的特定角色数据集对于训练精准的生成模型至关重要。CyberHarem/sara_touhou 数据集由 DeepGHS 团队于近年创建，聚焦于东方Project系列中的角色サラ（Sara）。该数据集包含58张精心筛选的图像及其对应的标签，核心标签如粉色头发、短发和粉色眼睛被精简处理，以提升模型对角色特征的捕捉能力。研究团队通过自动化爬虫系统从Danbooru、Pixiv、Zerochan等多个平台采集数据，并提供了多种分辨率版本（如800像素、1200像素）及三阶段裁剪版本，以满足不同训练需求。该数据集不仅为角色定制化生成任务提供了基础资源，还通过聚类分析（如红裙装束）展示了潜在的应用价值，对推动二次元角色生成技术的发展具有积极影响。

当前挑战

该数据集所解决的领域问题在于，当前文本到图像生成模型在处理小众或特定角色时，常因缺乏高质量标注数据而导致生成结果失真或泛化能力不足。构建过程中面临的主要挑战包括：1）数据采集的多样性：从多个网站爬取图像时，需确保图像质量、风格统一性及版权合规性，同时避免重复数据；2）标签标注的精确性：角色核心特征（如粉色头发）需从复杂标签中剥离并精简，以消除噪声，但手动筛选耗时且易遗漏；3）数据不平衡：仅58张图像规模较小，可能难以覆盖角色的全部姿态与场景，导致模型过拟合或泛化能力受限；4）裁剪与分辨率适配：不同版本（如三阶段裁剪）需平衡图像细节与计算资源，确保训练效率与生成质量之间的权衡。

常用场景

经典使用场景

在二次元图像生成与风格迁移研究中，CyberHarem/sara_touhou数据集为特定角色（东方Project中的サラ）的文本到图像生成任务提供了精炼的视觉素材。该数据集包含58张经过标签标注的高质量图像，并围绕核心特征（如粉发、短发、粉瞳）进行了裁剪与预处理，支持多种分辨率版本（如800px、1200px）及三阶段裁剪策略，便于研究者直接用于微调扩散模型或训练角色专属的生成器。其经典使用场景在于构建可控的角色生成管线，通过联合图像与标签信息，实现从文本描述到角色外观的精准映射。

解决学术问题

该数据集有效解决了二次元角色生成领域中数据稀缺与标签不一致的学术难题。传统方法常因缺乏高质量、标签对齐的角色图像集而难以捕捉细粒度视觉特征，导致生成结果模糊或角色身份丢失。CyberHarem/sara_touhou通过自动爬取多源数据（如Danbooru、Pixiv）并清洗标签，提供了标准化的训练范例。这推动了少样本学习与角色解耦表征的研究，使模型能够在极少量样本下学习到角色的独特语义与视觉模式，为跨模态生成中的身份保持问题提供了基准参考。

实际应用

在实际应用中，该数据集可赋能虚拟角色创作与个性化内容生成平台。例如，游戏开发者和同人画师可利用其微调文本到图像模型，快速生成符合特定角色设定的插画或立绘，显著降低手工绘制的时间成本。此外，在交互式AI绘画工具中，用户可通过输入描述性文本（如“穿着红裙的サラ”）实时获得高质量图像，从而提升创作效率。数据集的多分辨率版本也适配了移动端与Web端的不同算力需求，推动了二次元文化在数字娱乐领域的商业化落地。

数据集最近研究

最新研究方向

在生成式人工智能蓬勃发展的当下，文本到图像（text-to-image）模型已成为数字艺术创作的核心引擎。针对特定动漫角色如东方Project中“サラ”的高质量、多视角图像数据集构建，正成为该领域的前沿研究方向。该数据集通过自动化爬虫系统从Danbooru、Pixiv等多源平台采集58张精标图像，并提供了raw、800、1200等多种分辨率版本以及三阶段裁剪方案，为角色一致性的细粒度控制提供了数据基础。当前热点聚焦于利用此类精细化数据集进行角色定制化生成、风格迁移及稳定扩散模型的微调，以提升生成图像的角色保真度与艺术多样性。这一工作不仅推动了二次元文化在AI艺术中的深度应用，也为非商业性、小样本角色数据集的建设树立了可复现的范式，具有重要的社区影响与学术价值。