CyberHarem/nezha_fgo

这是名为nezha/哪吒/哪吒 (Fate/Grand Order)的数据集，包含67张图像及其标签。图像从多个网站（如danbooru, pixiv, zerochan等）爬取，爬取系统由DeepGHS团队提供支持。数据集的核心标签包括brown_hair, facial_mark, twintails, brown_eyes, breasts, small_breasts, ahoge, scrunchie，这些标签在数据集中被修剪。

原始信息汇总

数据集概述

数据集名称

• 名称: nezha/哪吒/哪吒 (Fate/Grand Order)

数据集内容

• 描述: 包含67张图像及其标签。
• 核心标签: brown_hair, facial_mark, twintails, brown_eyes, breasts, small_breasts, ahoge, scrunchie

数据集来源

• 来源: 从多个网站（如danbooru, pixiv, zerochan等）自动爬取。
• 爬取系统: 由DeepGHS Team提供技术支持。

数据集包

名称	图像数量	大小	类型	描述
raw	67	86.46 MiB	Waifuc-Raw	包含元信息的原始数据（最小边对齐到1400像素）
1200	67	79.79 MiB	IMG+TXT	短边不超过1200像素的图像数据
stage3-p480-1200	165	149.71 MiB	IMG+TXT	区域不小于480x480像素的三阶段裁剪数据

数据集使用

• 加载工具: waifuc
• 加载示例: 提供Python代码示例，用于下载和加载原始数据集。

数据集标签聚类

示例

#	样本数量	图像示例	标签
0	16	至	1girl, china_dress, fishnet_pantyhose, solo, forehead_mark, looking_at_viewer, cleavage_cutout, holding, fire, bracelet, short_sleeves, armlet, thigh_boots, spear, thighhighs, thighs

搜集汇总

数据集介绍

构建方式

在动漫与游戏角色数据集构建领域，针对《Fate/Grand Order》中哪吒这一角色的视觉素材需求，本数据集应运而生。其构建过程依托于DeepGHS团队开发的自动化爬取系统，从Danbooru、Pixiv、Zerochan等多个图像平台广泛采集原始图像，最终筛选出67张高质量图片。每张图像均附带标签元数据，且核心特征标签如棕色头发、面部标记、双马尾等已被精简处理。数据集的构建不仅包含原始未处理版本，还提供了短边不超过1200像素的标准化版本以及经过三阶段裁剪、面积不低于480×480像素的增强版本，以适应不同训练场景的需求。

特点

该数据集的特点在于其精细化的多层次结构设计与标签系统的专业性。首先，数据集按图像处理深度分为三个子集：原始包保留元数据且最小边对齐至1400像素；1200版本统一尺寸；stage3版本则通过三阶段裁剪扩充至165张样本，显著提升了数据多样性。其次，标签系统不仅包含角色核心特征，还通过聚类分析呈现了如旗袍、渔网袜、火焰等组合标签，有助于挖掘角色不同装扮风格。此外，所有图像均经过人工审核，确保内容与角色一致性，为文本到图像生成任务提供了可靠且专注的训练资源。

使用方法

使用本数据集时，用户可根据需求选择不同压缩包。若需原始元数据与完整标签，可下载raw版本并通过Waifuc库加载，具体步骤包括从HuggingFace Hub下载dataset-raw.zip文件，解压至本地目录后，利用waifuc的LocalSource接口逐项读取图像及标签信息。对于直接训练，推荐使用1200或stage3版本，其包含已对齐的图像与对应文本文件。此外，数据集提供的聚类结果表格可用于分析角色常见搭配，辅助生成特定风格的图像。所有操作均需安装huggingface_hub与waifuc库，并确保网络通畅以完成下载。

背景与挑战

背景概述

在文本到图像生成领域，动漫角色数据集因其独特的艺术风格和丰富的视觉元素而备受关注。CyberHarem/nezha_fgo数据集由DeepGHS团队于近期创建，专注于收录《Fate/Grand Order》中的角色“哪吒”。该数据集包含67张精心采集的图像及其标签，核心标签涵盖棕色头发、面部标记、双马尾等特征，旨在为研究者提供高质量的动漫角色图像素材。通过从Danbooru、Pixiv、Zerochan等多源平台自动化爬取，该数据集为文本到图像任务的训练与评估提供了基础资源，尤其在动漫角色生成和风格迁移研究中具有潜在影响力。

当前挑战

当前数据集面临多重挑战。在领域问题层面，文本到图像生成任务需解决从稀疏标签（如仅67张图像和有限标签）到高保真角色图像的映射难题，尤其是保持角色特征一致性（如面部标记和发型）与艺术风格多样性之间的平衡。在构建过程中，自动化爬取系统面临图像版权和元数据不统一的挑战，需处理来源网站的异构标签格式；此外，数据规模极小（n<1K）导致模型易过拟合，且裁剪与缩放步骤（如1200像素和480x480区域限制）可能引入细节丢失，影响生成图像的完整性。

常用场景

经典使用场景

在二次元图像生成与角色定制领域，CyberHarem/nezha_fgo数据集为文本到图像（Text-to-Image）模型的微调与个性化生成提供了高质量、小规模的训练素材。该数据集收录了Fate/Grand Order中哪吒角色的67张图像及对应标签，核心属性如棕色双马尾、面部印记、呆毛等被精心标注，适用于训练生成式模型精准捕捉角色外貌特征。研究者常利用此类数据集进行Diffusion模型的LoRA或DreamBooth微调，从而在保留模型原有泛化能力的基础上，实现特定动漫角色的高保真复现与风格化创作。

实际应用

在实际应用中，该数据集主要服务于虚拟偶像创作、同人美术辅助与游戏角色衍生设计等产业需求。游戏美术师可借助基于此数据集微调的模型快速生成哪吒角色的不同姿态、服饰变体或跨风格插画，大幅缩短概念设计周期。此外，数据集提供的三阶段裁剪版本（如stage3-p480-1200）适配不同分辨率需求，便于集成到自动化绘画流水线中，推动UGC（用户生成内容）平台实现从草图到成品的智能化角色迭代。

衍生相关工作

该数据集衍生了一系列围绕动漫角色细粒度生成与多模态对齐的经典工作。例如，DeepGHS团队基于此数据开发的Waifuc框架支持原始数据加载与标签聚类，催生了基于聚类结果的角色着装分析（如旗袍、渔网袜等元素组合的统计研究）。同时，数据集中的标签体系被借鉴用于构建跨角色属性迁移模型，以及小样本条件下角色身份保持（Identity Preservation）的评估基准，促进了二次元图像生成领域评测标准从粗粒度向属性级精度的演进。