CyberHarem/daitou_kantaicollection

这是一个名为daitou (Kantai Collection)的数据集，包含77张图片及其标签。图片从多个网站（如danbooru, pixiv, zerochan等）爬取，并由DeepGHS团队提供技术支持。数据集的核心标签包括black_hair, short_hair, hat, sailor_hat, white_headwear, low_ponytail, brown_eyes。README提供了不同版本的下载链接，包括原始数据、不同尺寸的图片数据集以及经过裁剪的数据集。此外，还提供了使用waifuc加载原始数据集的代码示例，并展示了标签聚类结果。This is a dataset named daitou (Kantai Collection), which contains 77 images and their corresponding labels. The images were crawled from multiple websites including Danbooru, Pixiv, Zerochan, and others, with technical support provided by the DeepGHS team. The core tags of this dataset are black_hair, short_hair, hat, sailor_hat, white_headwear, low_ponytail, and brown_eyes. The README provides download links for different versions, namely raw data, image datasets with varying resolutions, and cropped datasets. In addition, code examples for loading the raw dataset using waifuc are offered, alongside the results of tag clustering.

原始信息汇总

数据集概述

数据集基本信息

• 名称: Dataset of daitou (Kantai Collection)
• 许可证: MIT
• 任务类别: text-to-image
• 标签: art, not-for-all-audiences
• 数据量: n<1K

数据集内容

• 图像数量: 77张
• 核心标签: black_hair, short_hair, hat, sailor_hat, white_headwear, low_ponytail, brown_eyes
• 来源: 从多个网站爬取，如danbooru, pixiv, zerochan等

数据集包列表

名称	图像数量	大小	类型	描述
raw	77	32.70 MiB	Waifuc-Raw	包含元信息的原始数据（最小边对齐到1400像素，如果更大）
800	77	30.25 MiB	IMG+TXT	短边不超过800像素的数据集
stage3-p480-800	121	47.99 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素
1200	77	32.54 MiB	IMG+TXT	短边不超过1200像素的数据集
stage3-p480-1200	121	52.09 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	图像示例	标签
0	16		blue_sailor_collar, sailor_dress, short_sleeves, white_background, white_dress, simple_background, uwabaki, 1girl, full_body, solo_focus, standing, white_socks, multiple_girls
1	6		1girl, blue_sailor_collar, sailor_dress, short_sleeves, solo, white_dress, simple_background, white_background, open_mouth, upper_body
2	6		blue_sailor_collar, sailor_dress, short_sleeves, solo_focus, white_dress, 2girls, cowboy_shot, looking_at_viewer, smile, blush

表格版本

#	样本数量	图像示例	blue_sailor_collar	sailor_dress	short_sleeves	white_background	white_dress	simple_background	uwabaki	1girl	full_body	solo_focus	standing	white_socks	multiple_girls	solo	open_mouth	upper_body	2girls	cowboy_shot	looking_at_viewer	smile	blush
0	16		X	X	X	X	X	X	X	X	X	X	X	X	X
1	6		X	X	X	X	X	X		X						X	X	X
2	6		X	X	X		X					X							X	X	X	X	X

搜集汇总

数据集介绍

构建方式

在二次元图像生成领域，高质量、标注精细的数据集是模型训练的关键基石。CyberHarem/daitou_kantaicollection数据集聚焦于《舰队Collection》中的角色“daitou”，其构建过程严谨而系统。该数据集包含77张图像及对应的标签，核心标签如黑发、短发、帽子等已被精心修剪。图像数据通过自动化爬取系统从Danbooru、Pixiv、Zerochan等多个知名站点采集，该系统由DeepGHS团队研发。数据以多种分辨率版本呈现，包括原始版、短边不超过800像素或1200像素的版本，以及经过三阶段裁剪、确保区域不小于480x480像素的版本，以满足不同训练需求。

特点

该数据集最显著的特点在于其多版本与结构化设计。除了提供不同分辨率的图像包外，还包含了便于Waifuc框架加载的原始数据包，其中附有完整的元信息。数据集内置了标签聚类结果，通过对图像标签进行聚类分析，能够挖掘出角色不同的服装搭配与场景模式，例如水手服、连衣裙等，为研究者提供了洞察数据内在结构的宝贵视角。这种设计不仅提升了数据的可用性，也为后续的模型微调与风格分析提供了便利。

使用方法

使用该数据集的方法灵活多样。用户可根据需求直接下载不同分辨率的压缩包（如IMG+TXT格式）进行常规训练。对于需要原始元数据的场景，推荐使用Waifuc框架加载：首先通过Hugging Face Hub下载原始ZIP归档文件，解压至本地目录，随后利用Waifuc的LocalSource接口即可轻松读取图像、文件名及标签信息。此外，数据集提供的聚类结果表格，无论是文本版本还是表格版本，都能帮助用户快速识别不同图像子集的特征分布，从而进行有针对性的数据筛选或增强操作。

背景与挑战

背景概述

在生成式人工智能与二次元文化交汇的浪潮中，文本到图像生成模型对高质量、细粒度角色数据集的需求日益迫切。CyberHarem/daitou_kantaicollection数据集由DeepGHS团队于近年创建，聚焦于《舰队Collection》中的角色“daitou”，收录了77张经过精细标注的图像。该数据集的核心研究问题在于如何通过自动化爬取与多源数据整合（如Danbooru、Pixiv等平台），为特定动漫角色构建一个标签丰富、结构清晰的小样本训练资源。尽管规模有限，但其采用的三阶段裁剪策略与多分辨率版本设计，为角色定制化图像生成提供了可复用的技术范式，对二次元领域的少样本学习与风格迁移研究具有示范意义。

当前挑战

当前该数据集面临的核心挑战集中于三个层面。首先，在领域问题层面，二次元角色图像生成需解决细粒度特征保持与风格泛化之间的平衡——daitou的‘黑发、短双马尾、水手服’等核心标签虽被精准提取，但77张的样本量难以覆盖复杂姿态与光照变化，导致模型易产生过拟合或特征混淆。其次，在构建过程中，跨平台爬取的图像存在分辨率不均、背景干扰及版权归属模糊等问题，尽管团队通过边缘对齐与裁剪优化了数据质量，但自动化标注的标签层级尚缺乏对角色装饰细节（如‘蓝色水手领’与‘白色连衣裙’的语义关联）的深度编码，限制了生成内容的一致性。

常用场景

经典使用场景

在文本到图像生成领域，CyberHarem/daitou_kantaicollection 数据集以其精细标注的二次元角色图像，成为训练和微调扩散模型（如Stable Diffusion）的经典资源。研究者通常利用其提供的77张高分辨率图像及配套标签（如黑发、短马尾、水手帽等），构建针对特定动漫角色“daitou”（出自《舰队Collection》）的定制化生成器。该数据集的多尺度版本（如800px、1200px）和裁剪版本（stage3-p480）为不同计算资源下的实验提供了灵活选择，使得在保持角色一致性的同时，探索生成图像的风格迁移与细节保真成为可能。

解决学术问题

该数据集有效解决了动漫角色个性化图像生成中数据稀缺与标注不统一的学术难题。通过整合Danbooru、Pixiv等多源平台图像并自动清洗标签，它提供了一个干净、标准化的基准，助力研究者攻克小样本学习下角色特征保持（如发型、服饰）的挑战。其核心价值在于推动了条件生成模型在细粒度视觉概念控制上的进展，例如通过标签聚类分析（如蓝色水手领、白色连衣裙）揭示角色风格规律，进而提升生成图像的可控性和多样性的理论理解。

衍生相关工作

该数据集衍生了多项经典工作，包括基于Waifuc框架的自动化数据爬取与预处理管线，其多阶段裁剪策略（stage3-p480）被后续研究作为图像质量增强的参考标准。在模型层面，它催生了针对二次元角色的标签重加权方法，以缓解长尾分布问题；同时，其聚类结果启发了风格解耦生成的研究，例如通过分离“白色背景”与“简单背景”标签实现背景可控生成。此外，该数据集与CyberHarem系列其他角色数据集共同构成了评估少样本角色泛化能力的基准，推动了跨角色知识迁移技术的发展。