CyberHarem/elly_touhou

这是一个名为elly (Touhou)的数据集，包含209张图片及其标签。图片从多个网站（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blonde_hair, hat, ribbon, short_hair, yellow_eyes, hat_ribbon, bow, curly_hair, white_headwear, drill_hair, red_ribbon，这些标签在数据集中被修剪。数据集提供了多个版本，包括原始数据、不同尺寸的图片以及经过裁剪的图片版本。README还提供了如何使用waifuc加载原始数据集的示例代码，并展示了标签聚类结果，列出了不同聚类的样本图片和标签。

This is a dataset named elly (Touhou) containing 209 images and their corresponding labels. The images were crawled from various websites such as Danbooru, Pixiv, Zerochan, and others, with the crawling system powered by the DeepGHS team. The core tags of this dataset include blonde_hair, hat, ribbon, short_hair, yellow_eyes, hat_ribbon, bow, curly_hair, white_headwear, drill_hair, and red_ribbon, and these tags were pruned within the dataset. Multiple versions of the dataset are available, including the raw data, images with different resolutions, and cropped image variants. The accompanying README offers sample code for loading the raw dataset using waifuc, and displays tag clustering results, listing sample images and their associated tags for each cluster.

原始信息汇总

数据集概述

数据集基本信息

• 名称: Dataset of elly (Touhou)
• 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: 209张
• 核心标签: blonde_hair, hat, ribbon, short_hair, yellow_eyes, hat_ribbon, bow, curly_hair, white_headwear, drill_hair, red_ribbon

数据集包列表

名称	图像数量	大小	类型	描述
raw	209	185.66 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	209	127.87 MiB	IMG+TXT	短边不超过800像素的数据集。
stage3-p480-800	384	235.86 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。
1200	209	171.74 MiB	IMG+TXT	短边不超过1200像素的数据集。
stage3-p480-1200	384	302.14 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	10						1girl, bangs, holding_scythe, juliet_sleeves, red_dress, solo, frills, hat_bow, looking_at_viewer, smile, medium_breasts, sun_hat, closed_mouth, upper_body, open_mouth, red_bowtie
1	5						1girl, holding_scythe, long_sleeves, looking_at_viewer, smile, solo, red_dress, weapon, open_mouth
2	16						1girl, holding_scythe, solo, dress, smile, weapon
3	11						1girl, blush, puffy_short_sleeves, solo, looking_at_viewer, medium_breasts, navel, red_skirt, brown_shirt, hat_bow, holding_scythe, open_mouth, smile, bangs, black_panties, highleg_panties, midriff, red_bow, frilled_skirt, stomach, black_ribbon, bobby_socks, brown_ribbon, crop_top, drill_locks, full_body, holding_weapon, neck_ribbon, shoes

表格版本

#	样本数量	Img-1	Img-2	Img-3	Img-4	Img-5	1girl	bangs	holding_scythe	juliet_sleeves	red_dress	solo	frills	hat_bow	looking_at_viewer	smile	medium_breasts	sun_hat	closed_mouth	upper_body	open_mouth	red_bowtie	long_sleeves	weapon	dress	blush	puffy_short_sleeves	navel	red_skirt	brown_shirt	black_panties	highleg_panties	midriff	red_bow	frilled_skirt	stomach	black_ribbon	bobby_socks	brown_ribbon	crop_top	drill_locks	full_body	holding_weapon	neck_ribbon	shoes
0	10						X	X	X	X	X	X	X	X	X	X	X	X	X	X	X	X
1	5						X		X		X	X			X	X					X		X	X
2	16						X		X			X				X								X	X
3	11						X	X	X			X		X	X	X	X				X					X	X	X	X	X	X	X	X	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

该数据集聚焦于《东方Project》系列中的角色elly，共收录209幅图像及其对应的标签。数据采集过程覆盖了Danbooru、Pixiv、Zerochan等多个知名图像平台，借助DeepGHS团队开发的自动化爬取系统完成。数据集对角色核心标签如blonde_hair、hat、ribbon等进行了精简处理，并提供了多种预处理版本，包括原始元数据包、短边不超过800或1200像素的标准化版本，以及基于三阶段裁剪策略生成、面积不低于480×480像素的增强版本。

特点

数据集的一个显著特色在于其丰富的版本划分，适配不同训练需求。原始版本保留了完整的元信息，便于灵活的定制处理；而裁剪版本则通过多阶段策略，有效提升了图像区域的利用率与多样性。此外，数据集内置了标签聚类结果，将图像依据视觉与语义特征分组，揭示了如持镰、红裙、特定发型等潜在着装组合，为角色风格迁移与细粒度生成提供了宝贵的结构化信息。

使用方法

用户可通过Hugging Face Hub直接下载各版本压缩包。对于原始数据，推荐使用waifuc库进行加载，具体步骤包括利用huggingface_hub下载dataset-raw.zip，解压至本地目录后，通过LocalSource接口读取图像及对应标签。其他版本如800、1200及裁剪包均以IMG+TXT格式提供，可直接解压用于训练。聚类结果以表格形式呈现，便于快速检索与可视化分析，辅助数据集探索与模型微调。

背景与挑战

背景概述

在二次元图像生成与文本到图像（text-to-image）模型迅猛发展的背景下，高质量、精细标注的角色数据集成为推动模型性能提升的关键要素。CyberHarem/elly_touhou数据集由DeepGHS团队于近年来构建，聚焦于《东方Project》系列中的角色elly（爱丽丝），收录了209张来自Danbooru、Pixiv、Zerochan等多平台的图像及其标签信息。该数据集的核心研究问题在于如何通过自动化爬取与清洗流程，为特定动漫角色提供标准化、多尺度的训练数据，以支持生成式模型对角色特征（如发型、服饰、配饰）的精准学习。作为CyberHarem系列的一部分，该数据集为同人艺术风格迁移、角色定制生成等下游任务提供了重要基础，推动了二次元领域AI创作工具的民主化与专业化发展。

当前挑战

该数据集面临的挑战主要体现在两个层面：首先，在领域问题层面，文本到图像生成模型在处理特定动漫角色时，常面临细节一致性不足的困境，例如角色的标志性元素（如elly的金发、钻头发型、红色蝴蝶结）在不同姿态与场景中可能发生变形或丢失，要求训练数据既能覆盖多样性又能保持核心特征的高保真度。其次，在构建过程中，自动化爬取系统虽提升了效率，却引入了图像质量参差不齐、标签噪声与冗余（如核心标签被剔除后仍残留部分描述性标签）的问题，同时209张的小样本规模难以覆盖角色全部视觉变体，且多源数据带来的版权与使用许可（MIT协议）边界需谨慎处理，如何在小样本条件下实现鲁棒的特征学习成为关键瓶颈。

常用场景

经典使用场景

在文本到图像生成领域，CyberHarem/elly_touhou数据集为特定动漫角色'艾莉（东方Project）'的精细化生成提供了高质量的图像-标签配对资源。该数据集精选209张经过严格标注的图像，核心标签涵盖发色、发型、服饰、配饰等视觉要素，并提供了多种分辨率（800px、1200px）及三阶段裁剪版本，适配不同模型训练需求。研究者可借助此数据集训练或微调扩散模型、GAN等生成架构，实现对东方Project角色艾莉的高保真、风格化再现，尤其适用于角色一致性保持和细粒度属性控制等经典生成任务。

解决学术问题

该数据集有效回应了二次元角色生成中数据稀缺与标注不统一的学术困境。通过系统化爬取多源平台图像并采用统一标签体系（如Danbooru风格标签），它解决了角色视觉属性（如金发、蝴蝶结、短裙）的精确描述与对齐问题。研究者得以探究细粒度标签对生成质量的影响，验证多标签联合约束下的角色身份保持能力，并推动文本到图像生成中领域特定数据集的构建规范。这一工作为动漫角色生成的可控性研究提供了基准资源，促进了生成模型在亚文化视觉内容上的适应性与鲁棒性提升。

衍生相关工作

该数据集衍生了一系列围绕动漫角色生成与标注的经典工作。例如，DeepGHS团队开发的Waifuc工具链利用此类数据集实现了自动化图像爬取与标签管理，推动了数据集构建的流程标准化。在模型层面，研究者基于此数据集探索了LoRA、DreamBooth等微调方法在角色生成中的效果比较，并衍生出针对东方Project全角色的大规模生成基准。此外，标签聚类分析（如数据集内提供的着装聚类）启发了无监督属性解耦研究，为生成模型的细粒度控制提供了新思路，相关成果已被后续的多模态生成与域适应工作所引用。