CyberHarem/meira_touhou

这是名为meira (Touhou)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，爬取系统由DeepGHS团队开发。数据集的核心标签包括`purple_hair, ponytail, long_hair, purple_eyes, ribbon, hair_ribbon, bangs`，这些标签在数据集中被修剪。README还提供了数据集的多个版本和下载链接，以及如何使用waifuc加载原始数据集的示例代码。此外，还列出了标签聚类结果，可能包含一些服装信息。

原始信息汇总

数据集概述

数据集信息

• 名称: Dataset of meira (Touhou)
• 包含内容: 77张图片及其标签
• 核心标签: purple_hair, ponytail, long_hair, purple_eyes, ribbon, hair_ribbon, bangs
• 来源: 从多个网站（如danbooru, pixiv, zerochan等）爬取
• 爬取系统: 由DeepGHS Team开发的自动爬取系统

数据集包列表

名称	图片数量	大小	类型	描述
raw	77	63.34 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	43.56 MiB	IMG+TXT	短边不超过800像素的数据集
stage3-p480-800	136	75.45 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素
1200	77	58.72 MiB	IMG+TXT	短边不超过1200像素的数据集
stage3-p480-1200	136	98.67 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	图片1	图片2	图片3	图片4	图片5	标签
0	30						1girl, katana, japanese_clothes, solo, sheath
1	11						1girl, holding_sword, katana, long_sleeves, looking_at_viewer, solo, wide_sleeves, white_ribbon, closed_mouth, pants, simple_background, very_long_hair, white_background, white_kimono, full_body, hakama, sheath

表格版本

#	样本数量	图片1	图片2	图片3	图片4	图片5	1girl	katana	japanese_clothes	solo	sheath	holding_sword	long_sleeves	looking_at_viewer	wide_sleeves	white_ribbon	closed_mouth	pants	simple_background	very_long_hair	white_background	white_kimono	full_body	hakama
0	30						X	X	X	X	X
1	11						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

在二次元图像生成领域，高质量、标注精细的数据集是驱动模型性能跃升的关键基石。本数据集聚焦于东方Project系列中的角色“梅拉”（meira），由DeepGHS团队开发的自动化爬取系统从Danbooru、Pixiv、Zerochan等多个知名图源站点采集原始图像，并辅以标签信息。数据集共收录77张图像，核心标签涵盖紫发、马尾、长发、紫瞳、发带等角色特征，这些基础标签在发布前已被精简处理。为满足不同训练场景的需求，数据集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像素的标准化图像，以及经过三阶段裁剪且面积不低于480×480像素的增强版本，总计衍生出五个压缩包，方便用户按需选用。

特点

该数据集在构建上展现出鲜明的实用性与灵活性。首先，其规模虽小但精炼，77张图像均经过严格筛选，确保角色形象一致且标签准确，适合作为特定人物的微调或风格迁移训练素材。其次，多版本设计是一大亮点：原始包保留完整元数据，便于深度定制；而短边限制版与三阶段裁剪版则分别适配不同分辨率的模型输入要求，其中裁剪版通过智能区域提取，有效扩充了有效样本量至136张，提升了数据利用率。此外，数据集还提供了基于标签聚类的可视化结果，将图像按服饰、动作等语义分组，便于研究者快速洞察角色在不同场景下的呈现模式，为后续的标签体系优化或少样本学习提供了结构化参考。

使用方法

使用者可通过Hugging Face Hub便捷获取该数据集。对于希望深度操控原始数据的用户，推荐采用waifuc库加载原始包：首先利用huggingface_hub下载dataset-raw.zip压缩包，解压至本地目录后，借助LocalSource接口即可迭代访问每张图像及其对应的文件名和标签列表，从而灵活集成到自定义的训练管线中。若追求即用体验，可直接下载800、1200或三阶段裁剪版本的ZIP文件，这些包内图像与文本标签一一对应，解压后即可直接作为Text-to-Image模型的输入，无需额外处理。无论是进行角色定制化生成、风格迁移实验，还是作为数据增强的基准集，该数据集都提供了清晰、低门槛的接入路径。

背景与挑战

背景概述

在文本到图像生成领域，角色特定数据集的构建对于提升生成模型对特定角色特征的捕捉能力至关重要。CyberHarem/meira_touhou数据集由DeepGHS团队于近期创建，专注于东方Project系列中的角色“米莉亚”（Meira）。该数据集包含77张图像及其对应的标签，核心标签如紫色头发、马尾辫、紫色眼睛等被精心整理，旨在为研究人员提供高质量的角色图像资源。数据集图像源自Danbooru、Pixiv、Zerochan等多个知名二次元图像平台，通过自动化爬取系统收集，并由Waifuc工具支持加载，为角色图像生成任务提供了标准化数据基础。该数据集的出现，填补了特定二次元角色在文本到图像生成研究中数据稀缺的空白，推动了角色定制化生成技术的发展。

当前挑战

当前数据集面临多重挑战。首先，在领域问题层面，文本到图像生成模型需要精准理解并再现角色特征，而米莉亚这类非主流角色的图像数量有限，77张图像难以覆盖角色的多姿态、多场景及复杂动作，可能导致生成结果缺乏多样性。其次，在构建过程中，图像从多个异构网站自动爬取，面临版权合规、图像质量参差不齐（如分辨率差异、水印干扰）以及标签一致性维护的难题。此外，数据集规模较小，可能引发过拟合风险，同时不同来源图像的风格差异（如画风、构图）增加了模型泛化的难度，亟需通过数据增强或迁移学习等策略来缓解这些限制。

常用场景

经典使用场景

在文本到图像生成领域，CyberHarem/meira_touhou数据集为角色驱动的内容生成提供了精细化的训练素材。该数据集包含77张东方Project角色“米莉亚”的高质量图像及其对应的标签，核心标签如紫发、马尾、长发、紫瞳等被精心筛选。研究者常利用该数据集训练扩散模型或GAN模型，以生成符合特定角色特征的新图像，尤其适用于动漫风格的文本到图像生成任务。数据集的多样分辨率版本（如800px和1200px）和裁剪版本（如stage3-p480-800）进一步扩展了其在多尺度生成和局部细节学习中的应用。

实际应用

在实际应用中，该数据集被广泛用于动漫和游戏产业的角色设计辅助工具。开发者可基于该数据集训练模型，实现从文本描述到角色原画的快速生成，大幅缩短创作周期。例如，在二次元内容创作平台中，用户输入“紫发马尾持刀米莉亚”即可获得符合角色设定的图像。此外，数据集的标签系统还可用于自动化图像标注和检索系统，提升数字资产管理效率。其多版本格式（如waifuc兼容的原始数据）降低了技术门槛，便于集成到现有工作流中。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于扩散模型的角色一致性生成方法（如DreamBooth和LoRA的微调实验）以及特征解耦研究。研究者利用其聚类结果（如和服簇和现代装束簇）开发了风格分离和组合生成技术。此外，数据集还被用于评估文本到图像模型在动漫领域的表现，催生了多个基准测试和对比分析工作。其自动采集系统（基于DeepGHS团队的工具）也启发了其他数据集构建项目，推动了大规模动漫图像数据的高效收集与标准化处理。