CyberHarem/ruri_pokemon

这是一个名为ruri/ルリ (Pokémon)的数据集，包含34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。数据集的核心标签包括pink_hair, hat, blue_eyes, breasts, short_hair, bow, mole。数据集提供了不同版本的下载链接，包括原始数据、不同分辨率的图片集以及经过裁剪的图片集。此外，README还提供了如何使用waifuc加载原始数据集的代码示例，并列出了标签聚类结果。

This is the dataset of ruri/ルリ (Pokémon), containing 34 images and their tags. The core tags of this character are pink_hair, hat, blue_eyes, breasts, short_hair, bow, mole. Images are crawled from various sites like danbooru, pixiv, zerochan, etc., collected by an auto-crawling system developed by DeepGHS Team. The dataset offers multiple formats and sizes for download, including raw data and images of different resolutions. Additionally, tag clustering results are provided, which may aid in further data mining.

原始信息汇总

数据集概述

数据集名称

Dataset of ruri/ルリ (Pokémon)

数据集描述

该数据集包含34张关于角色ruri/ルリ (Pokémon)的图像及其标签。核心标签包括pink_hair, hat, blue_eyes, breasts, short_hair, bow, mole。

数据集来源

图像从多个网站（如danbooru, pixiv, zerochan等）爬取，爬虫系统由DeepGHS Team开发。

数据集包列表

名称	图像数量	大小	类型	描述
raw	34	21.72 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	34	15.87 MiB	IMG+TXT	短边不超过800像素的数据集。
stage3-p480-800	70	31.04 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。
1200	34	20.72 MiB	IMG+TXT	短边不超过1200像素的数据集。
stage3-p480-1200	70	39.33 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。

数据集加载

提供了使用waifuc加载原始数据集的示例代码。

标签聚类结果

原始文本版本

#	样本数量	图像示例1	图像示例2	图像示例3	图像示例4	图像示例5	标签
0	23						1girl, solo, blush, looking_at_viewer, smile, bag, open_mouth, skirt, hat_bow, long_sleeves, shirt, white_headwear
1	8						1boy, 1girl, hetero, nude, penis, solo_focus, blush, cum, nipples, smile, large_breasts, open_mouth, long_hair, pov, pussy, sex

表格版本

#	样本数量	图像示例1	图像示例2	图像示例3	图像示例4	图像示例5	1girl	solo	blush	looking_at_viewer	smile	bag	open_mouth	skirt	hat_bow	long_sleeves	shirt	white_headwear	1boy	hetero	nude	penis	solo_focus	cum	nipples	large_breasts	long_hair	pov	pussy	sex
0	23						X	X	X	X	X	X	X	X	X	X	X	X
1	8						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

在动漫角色数据集构建领域，针对宝可梦系列中的角色ruri/ルリ，本数据集通过自动化爬取系统从Danbooru、Pixiv、Zerochan等多个知名插画社区采集图像，共收录34张图片及其对应标签。该爬取系统由DeepGHS团队开发，确保了数据来源的广泛性与多样性。数据集构建时对核心标签（如粉发、帽子、蓝眼等）进行了精简处理，并提供了多种分辨率版本，包括原始RAW格式、短边不超过800像素和1200像素的常规版本，以及经过三阶段裁剪、面积不小于480×480像素的增强版本，以满足不同训练需求。

特点

该数据集的核心特点在于其精细化的多版本设计与标签聚类分析。除了提供原始元数据（RAW）外，还针对文本到图像生成任务优化了IMG+TXT格式，便于直接用于模型训练。特别地，数据集包含了基于标签的聚类结果，将图像分为两类：一类以单人女性角色为主，涵盖微笑、背包、裙子等日常元素；另一类则包含双人互动场景，涉及敏感内容。这种聚类有助于用户根据训练目标筛选数据，体现了数据集在内容多样性上的考量。

使用方法

数据集的使用方式灵活多样。对于Python开发者，可通过HuggingFace Hub下载原始RAW压缩包，利用waifuc库的LocalSource加载图像及其元数据（文件名、标签），实现便捷的批量处理。用户亦可直接下载IMG+TXT格式的压缩包，解压后即可获得对齐的图像与文本文件，适用于常见深度学习框架。此外，数据集提供的聚类信息可辅助用户快速定位特定风格的图像子集，例如通过表格中的标签组合筛选出符合训练需求的样本，从而高效构建个性化训练集。

背景与挑战

背景概述

在文本到图像生成领域，角色数据集的质量与多样性直接决定了生成模型的泛化能力与细节保真度。由DeepGHS团队于近年创建的CyberHarem/ruri_pokemon数据集，专注于《宝可梦》系列中的角色ruri（ルリ），收录了34幅图像及其对应的标签信息。该数据集通过自动化爬取系统从Danbooru、Pixiv、Zerochan等多个知名图源站点采集，核心标签涵盖粉色头发、帽子、蓝眼睛等特征，旨在为二次元角色生成任务提供精细化的训练素材。尽管规模有限，但其对特定角色属性的结构化标注方式，为小样本学习与风格迁移研究提供了重要的基准参考，尤其在动漫图像生成领域具有独特的示范意义。

当前挑战

该数据集面临的核心挑战之一在于图像来源的异质性，不同站点的图像在分辨率、构图与艺术风格上差异显著，可能引发模型对特定风格的过拟合。构建过程中，自动化爬取系统虽提升了效率，却难以完全规避版权与隐私风险，部分内容涉及不适宜全年龄段的图像，增加了数据筛选与伦理审核的复杂度。此外，仅有34幅样本的极小规模限制了模型对角色多角度、多服装变化的泛化能力，标签聚类结果虽揭示了部分潜在特征，但样本稀疏性使得数据增强与合成技术的应用成为必要，以弥补天然数据量的不足。

常用场景

经典使用场景

该数据集主要服务于文本到图像生成任务，尤其在二次元角色定制化生成领域具有典型应用。作为宝可梦系列角色ルリ（ruri）的图像集合，其核心用途在于为扩散模型（如Stable Diffusion）提供精细化的角色概念学习样本。通过34张高质量标注图像及配套标签（如粉色头发、蓝色眼睛、帽子等特征），研究者可构建特定角色的视觉先验，进而实现从文本描述到角色肖像的精准生成，是动漫风格可控生成研究中的基础性资源。

实际应用

在实际应用中，该数据集支撑了二次元内容创作工具的底层技术开发。例如，同人画师可借助基于此数据集微调的模型，快速生成符合角色设定的不同姿势或场景图像；游戏开发者能将其用于NPC概念图的批量生成；虚拟主播运营方则可通过角色定制化生成降低美术成本。此外，数据集的标签聚类结果（如服饰搭配模式）还可直接用于辅助角色设计中的风格迁移与变体创作，提升艺术生产流程的效率。

衍生相关工作

该数据集衍生出多项关键技术工作。基于其原始数据与waifuc框架的兼容性，研究者开发了自动化角色数据集构建管线（如DeepGHS团队的图像爬取与标注系统）；标签聚类结果启发了多模态特征对齐方法，用于提升生成模型对复杂属性组合的解析能力；而多分辨率版本（如stage3裁剪策略）则被后续工作借鉴，用于设计抗过拟合的训练数据增强方案。这些衍生成果共同推动了动漫生成领域数据基础设施的标准化进程。