CyberHarem/saki_bluearchive

这是一个名为saki/空井サキ/咲 (Blue Archive)的数据集，包含500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`short_hair, halo, breasts, purple_hair, large_breasts, hat, blue_eyes, bucket_hat, black_headwear, green_halo`，这些标签在数据集中被修剪。

原始信息汇总

数据集概述：saki/空井サキ/咲 (Blue Archive)

数据集基本信息

• 名称：saki/空井サキ/咲 (Blue Archive)
• 内容：包含500张图像及其标签。
• 核心标签：short_hair, halo, breasts, purple_hair, large_breasts, hat, blue_eyes, bucket_hat, black_headwear, green_halo
• 许可：MIT
• 任务类别：text-to-image
• 标签：art, not-for-all-audiences
• 大小类别：n<1K

数据集包详情

包名	图像数量	大小	下载链接	类型	描述
raw	500	858.58 MiB	下载	Waifuc-Raw	包含元信息的原始数据（如果较大，最小边对齐到1400）。
1200	500	701.99 MiB	下载	IMG+TXT	短边不超过1200像素的数据集。
stage3-p480-1200	1287	1.46 GiB	下载	IMG+TXT	三阶段裁剪数据集，区域不小于480x480像素。

数据集加载示例

使用waifuc加载原始数据集的示例代码：

python import os import zipfile

from huggingface_hub import hf_hub_download from waifuc.source import LocalSource

下载原始归档文件

zip_file = hf_hub_download( repo_id=CyberHarem/saki_bluearchive, repo_type=dataset, filename=dataset-raw.zip, )

提取文件到目录

dataset_dir = dataset_dir os.makedirs(dataset_dir, exist_ok=True) with zipfile.ZipFile(zip_file, r) as zf: zf.extractall(dataset_dir)

使用waifuc加载数据集

source = LocalSource(dataset_dir) for item in source: print(item.image, item.meta[filename], item.meta[tags])

标签聚类结果

文本版本

#	样本数	图像示例	标签
0	9	至	1girl, black_gloves, blue_sailor_collar, helmet, long_sleeves, solo, yellow_neckerchief, looking_at_viewer, pleated_skirt, animal_ears, blue_serafuku, blue_skirt, knee_pads, open_mouth, black_hair, light_machine_gun, blush, green_eyes, white_skirt, black_footwear, boots, holding_gun
1	9	至	1boy, 1girl, blush, hetero, long_sleeves, solo_focus, blue_sailor_collar, penis, black_gloves, nipples, open_mouth, yellow_neckerchief, helmet, looking_at_viewer, paizuri, serafuku, bar_censor, cum, pov_crotch, shirt_lift, sweat
2	34	至	1girl, long_sleeves, official_alternate_costume, raglan_sleeves, rash_guard, solo, navel, stomach, blue_bikini, looking_at_viewer, bikini_bottom_only, blush, simple_background, white_background, closed_mouth, thighs, cowboy_shot, cropped_jacket
3	12	至	1girl, blue_bikini, blue_sky, day, long_sleeves, official_alternate_costume, outdoors, raglan_sleeves, solo, blush, looking_at_viewer, navel, rash_guard, stomach, cloud, bikini_bottom_only, cowboy_shot, cropped_jacket, thighs, utility_belt, belt_pouch, duffel_bag, closed_mouth, green_eyes, open_mouth, smile
4	6	至	short_sleeves, white_shirt, 1girl, blue_apron, solo, blush, collared_shirt, helmet, looking_at_viewer, official_alternate_costume, black_bowtie, blurry_background, white_headwear
5	6	至	1girl, alternate_costume, fake_animal_ears, looking_at_viewer, rabbit_ears, bowtie, cleavage, detached_collar, pantyhose, playboy_bunny, simple_background, solo, wrist_cuffs, bare_shoulders, blush, green_eyes, strapless_leotard, blue_leotard, closed_mouth, covered_navel, open_mouth, white_background

搜集汇总

数据集介绍

构建方式

在二次元图像生成领域，高质量的人物数据集是模型训练的基础。CyberHarem/saki_bluearchive 数据集聚焦于游戏《蔚蓝档案》中的角色 saki（空井サキ/咲），通过自动化爬虫系统从 Danbooru、Pixiv、Zerochan 等多个站点采集原始图像，并由 DeepGHS 团队提供技术支持。数据集包含 500 张图像及其对应的标签信息，核心标签如短发、光环、胸部、紫发、大胸、帽子、蓝眼、桶帽、黑色头饰、绿色光环等已被精简处理。数据以多种格式提供，包括原始未裁剪版本、短边不超过 1200 像素的标准化版本，以及经过三阶段裁剪、最小区域不低于 480×480 像素的增强版本，以满足不同训练需求。

特点

该数据集最显著的特点在于其精细的标签聚类结构，通过自动化的标签聚类分析，将图像按服饰、姿态和场景划分为多个子簇，例如包含黑手套、蓝色水手领、头盔等元素的战斗装束簇，以及蓝色比基尼、休闲夹克等日常装束簇。每个簇均提供样本图像和对应的标签集合，便于研究者挖掘角色在不同情境下的视觉特征。此外，数据集提供了多种分辨率选项和裁剪策略，原始数据保留完整的元信息，而标准化版本则适配常见的图像生成模型输入尺寸，三阶段裁剪版本则通过智能构图提升训练效率。

使用方法

研究者可通过 Hugging Face Hub 直接下载压缩包，或利用 waifuc 库加载原始数据集。使用 waifuc 时，需先通过 hf_hub_download 下载 dataset-raw.zip 文件并解压至本地目录，随后通过 LocalSource 接口读取图像及对应的元数据，包括文件名和标签信息。对于需要快速实验的场景，可直接下载 1200 或 stage3-p480-1200 版本，这些格式兼容 IMG+TXT 模式，无需额外处理即可用于训练文本到图像模型。数据集的标签聚类结果以表格形式呈现，可作为标签筛选或数据增强的参考依据。

背景与挑战

背景概述

在文本到图像生成领域，高质量、精细标注的角色数据集是驱动模型生成特定角色形象的关键资源。CyberHarem/saki_bluearchive 数据集由 DeepGHS 团队于近期构建，专注于收录游戏《蔚蓝档案》中的人气角色“空井咲”（Saki）的视觉资料。该数据集汇集了来自 Danbooru、Pixiv、Zerochan 等多个平台的 500 张图像，并附有详尽的标签信息，核心标签涵盖“短发”、“光环”、“紫色长发”等角色标志性特征。其核心研究问题在于为动漫角色生成模型提供标准化、多角度的训练素材，以提升对特定角色外观与服饰的生成精度。该数据集通过 Waifuc 工具链实现了自动爬取与预处理，为二次元角色定制化生成任务提供了重要的数据基础，对推动动漫风格文本到图像模型的发展具有显著影响力。

当前挑战

该数据集所面临的挑战首先体现在领域问题层面：文本到图像生成需要模型在理解复杂文本描述的同时，精确还原角色的多维度视觉属性，如发型、服饰、姿态与背景的和谐统一，而单一角色数据集难以覆盖所有风格与场景，导致模型泛化能力受限。其次，在构建过程中，数据集遭遇了多重技术挑战：从多源异构平台（如 Danbooru 的标签体系与 Pixiv 的元数据格式差异）自动爬取并统一标注格式，需解决数据噪声与标签不一致问题；对图像进行多尺度裁剪（如 1200 像素短边对齐与 480x480 区域裁剪）时，需平衡构图完整性、存储效率与生成训练需求；此外，数据集中包含的敏感内容（如不适宜公开的图像）要求严格的过滤与标注策略，以确保数据集的可用性与合规性。

常用场景

经典使用场景

在动漫图像生成与风格迁移领域，CyberHarem/saki_bluearchive数据集为文本到图像（text-to-image）任务提供了高质量的角色特定素材。该数据集收录了来自《蔚蓝档案》中角色“空井咲”的500张图像及其对应标签，覆盖了多种姿态、服饰与场景变体。研究者可借助此数据集微调扩散模型（如Stable Diffusion），使其精准生成符合角色核心特征（如紫色长发、光环、宽檐帽等）的视觉内容。此外，数据集中提供的不同分辨率版本（如1200像素边限版本）与三阶段裁剪版本，为模型训练中的图像预处理与数据增强提供了灵活选择，尤其适用于需要多尺度特征学习的生成任务。

实际应用

在实际应用中，该数据集赋能了多个创意产业场景。游戏开发商可基于此数据集训练定制化角色生成模型，快速产出《蔚蓝档案》同人艺术图或宣传素材，降低美术外包成本。动漫内容创作者能利用微调后的扩散模型，根据文本描述（如“穿着泳装的咲”）自动生成符合角色设定的插画，加速粉丝创作流程。此外，电商平台可将其用于虚拟偶像的视觉内容生产，如生成不同服饰变体的角色图像用于周边商品展示。数据集的Waifuc兼容接口更简化了开发者的集成流程，使得从数据加载到模型部署的管线更加高效。

衍生相关工作

围绕该数据集，学术界与工业界已衍生出多项经典工作。在模型层面，研究者基于此数据微调了LoRA（Low-Rank Adaptation）权重，实现了对Stable Diffusion的轻量化角色风格适配，相关技术被广泛应用于Civitai等社区模型分享平台。在工具层面，DeepGHS团队开发的自动爬取系统（Waifuc）因该数据集的成功实践而得到优化，后续被用于构建更大规模的动漫角色数据集，如CyberHarem系列中的其他角色。学术论文中，该数据集常作为基准用于评估角色一致性生成方法的性能，例如在DreamBooth、Textual Inversion等个性化生成技术的对比实验中发挥关键作用。