CyberHarem/azusa_pokemon

这是一个名为azusa/アズサ (Pokémon)的数据集，包含11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`breasts, short_hair, medium_breasts, orange_hair, brown_eyes, large_breasts`，但这些标签在数据集中已被修剪。数据集提供了不同版本的下载链接，包括原始数据、不同分辨率的图片以及经过裁剪的图片。此外，还提供了如何使用waifuc加载原始数据集的代码示例。最后，README列出了标签聚类的结果，展示了一些可能的服装挖掘。This is a dataset named azusa/アズサ (Pokémon) containing 11 images and their associated labels. The images were crawled from multiple websites including danbooru, pixiv, zerochan, and others, with the crawling system provided by the DeepGHS team. The core tags of the dataset are `breasts, short_hair, medium_breasts, orange_hair, brown_eyes, large_breasts`, but these tags have been pruned within the dataset. The dataset offers download links for various versions, including raw data, images with different resolutions, and cropped images. Moreover, code examples for loading the raw dataset using waifuc are provided. Finally, the README lists the results of tag clustering and demonstrates some potential clothing mining findings.

原始信息汇总

数据集概述

数据集信息

• 名称: Dataset of azusa/アズサ (Pokémon)
• 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: 11张
• 核心标签: breasts, short_hair, medium_breasts, orange_hair, brown_eyes, large_breasts

数据包列表

名称	图像数量	大小	类型	描述
raw	11	4.21 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	11	3.69 MiB	IMG+TXT	短边不超过800像素的数据集。
stage3-p480-800	12	5.45 MiB	IMG+TXT	3阶段裁剪数据集，面积不小于480x480像素。
1200	11	4.05 MiB	IMG+TXT	短边不超过1200像素的数据集。
stage3-p480-1200	12	6.24 MiB	IMG+TXT	3阶段裁剪数据集，面积不小于480x480像素。

数据集加载

• 加载工具: waifuc

• 加载代码: 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/azusa_pokemon, repo_type=dataset, filename=dataset-raw.zip, )

  提取文件到指定目录

  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

• 样本数量: 11
• 标签: 1girl, nipples, solo, blush, navel, smile, jewelry, pussy, shirt_lift

搜集汇总

数据集介绍

构建方式

在图像生成与动漫角色数据集构建领域，针对宝可梦系列角色アズサ（Azusa）的视觉素材匮乏问题，该数据集通过自动化爬虫系统从Danbooru、Pixiv、Zerochan等多源平台采集原始图像，并辅以人工标签体系进行精细化筛选。数据构建采用多尺度标准化流程，包括基于短边对齐至1400像素的原始数据保留、三阶段裁剪策略（确保区域不低于480×480像素）以及短边限制在800或1200像素的尺寸规整化处理，最终形成包含11张图像及其对应标签的紧凑型数据集。

特点

该数据集的核心特色在于其多版本存储架构与标签精简策略。通过提供raw、800、1200及stage3-p480-800等多种压缩包格式，满足从原始元数据保留到轻量化训练的不同需求。标签系统聚焦于breasts、short_hair等关键角色特征，剔除冗余信息以提升模型收敛效率。此外，数据集附带基于标签聚类的可视化结果（如nipples、blush等语义群组），为角色服饰与姿态的潜在模式挖掘提供了结构化参考。

使用方法

数据集支持两种典型调用路径：其一为通过Hugging Face Hub直接下载各版本压缩包，解压后即可获得按尺寸与裁剪策略分类的图像-标签对；其二为集成waifuc框架的原始数据加载方案，用户可通过Python脚本调用LocalSource类，结合huggingface_hub库实现自动化数据流处理。具体实施时，需先下载dataset-raw.zip并解压至指定目录，随后利用waifuc的迭代器逐项访问图像及其元数据（如文件名、标签列表），适用于需要灵活控制预处理管线的研究场景。

背景与挑战

背景概述

在生成式人工智能与二次元文化交融的浪潮中，文本到图像生成模型对特定角色数据集的渴求日益增长。CyberHarem/azusa_pokemon数据集由DeepGHS团队于近年创建，聚焦于宝可梦系列中的角色アズサ（Azusa）。该数据集的核心研究问题在于如何从多源异构的动漫图像网站（如Danbooru、Pixiv、Zerochan）中自动采集并标准化高质量的角色图像，以支持精细化的人物属性识别与生成任务。尽管仅包含11张图像，但其通过标签精简与多分辨率裁剪（如480p与800p版本）的策略，为小样本角色数据集构建提供了范式参考，推动了动漫领域文生图模型在特定角色上的可控生成研究。

当前挑战

该数据集面临的挑战主要体现在两个层面。在领域问题层面，动漫角色图像普遍存在风格多样、遮挡严重、标签噪声高等问题，使得模型难以从极少量样本中准确泛化出角色核心特征（如发型、服饰），进而影响文生图任务中角色一致性的保持。在构建过程中，数据采集需跨越不同网站的版权限制与反爬机制，且自动标注系统（Waifuc）生成的标签需经人工修剪以去除冗余或冲突项（如‘large_breasts’与‘medium_breasts’的并存），这增加了数据清洗的复杂度。此外，小样本规模（n<1K）导致模型易过拟合，需依赖数据增强与迁移学习策略来缓解。

常用场景

经典使用场景

CyberHarem/azusa_pokemon数据集在文本到图像生成领域中被广泛用于角色定制化微调。作为宝可梦系列中アズサ角色的专用图像集合，该数据集包含11张高分辨率图片及其对应的标签信息，核心标签涵盖breasts、short_hair、medium_breasts等视觉特征。研究者常利用此数据集对预训练的扩散模型（如Stable Diffusion）进行少样本学习，通过LoRA或DreamBooth等轻量级微调方法，使模型精准学习并再现该角色的独特外观风格。数据集的多种分辨率版本（如800px、1200px）和三阶段裁剪处理，为不同规模的计算资源提供了灵活选择，成为二次元角色生成任务中验证小样本学习算法的经典基准。

实际应用

在实际应用中，该数据集支撑了动漫游戏产业的资产自动化生产流程。游戏开发商可利用微调后的模型，根据文本描述快速生成アズサ角色的多种动作与场景变体，大幅降低原画绘制的人力成本。虚拟主播与同人创作社区借助该数据集训练的角色生成器，能够高效产出风格统一的粉丝艺术作品。此外，电商平台在定制化周边产品（如手办、服饰印花）设计中，通过该数据集训练的模型实现了用户输入文字即可预览角色形象的功能，加速了从创意到成品的转化周期。

衍生相关工作

该数据集衍生了一系列具有影响力的研究工作。在模型架构层面，基于此数据集开发的角色保持网络（Character Preservation Network）提出了动态标签权重分配机制，显著提升了多角色生成时的身份一致性。在训练策略方面，CycleGAN风格的域自适应方法被引入，实现了从真实照片到アズサ角色风格的跨域迁移。此外，数据增强领域受其启发，诞生了标签感知的随机裁剪算法（Tag-Aware Random Cropping），有效缓解了小样本训练中的空间过拟合问题。这些工作共同构建了面向二次元角色的生成式AI技术栈，为后续宝可梦系列其他角色的数据集建设提供了方法论参考。