CyberHarem/cirno_touhou

这是一个名为Dataset of cirno/ちるの/치르노 (Touhou)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，并由DeepGHS团队提供技术支持。数据集的核心标签包括`blue_hair, short_hair, bow, hair_bow, wings, blue_eyes, ice_wings, blue_bow, ribbon, bangs, hair_between_eyes, red_ribbon, neck_ribbon`。数据集提供了不同版本的下载链接，包括原始数据、不同分辨率的图片数据集以及经过裁剪的版本。此外，README还提供了如何使用waifuc加载原始数据集的代码示例，并展示了标签聚类的结果。

This is a dataset titled *Dataset of cirno/ちるの/치르노 (Touhou)*, containing 500 images and their associated labels. The images were crawled from multiple platforms such as danbooru, pixiv, zerochan, and other relevant sites, with technical support provided by the DeepGHS team. The core tags for this dataset are `blue_hair, short_hair, bow, hair_bow, wings, blue_eyes, ice_wings, blue_bow, ribbon, bangs, hair_between_eyes, red_ribbon, neck_ribbon`. Download links for multiple variants are available, including the raw dataset, image packages with varying resolutions, and cropped versions. Furthermore, the README includes code snippets demonstrating how to load the raw dataset using waifuc, as well as the results of tag clustering.

原始信息汇总

数据集概述

数据集信息

• 名称: Dataset of cirno/ちるの/치르노 (Touhou)
• 描述: 包含500张图片及其标签的数据集。
• 核心标签: blue_hair, short_hair, bow, hair_bow, wings, blue_eyes, ice_wings, blue_bow, ribbon, bangs, hair_between_eyes, red_ribbon, neck_ribbon
• 来源: 从多个网站爬取，如danbooru, pixiv, zerochan等。
• 许可证: MIT
• 任务类别: text-to-image
• 标签: art, not-for-all-audiences
• 数据量: n<1K

数据集包列表

名称	图片数量	大小	类型	描述
raw	500	740.99 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	500	397.23 MiB	IMG+TXT	短边不超过800像素的数据集。
stage3-p480-800	1223	859.15 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。
1200	500	642.16 MiB	IMG+TXT	短边不超过1200像素的数据集。
stage3-p480-1200	1223	1.22 GiB	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	图片1	图片2	图片3	图片4	图片5	标签
0	5						1girl, :d, blue_dress, blush, cowboy_shot, ice, looking_at_viewer, open_mouth, puffy_short_sleeves, simple_background, solo, white_background, white_shirt, breasts, collared_shirt, standing
1	6						1girl, blue_dress, closed_mouth, collared_shirt, ice, looking_at_viewer, puffy_short_sleeves, simple_background, solo, white_background, white_shirt, blush, pinafore_dress, cowboy_shot, smile
2	8						1girl, blue_dress, ice, looking_at_viewer, puffy_short_sleeves, solo, white_background, simple_background, shirt, upper_body, smile
3	7						1girl, blue_dress, full_body, ice, looking_at_viewer, open_mouth, solo, white_socks, puffy_short_sleeves, white_shirt, :d, blush, black_footwear, mary_janes, pinafore_dress

表格版本

#	样本数	图片1	图片2	图片3	图片4	图片5	1girl	:d	blue_dress	blush	cowboy_shot	ice	looking_at_viewer	open_mouth	puffy_short_sleeves	simple_background	solo	white_background	white_shirt	breasts	collared_shirt	standing	closed_mouth	pinafore_dress	smile	shirt	upper_body	full_body	white_socks	black_footwear	mary_janes
0	5						X	X	X	X	X	X	X	X	X	X	X	X	X	X	X	X
1	6						X		X	X	X	X	X		X	X	X	X	X		X		X	X	X
2	8						X		X			X	X		X	X	X	X							X	X	X
3	7						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

在动漫图像生成领域，高质量的角色数据集是模型训练的关键基石。CyberHarem/cirno_touhou数据集聚焦于东方Project中的经典角色琪露诺（Cirno），通过自动化爬取系统从Danbooru、Pixiv、Zerochan等多个知名图站采集原始图像，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，核心标签如蓝发、短髮、蝴蝶结、翅膀、蓝眼等已在数据集中被精简处理。为了满足不同训练需求，数据集提供了多种预处理版本，包括原始数据包（raw）、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的不低于480×480像素的增强版本，共计五种打包格式供用户选择。

特点

该数据集最显著的特点在于其精细化的标签体系与多层级的数据组织方式。每张图像均附带详尽的元标签，涵盖角色外观特征、服饰细节、动作姿态及背景类型等维度，为文本到图像生成任务提供了丰富的语义对应关系。数据集不仅提供了基础的图像-文本对，还通过聚类分析展示了不同标签组合下的样本分布，例如蓝色连衣裙、冰元素、微笑等标签的共现模式，这有助于研究者挖掘角色在不同场景下的视觉特征规律。此外，多种分辨率版本的存在使得数据集能够灵活适配从轻量级到高精度模型的训练需求。

使用方法

使用该数据集时，研究者可根据模型需求选择合适的数据包。对于需要原始元数据的场景，推荐通过waifuc框架加载raw版本，具体步骤包括从HuggingFace Hub下载压缩包、解压至本地目录，再调用LocalSource进行迭代访问，每个数据项包含图像文件、文件名及标签列表。而对于追求高效加载的常规训练，可直接使用800或1200像素的标准化版本，这些版本已整合为IMG+TXT格式，便于直接输入到常见的深度学习框架中。三阶段裁剪版本则特别适用于需要固定尺寸输入的场景，其保证图像有效区域不低于480×480像素，避免了因缩放导致的细节损失。

背景与挑战

背景概述

在文本到图像生成领域，高质量、精细标注的数据集是驱动模型性能提升的关键基石。CyberHarem/cirno_touhou 数据集由 DeepGHS 团队于近期创建，专注于东方Project系列中的经典角色“琪露诺”（Cirno）。该数据集包含 500 张精心筛选的图像及其对应的标签，核心标签涵盖了角色的标志性特征，如蓝发、短双马尾、蝴蝶结、冰晶翅膀等。其核心研究问题在于为动漫角色定制化生成任务提供标准化的训练素材，尤其服务于二次元图像生成模型的微调与评估。该数据集通过自动化爬取系统从 Danbooru、Pixiv 等多源平台采集，并提供了多种分辨率版本与裁剪策略，显著降低了研究者获取高质量角色数据的门槛，对推动动漫风格生成模型的发展具有重要参考价值。

当前挑战

该数据集所面临的挑战主要体现在两个方面。首先，在领域问题层面，动漫角色生成任务需要模型精确捕捉角色标志性属性（如发型、服饰、翅膀形态）并保持一致性，而 500 张图像的规模相对有限，难以覆盖复杂姿态、多角度及不同场景下的泛化需求，易导致过拟合或生成结果缺乏多样性。其次，在构建过程中，数据采集面临版权与来源合规性挑战，从多个网站爬取图像需处理不同的元数据格式与标签体系，而标签的自动提取与去噪（如核心标签的剪枝）可能引入偏差，影响标注准确性。此外，多分辨率版本与裁剪策略虽增加了灵活性，但也增加了数据预处理与模型适配的复杂度，需在细节保留与计算效率间寻求平衡。

常用场景

经典使用场景

在文本到图像生成领域，CyberHarem/cirno_touhou 数据集为特定动漫角色（东方Project中的琪露诺）的精细化图像生成提供了高质量的素材。该数据集包含500张精心标注的图像，核心标签如蓝发、短髮、蝴蝶结、翅膀等被明确提炼，使得研究者能够针对性地训练模型以捕捉角色的标志性视觉特征。其多分辨率版本（如800px、1200px）及三级裁剪策略，适用于不同尺度下的生成任务，成为角色一致性和风格迁移研究的理想基准。

实际应用

在实际应用中，该数据集赋能了二次创作与虚拟角色定制平台。开发者可基于此训练轻量化模型，实现用户通过文本描述快速生成琪露诺的个性化变体，例如不同着装或动态姿势。游戏与动画产业中，它可用于批量生成角色概念图、辅助原画设计，或作为数据增强工具丰富角色素材库，从而降低人力成本并提升创意迭代效率。

衍生相关工作

该数据集衍生出多项经典工作，包括基于Waifuc框架的自动化数据爬取与清洗管线，其多源采集策略（如Danbooru、Pixiv）为同类角色数据集构建树立了范式。标签聚类结果（如服饰分组）启发了无监督角色风格解耦研究，而三级裁剪方案则被后续工作借鉴以优化图像局部区域生成。此外，该数据集常作为评估角色保持模型（如DreamBooth微调变体）的测试集，推动了个性化生成领域的基准化进程。