CyberHarem/kagiyama_hina_touhou

这是一个关于kagiyama_hina/鍵山雛/카기야마히나（东方Project角色）的数据集，包含500张图像及其标签。该角色的核心标签包括`green_hair, ribbon, hair_ribbon, bow, hair_bow, front_ponytail, long_hair, green_eyes`，这些标签在数据集中已被修剪。图像从多个网站（如danbooru、pixiv、zerochan等）爬取，自动爬取系统由DeepGHS团队提供。数据集提供了多个版本，包括原始数据、不同尺寸的图像以及经过裁剪的图像。此外，还提供了如何使用Waifuc加载原始数据集的代码示例，并展示了标签聚类结果的示例图像和标签。

This is a dataset centered on Kagiyama Hina / 鍵山雛 / 카기야마히나, a character from the Touhou Project franchise. It contains 500 images paired with their respective annotation tags. The core annotation tags associated with this character include `green_hair, ribbon, hair_ribbon, bow, hair_bow, front_ponytail, long_hair, green_eyes`, and these tags have been curated in the dataset. The images were scraped from multiple online platforms such as Danbooru, Pixiv, Zerochan and others, with the automated scraping system provided by the DeepGHS team. The dataset offers multiple variants, including raw unprocessed data, images of various resolutions, and cropped images. Additionally, code examples for loading the raw dataset using Waifuc are provided, alongside sample images and tags that illustrate the results of tag clustering analysis.

原始信息汇总

数据集概述

基本信息

• 许可证: MIT
• 任务类别: 文本到图像
• 标签: 艺术, 非所有观众适用
• 大小类别: n<1K

数据集描述

• 名称: kagiyama_hina/鍵山雛/카기야마히나 (Touhou)
• 内容: 包含500张图片及其标签
• 核心标签: green_hair, ribbon, hair_ribbon, bow, hair_bow, front_ponytail, long_hair, green_eyes

数据包列表

名称	图片数量	大小	类型	描述
raw	500	801.34 MiB	Waifuc-Raw	原始数据，包含元信息（最小边对齐到1400像素，如果更大）
800	500	474.74 MiB	IMG+TXT	短边不超过800像素的图片数据集
stage3-p480-800	1213	968.67 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素
1200	500	722.36 MiB	IMG+TXT	短边不超过1200像素的图片数据集
stage3-p480-1200	1213	1.29 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

#	样本数量	图片示例	标签
0	5		1girl, blush, dress, frills, open_mouth, smile, solo
1	10		1girl, frills, red_dress, solo, looking_at_viewer, short_sleeves, arm_ribbon
2	5		1girl, bangs, closed_mouth, red_bow, red_ribbon, simple_background, smile, solo, white_background, frilled_ribbon, looking_at_viewer, puffy_short_sleeves, red_dress, upper_body, hair_between_eyes
3	5		1girl, cleavage, dress, frills, medium_breasts, solo, smile, looking_at_viewer, blush, boots

表格版本

#	样本数量	图片示例	1girl	blush	dress	frills	open_mouth	smile	solo	red_dress	looking_at_viewer	short_sleeves	arm_ribbon	bangs	closed_mouth	red_bow	red_ribbon	simple_background	white_background	frilled_ribbon	puffy_short_sleeves	upper_body	hair_between_eyes	cleavage	medium_breasts	boots
0	5		X	X	X	X	X	X	X
1	10		X			X			X	X	X	X	X
2	5		X					X	X	X	X			X	X	X	X	X	X	X	X	X	X
3	5		X	X	X	X		X	X		X													X	X	X

搜集汇总

数据集介绍

构建方式

在东方Project的二次创作领域，角色图像数据集对于文本到图像生成模型的训练至关重要。该数据集围绕角色鍵山雛构建，共收录500张图像及其对应标签。图像采集自Danbooru、Pixiv、Zerochan等多个平台，由DeepGHS团队开发的自动化爬取系统完成。数据集的核心标签如绿发、缎带、蝴蝶结等已被精简处理。数据以多种分辨率版本提供，包括原始版（短边对齐至1400像素）、800像素和1200像素的缩放版，以及基于三阶段裁剪策略生成的480像素以上区域版本，满足不同训练需求。

使用方法

数据集的使用方式灵活多样。对于原始数据，推荐通过Waifuc库加载，用户可从HuggingFace Hub下载ZIP文件并解压至本地目录，随后利用LocalSource接口轻松遍历图像及其元数据。缩放版和裁剪版则直接提供图像与配对文本文件，适用于快速训练或微调。研究者可根据模型对图像尺寸和裁剪策略的需求，选择800像素、1200像素或三阶段裁剪版本，实现高效的数据加载与预处理。

背景与挑战

背景概述

在文本到图像生成领域，高质量、标注精细的角色数据集是驱动模型学习特定视觉概念的关键。CyberHarem/kagiyama_hina_touhou 数据集由 DeepGHS 团队于近年创建，专注于东方Project系列中的角色鍵山雛（Kagiyama Hina）。该数据集通过自动化爬取系统从 Danbooru、Pixiv、Zerochan 等多个知名二次元图像平台收集了500张图像，并为其配备了结构化的标签信息，核心标签包括绿发、丝带、前马尾等。研究问题聚焦于如何为少样本、高风格化的动漫角色构建标准化的训练资源，以支持扩散模型等生成式架构的微调。该数据集在二次元AI生成社区中具有重要影响力，为角色一致性生成、风格迁移及标签驱动的图像合成提供了可复用的基准数据。

当前挑战

该数据集面临的核心挑战涵盖领域问题与构建过程两方面。在领域层面，文本到图像生成模型在处理特定动漫角色时，常因训练数据中角色出现频率不均而导致概念混淆或生成失败，该数据集虽提供500张精选图像，但样本量仍然有限，难以覆盖角色所有姿态、服饰与场景的多样性，易引发过拟合或泛化不足。在构建过程中，自动化爬取系统需应对多源平台的版权许可差异、图像质量参差不齐及标签噪声问题，例如部分标签可能存在冗余或缺失，需人工校验与剪枝；同时，不同平台图像分辨率与画风不一致，需通过多阶段裁剪与缩放（如stage3-p480-800版本）进行标准化处理，这增加了数据预处理的计算复杂度与工程成本。

常用场景

经典使用场景

在二次元图像生成领域，针对特定角色（如东方Project中的鍵山雛）的精细化文本到图像生成任务中，该数据集提供了500张高质量图像及其关联标签，涵盖多种姿态、服饰和背景风格。研究者可借助这些数据训练扩散模型或生成对抗网络，实现角色特征的精准复现。通过标签聚类分析（如服饰类型、表情特征），还能探索不同视觉元素对生成结果的影响，为角色一致性控制提供数据基础。

解决学术问题

该数据集有效解决了动漫角色细粒度图像生成中数据稀缺与标签不统一的问题。传统数据集常缺乏对特定角色核心属性（如发型、配饰）的系统标注，导致模型难以区分相似角色。此数据集通过结构化标签（如green_hair、hair_ribbon）和裁剪版本（如stage3-p480-800），支持研究者开展角色解耦表示学习、属性可控生成等课题，推动了文本到图像模型在亚文化内容上的泛化能力研究。

实际应用

实际应用中，该数据集可支撑二次元内容创作工具的开发，例如自动生成特定角色的插画或漫画分镜。游戏与动画工作室可基于此训练角色批量生成模型，降低原画设计的人力成本。此外，标签聚类结果（如red_dress、frills等服饰组合）可直接用于虚拟偶像的服装搭配推荐系统，提升角色设计的多样性与效率。

数据集最近研究

最新研究方向

在二次元图像生成领域，针对特定角色（如东方Project中的鍵山雛）的高质量、细粒度数据集构建正成为前沿热点。该数据集通过多源爬取（danbooru、pixiv等）与自动标注系统（DeepGHS Team）整合了500张图像及其核心标签（如绿发、丝带等），并提供了多种分辨率（800/1200像素）与三阶段裁剪版本，以适配不同规模的文本到图像模型训练需求。其标签聚类分析（如基于服饰、表情的簇划分）为角色多模态表征学习提供了结构化先验，显著提升了生成图像在角色一致性、细节保真度上的表现。这一工作呼应了近期AIGC社区对细粒度角色控制与版权合规的迫切需求，为东方Project等IP的衍生创作与模型微调（如Stable Diffusion LoRA）奠定了高质量数据基础，推动了虚拟角色生成从泛化到专精的范式演进。