CyberHarem/shimakaze_kantaicollection

这是shimakaze/島風 (Kantai Collection)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团队提供。数据集的核心标签包括`blonde_hair, long_hair, hairband, hair_ornament`，这些标签在数据集中已被修剪。数据集提供了多个版本，包括原始数据、不同尺寸的图片以及经过裁剪的版本。此外，还提供了如何使用waifuc加载原始数据集的示例代码，并展示了标签聚类结果。

This is a dataset featuring shimakaze/島風 (from the media franchise Kantai Collection), which contains 500 images and their associated annotation labels. These images were scraped from multiple online platforms including danbooru, pixiv, zerochan, among others, with the crawling infrastructure provided by the DeepGHS team. The core annotation tags include `blonde_hair, long_hair, hairband, hair_ornament`, and these tags have been pruned during dataset processing. Multiple variants of the dataset are available, including the raw unprocessed data, images in various resolutions, and cropped image subsets. Furthermore, sample code for loading the raw dataset via the waifuc tool is provided, alongside the results of tag clustering analysis.

原始信息汇总

数据集概述

数据集信息

• 名称: Dataset of shimakaze/島風 (Kantai Collection)
• 许可: MIT
• 任务类别: text-to-image
• 标签: art, not-for-all-audiences
• 大小类别: n<1K
• 描述: 包含500张图片及其标签，核心标签为blonde_hair, long_hair, hairband, hair_ornament。

数据包列表

名称	图片数量	大小	类型	描述
raw	500	584.48 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	372.58 MiB	IMG+TXT	短边不超过800像素的数据集。
stage3-p480-800	1226	767.47 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。
1200	500	533.53 MiB	IMG+TXT	短边不超过1200像素的数据集。
stage3-p480-1200	1226	1003.65 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。

数据加载

• 工具: waifuc

• 代码示例: 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/shimakaze_kantaicollection, 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

• 格式: 文本和表格
• 示例:

  • 文本格式:

    #	样本数	图片1	图片2	图片3	图片4	图片5	标签
    0	14	...	...	...	...	...	1girl, elbow_gloves, solo, striped_thighhighs, white_gloves, black_panties, looking_at_viewer, skirt, navel, brown_eyes, blush, yellow_eyes, midriff
    1	5	...	...	...	...	...	1girl, :3, >_<, black_panties, brown_eyes, closed_eyes, elbow_gloves, lifebuoy, looking_at_viewer, skirt, solo, striped_thighhighs, white_gloves, anchor, blush, navel, midriff, yellow_eyes
    ...	...	...	...	...	...	...	...

  • 表格格式:

    #	样本数	图片1	图片2	图片3	图片4	图片5	1girl	elbow_gloves	solo	striped_thighhighs	white_gloves	black_panties	looking_at_viewer	skirt	navel	brown_eyes	blush	yellow_eyes	midriff	:3	>_<	closed_eyes	lifebuoy	anchor	highleg_panties	blue_eyes	crop_top	sailor_collar	pleated_skirt	serafuku	blue_skirt	simple_background	miniskirt	white_background	microskirt	grey_eyes	black_neckerchief	anchor_hair_ornament	black_hairband	blue_sailor_collar	hair_between_eyes	sleeveless	upper_body	open_mouth
    0	14	...	...	...	...	...	X	X	X	X	X	X	X	X	X	X	X	X	X
    1	5	...	...	...	...	...	X	X	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

该数据集聚焦于《舰队Collection》中的角色岛风（Shimakaze），收录了500张图像及其对应的标签。图像源自Danbooru、Pixiv、Zerochan等多个平台，借助DeepGHS团队开发的自动化爬取系统完成收集。为确保数据质量，系统自动将图像的最小边长对齐至1400像素。数据集中已剔除角色核心标签（如金发、长发、发箍、发饰），以降低冗余信息。数据集提供多种预处理版本：原始数据包保留完整元信息，而800与1200版本则分别将图像短边限制在800和1200像素内。此外，采用三阶段裁剪策略生成的stage3-p480-800与stage3-p480-1200版本，确保裁剪区域不小于480x480像素，并通过扩充图像块将样本总量提升至1226个。

特点

该数据集的核心特色在于其多层次、结构化的组织方式。除了基础图像与标签对，还提供了基于标签聚类的分析结果，通过聚类算法将图像按视觉与语义特征分组，并附上代表性样本缩略图与高频标签列表，便于研究者挖掘角色在不同着装、姿态或场景下的模式。数据集版本设计兼顾了不同应用场景的需求：原始版本适用于自定义处理，缩略版本适合快速训练，而裁剪版本则聚焦于局部细节。所有数据均以ZIP压缩包形式发布，并支持通过Waifuc工具直接加载，确保了数据访问的便捷性与可复现性。

使用方法

用户可通过Hugging Face Hub直接下载不同版本的ZIP压缩包，或利用Python代码集成。推荐使用Waifuc库加载原始数据集，首先通过`hf_hub_download`函数获取`dataset-raw.zip`，解压至本地目录后，借助`LocalSource`类遍历图像及其元信息（包括文件名与标签）。对于需要特定尺寸或裁剪版本的场景，可直接下载对应的ZIP文件并解压使用。数据集的标签聚类结果以表格形式呈现，支持按簇索引筛选样本，便于开展角色特征分析或数据增强实验。所有操作均基于标准Python环境，依赖`huggingface_hub`与`waifuc`库即可快速上手。

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，角色专属数据集的构建成为推动文本到图像生成模型精准化的关键基石。由DeepGHS团队于近期开发的CyberHarem/shimakaze_kantaicollection数据集，聚焦于《舰队Collection》中高人气角色“岛风”，共收录500张经过精细标注的图像。该数据集旨在解决动漫角色生成中特征一致性不足的痛点，通过自动化爬取系统从Danbooru、Pixiv等多源站点采集素材，并去除核心标签（如金发、长发、发带）以避免冗余干扰。其影响力体现在为LoRA微调等轻量化技术提供了标准化训练资源，显著提升了二次元角色生成的还原度与可控性。

当前挑战

数据集构建面临多重挑战：在领域问题层面，动漫角色生成需应对风格多样性、姿势变化及遮挡导致的特征混淆，例如岛风的标志性发饰与舰装在不同画师笔下形态迥异，易使模型陷入过拟合或泛化不足的困境。在构建过程中，跨平台图像爬取面临版权归属与质量参差不齐的难题，需通过三阶段裁剪策略（如480x480区域约束）过滤低质素材。此外，标签体系存在主观歧义，如“blonde_hair”与“yellow_hair”的语义重叠，需依赖人工聚类校正。数据规模仅500张，难以覆盖全部着装变体（如泳装、校服），导致模型对稀有属性的生成稳定性薄弱。

常用场景

经典使用场景

在文本到图像生成领域，CyberHarem/shimakaze_kantaicollection 数据集为基于角色一致性的生成模型提供了精良的训练素材。该数据集收录了来自 Danbooru、Pixiv 等多个知名插画平台的 500 张岛风（Kantai Collection）图像，并附有丰富的标签元信息。研究者可借助其提供的 raw、800、1200 等多分辨率版本以及三级裁剪数据集，开展面向特定动漫角色的条件图像生成任务，例如利用标签引导生成保持角色服饰、发色等核心特征的多样图像，从而推动少样本角色定制化生成技术的发展。

衍生相关工作

该数据集催生了多项经典研究工作，尤其聚焦于动漫角色标签自动标注与图像生成模型的微调优化。基于其标签体系，研究者开发了诸如 Waifuc 等自动化数据采集与处理工具，实现了多平台图像的统一清洗与增强。同时，数据集被广泛用于 LoRA（Low-Rank Adaptation）等轻量级微调方法的验证，探索在 Stable Diffusion 框架下如何以少量样本高效迁移角色风格，衍生出针对二次元角色定制化的生成管线与评估基准，推动了领域的技术迭代。

数据集最近研究

最新研究方向

在虚拟角色与人工智能生成内容（AIGC）深度融合的前沿浪潮中，针对《舰队Collection》中岛风这一经典角色的精细化数据集构建，正成为推动文生图模型领域个性化和可控性研究的关键基石。该数据集通过从Danbooru、Pixiv等多源平台自动化采集500张高质图像并配以详尽标签，不仅为LoRA、DreamBooth等微调技术提供了纯净且结构化的训练素材，更通过多尺度裁剪与标签聚类分析，探索了角色在不同着装、姿态与构图下的视觉分布规律。这一工作紧密关联着当前二次元文化数字化与AI艺术创作的热点，其意义在于为角色一致性生成、风格迁移及交互式创作等前沿应用提供了标准化数据支撑，加速了从通用图像生成向特定IP资产精细化建模的跃迁。