tpremoli/CelebA-attrs-160k

CelebA-128x128数据集包含128x128分辨率的图像和多个二进制属性标签，如5_o_Clock_Shadow、Arched_Eyebrows等。数据集已经分为训练集、验证集和测试集，其中训练集包含160k个样本。

原始信息汇总

数据集概述

数据集信息

特征

• image: 图像数据，数据类型为 image。
• 5_o_Clock_Shadow: 五点钟阴影，数据类型为 int64。
• Arched_Eyebrows: 拱形眉毛，数据类型为 int64。
• Attractive: 有吸引力，数据类型为 int64。
• Bags_Under_Eyes: 眼袋，数据类型为 int64。
• Bald: 秃头，数据类型为 int64。
• Bangs: 刘海，数据类型为 int64。
• Big_Lips: 大嘴唇，数据类型为 int64。
• Big_Nose: 大鼻子，数据类型为 int64。
• Black_Hair: 黑发，数据类型为 int64。
• Blond_Hair: 金发，数据类型为 int64。
• Blurry: 模糊，数据类型为 int64。
• Brown_Hair: 棕发，数据类型为 int64。
• Bushy_Eyebrows: 浓眉，数据类型为 int64。
• Chubby: 圆胖，数据类型为 int64。
• Double_Chin: 双下巴，数据类型为 int64。
• Eyeglasses: 戴眼镜，数据类型为 int64。
• Goatee: 山羊胡，数据类型为 int64。
• Gray_Hair: 灰发，数据类型为 int64。
• Heavy_Makeup: 浓妆，数据类型为 int64。
• High_Cheekbones: 高颧骨，数据类型为 int64。
• Male: 男性，数据类型为 int64。
• Mouth_Slightly_Open: 微张嘴，数据类型为 int64。
• Mustache: 胡子，数据类型为 int64。
• Narrow_Eyes: 小眼睛，数据类型为 int64。
• No_Beard: 无胡子，数据类型为 int64。
• Oval_Face: 椭圆脸，数据类型为 int64。
• Pale_Skin: 苍白皮肤，数据类型为 int64。
• Pointy_Nose: 尖鼻子，数据类型为 int64。
• Receding_Hairline: 后退的发际线，数据类型为 int64。
• Rosy_Cheeks: 红润的脸颊，数据类型为 int64。
• Sideburns: 连鬓胡子，数据类型为 int64。
• Smiling: 微笑，数据类型为 int64。
• Straight_Hair: 直发，数据类型为 int64。
• Wavy_Hair: 卷发，数据类型为 int64。
• Wearing_Earrings: 戴耳环，数据类型为 int64。
• Wearing_Hat: 戴帽子，数据类型为 int64。
• Wearing_Lipstick: 涂口红，数据类型为 int64。
• Wearing_Necklace: 戴项链，数据类型为 int64。
• Wearing_Necktie: 戴领带，数据类型为 int64。
• Young: 年轻，数据类型为 int64。
• prompt_string: 提示字符串，数据类型为 string。

数据分割

• train: 训练集，包含 159999 个样本，大小为 1190947307.632 字节。
• validation: 验证集，包含 19621 个样本，大小为 146307394.663 字节。
• test: 测试集，包含 19527 个样本，大小为 146901649.777 字节。

数据集大小

• 下载大小: 1400976910 字节
• 数据集大小: 1484156352.072 字节

配置

• default: 默认配置，包含训练、验证和测试数据文件路径。
  • 训练集路径: data/train-*
  • 验证集路径: data/validation-*
  • 测试集路径: data/test-*

搜集汇总

数据集介绍

构建方式

该数据集源自经典的人脸属性识别基准CelebA，经过图像分辨率统一调整至128×128像素，并精选约16万张训练样本形成。数据集的构建保留了原始CelebA中40项二值化人脸属性标注，如发色、性别、是否佩戴眼镜等，同时新增了prompt_string字段，为文本引导的图像生成任务提供语义支持。数据按标准划分为训练集、验证集和测试集，分别包含159999、19621和19527个样本，确保了模型评估的可靠性与可复现性。

特点

数据集的核心特点在于其高分辨率与丰富属性标注的结合。每张人脸图像均附带40个二值属性标签，覆盖面部特征、发型、配饰等多元维度，为多标签分类与条件生成任务提供了细粒度的监督信号。此外，prompt_string字段的引入使得该数据集能够无缝对接文本到图像生成模型，拓展了其在多模态学习场景中的应用潜力。数据规模的精心控制与标准分划，也使其在保持多样性的同时兼具训练效率。

使用方法

使用该数据集时，可通过HuggingFace Datasets库直接加载，支持按'image'字段访问128×128像素的RGB图像，并通过各属性字段获取对应的二值标签。对于图像生成任务，可结合'prompt_string'构建文本条件输入。数据集已预分为'train'、'validation'、'test'三组，用户可直接用于模型训练、验证与测试。加载时建议采用流式读取或分片加载策略，以高效处理约1.5GB的数据总量。

背景与挑战

背景概述

在人脸分析与计算机视觉领域，大规模标注数据集是推动深度学习模型发展的基石。由香港中文大学汤晓鸥、刘子维等研究团队于2015年创建的CelebA数据集，凭借其202,599张名人面部图像与40项二元属性标注，成为人脸属性识别研究的标杆性资源。tpremoli/CelebA-attrs-160k作为其衍生版本，将图像统一裁剪至128×128分辨率，并保留159,999个训练样本，旨在降低计算开销的同时维持属性多样性。该数据集聚焦于多标签分类任务，涵盖发型、五官特征、配饰等细粒度属性，为人脸生成、人脸编辑及公平性研究提供了标准化基准，显著推动了生成对抗网络与自监督学习在面部语义理解中的进展。

当前挑战

该数据集所解决的领域挑战在于高维人脸属性间的语义歧义性与不平衡分布，例如‘年轻’与‘秃头’等属性存在潜在冲突，模型需在复杂视觉特征中捕捉微妙的关联模式。构建过程中，原始CelebA图像需经过对齐与中心裁剪，但128×128分辨率可能导致细节损失，影响‘窄眼’或‘淡妆’等细微属性的标注可靠性。此外，40项二元属性标注依赖人工判读，主观偏差与噪声不可避免，而159,999样本的降采样虽缓解了存储压力，却可能加剧长尾属性（如‘双下巴’）的稀疏性问题，对模型泛化能力构成严峻考验。

常用场景

经典使用场景

CelebA-attrs-160k数据集作为大规模人脸属性标注的典范，其经典使用场景集中于多任务人脸属性识别与生成式模型的属性条件控制。研究者可基于该数据集中40项二元属性标签（如发型、眼镜、性别等），构建深度卷积神经网络或Transformer架构，实现从人脸图像到属性向量的精准映射。该数据集的高分辨率（128×128像素）与近16万训练样本的规模，为训练鲁棒性强的属性分类器提供了坚实基础，同时亦成为条件生成对抗网络（cGAN）与扩散模型中属性引导图像生成的理想训练资源。

实际应用

在实际应用中，该数据集赋能了多项面向人机交互与内容创作的技术落地。基于其训练的属性分类器可直接集成至智能相册系统，实现按发型、眼镜等特征的照片自动归档；在美颜滤镜与虚拟试妆场景中，模型通过识别面部特征点与属性状态，驱动个性化美妆效果的实时渲染。此外，该数据集支撑的文本到图像生成技术，使得用户可通过自然语言描述（如“戴眼镜的年轻女性”）生成符合语义的人脸图像，为数字娱乐与广告创意领域提供了高效的内容生产工具。

衍生相关工作

该数据集衍生出众多经典学术工作，深刻影响了计算机视觉的研究方向。例如，StarGAN系列模型利用CelebA的多属性标注实现了跨域图像转换，开创了单一生成器处理多重属性编辑的先河；StyleGAN系列则在训练中引入该数据集的属性标签，实现了对生成人脸特征（如年龄、面部毛发）的精细解耦控制。此外，基于该数据集的人脸属性编辑任务催生了诸如InterFaceGAN等潜在空间操控方法，揭示了生成模型中语义维度的线性可分性，为可解释生成式AI奠定了理论基础。