Crear un dataset LoRA: fuentes, limpieza y etiquetado
Guía práctica para conseguir imágenes, limpiar datos y usar JoyCaption y WD14 tagger en la preparación de datasets LoRA.
On this page
Crear un dataset de entrenamiento LoRA: fuentes, limpieza y herramientas de etiquetado
Para flujos relacionados, consulta optimización de parámetros de entrenamiento LoRA, estrategias de bucketing de datasets y diseño de conceptos LoRA.
TL;DR
Fuentes, limpieza, etiquetado, arreglos clave
- Fuentes: Danbooru/Safebooru/Gelbooru para anime, Pixiv/DeviantArt/Twitter para un artista concreto, Spriters Resource/Creative Uncut para sprites de videojuegos.
- Limpieza: GIMP para arreglos puntuales, Experte para eliminar objetos con IA, Birme para recortar en lote, herramientas web (WatermarkRemover → Imglarger → Imgupscaler) en modo incógnito.
- Etiquetado: JoyCaption Alpha Two (9 tipos, 17 opciones) para descripciones; WD14 tagger para etiquetas tipo tag; revisión manual en las imágenes críticas.
- Arreglos clave: borra las cookies entre sesiones de herramientas gratis; usa el filtro de atributos inmutables de JoyCaption para LoRAs de personajes; elimina la marca de agua primero.
Dónde encontrar imágenes de entrenamiento
Sitios booru: fuente principal para datos de estilo anime
Los tableros de imágenes tipo booru son el punto de partida más habitual para datos de entrenamiento LoRA. Danbooru, Safebooru y Gelbooru usan la taxonomía de etiquetas de Danbooru, que te permite buscar a la vez por personaje, artista, estilo y etiquetas conceptuales. Gelbooru funciona igual que los dos primeros, mientras que SankakuComplex usa un sistema de etiquetas comparable pero aloja más contenido de temática adulta.
Plataformas de artistas y redes sociales
Pixiv —la plataforma japonesa de artistas— organiza las obras sobre todo por serie y personaje, no por rasgos visuales. Una extensión de Chrome llamada Powerful Pixiv Downloader agiliza la recogida en lote. DeviantArt aloja una gran variedad de estilos y algún que otro pack de modelos 3D, aunque la calidad de las imágenes varía bastante. Para reunir datos de artistas concretos en Twitter/X, la extensión Twitter Media Downloader captura páginas de artista completas, mientras que Buhitter permite buscar por etiquetas más allá de lo que ofrece la interfaz de la propia plataforma. Zerochan aporta imágenes etiquetadas como anime con un conjunto de etiquetas más pequeño pero distinto.
Arte y sprites de videojuegos
Para sprites de juegos retro y arte de consola, Spriters Resource organiza el material por consola y franquicia. Creative Uncut ofrece una fuente secundaria de material visual de videojuegos, útil para LoRAs de fantasía o pixel art.
Cómo limpiar y preparar las imágenes
Edición manual
Para arreglos puntuales —quitar una línea suelta, recortar un borde blanco o retocar un pequeño artefacto—, GIMP sigue siendo el editor gratuito de referencia. Una guía de decensura en 4 pasos muestra cómo combinar GIMP con Stable Diffusion para una limpieza tipo inpainting.
Eliminación de objetos con IA
Image Cleaner de Experte te deja marcar los elementos que no quieres y la IA mezcla el contexto de alrededor, manteniendo la resolución original. Va bien para quitar logos, firmas o artefactos pequeños en lotes grandes.
Operaciones en lote
Pinetools se encarga de voltear en lote y de transformaciones básicas. Birme destaca en el recorte masivo: introduces las dimensiones objetivo y recorta todas las imágenes a ese tamaño automáticamente.
Herramientas web gratis para escalar y limpiar
Las herramientas web gratis para escalar, quitar ruido y eliminar marcas de agua funcionan por sesión. Úsalas en modo incógnito y borra las cookies entre sesiones para reiniciar los límites. El orden recomendado es: Step | Tool | Purpose
|------|------|---------
1 | WatermarkRemover.io | Remove watermarks first 2 | Imglarger Denoiser | Remove image noise 3 | Imgupscaler | Increase resolution last
Herramientas de etiquetado para preparar datasets
JoyCaption Alpha Two genera etiquetas de entrenamiento con un modelo visión-lenguaje de pesos abiertos. Publicado en septiembre de 2024, pasó de los tres tipos de etiqueta de Alpha One a nueve: Descriptive, Descriptive (Informal), Training Prompt, MidJourney, Booru tag list, Booru-like tag list, Art Critic, Product Listing y Social Media Post. La demo ofrece selección de longitud y 17 opciones extra que se añaden al prompt de la etiqueta.
Para entrenar LoRA, una función de nombre de personaje te deja indicar el nombre en las referencias al personaje. Las opciones extra permiten excluir atributos inmutables como etnia o género e incluir los mutables como el peinado.
Limitación importante: los modos Training Prompt, Booru tags y MidJourney no son fiables. Las etiquetas de estilo informal siguen siendo inconsistentes.
Extensión WD14 tagger
El WD14 tagger es una extensión para la WebUI de Automatic1111 que aplica etiquetas automáticas a las imágenes en lote. Soporta un desplegable con varios modelos y puede procesar directorios enteros.
Nota: el repositorio de GitHub antes devolvía un error 404. Verifica su ubicación actual antes de confiar en él.
Etiquetado manual
El etiquetado manual sigue siendo el método más preciso para datasets pequeños. El proceso combina descripción visual con palabras clave tipo tag. Para equipos, un flujo práctico es usar JoyCaption Alpha Two en una primera pasada y luego revisar y corregir a mano las etiquetas de las imágenes más importantes.
Errores comunes y soluciones
Error | Cause | Fix
|-------|-------|-----
WD14 tagger GitHub URL returns 404 | Repository renamed or archived | Check the toriato GitHub profile for current location Free web tools stop working after few images | Browser cookies track session limits | Use incognito mode and clear cookies between sessions JoyCaption generates truncated captions near 256 tokens | Training bug caused mid-sentence truncation | Use latest Alpha Two release, which fixes this bug Captions mention unwanted physical traits for character LoRAs | Default descriptive mode includes all visible details | Use the "Do NOT include information about people/characters that cannot be changed" extra option and supply a character name Training images have inconsistent dimensions | Batch downloaded images vary in aspect ratio | Use Birme or GIMP to standardize crop sizes before training Watermarks persist after cleanup | Watermark overlays are hard to detect | Run WatermarkRemover.io before other cleanup steps
Preguntas frecuentes (FAQ)
¿Cuál es la mejor fuente de imágenes de entrenamiento estilo anime? La red de etiquetas de Danbooru —Danbooru, Safebooru, Gelbooru y SankakuComplex— ofrece el sistema de etiquetado más estructurado para búsquedas de imágenes por concepto. Usar varias fuentes amplía tu grupo de imágenes utilizables.
¿Cómo etiqueto imágenes automáticamente para entrenar LoRA? JoyCaption Alpha Two es un modelo de pesos abiertos que genera descripciones mediante una demo de Hugging Face. Ofrece nueve tipos de etiqueta y 17 instrucciones activables. Para etiquetas tipo tag, la extensión WD14 tagger puede procesar imágenes en lote.
¿Puedo usar sprites de videojuegos para entrenar LoRA? Sí. Spriters Resource y Creative Uncut alojan hojas de sprites y arte organizados por consola y franquicia. Funcionan bien para LoRAs de pixel art o estilo retro, aunque puede que tengas que extraer los sprites uno a uno.
¿Cuál es la diferencia entre JoyCaption y GPT-4o para etiquetar? En un set de validación de 15 imágenes, JoyCaption Alpha Two igualó a GPT-4o de media (22,8 vs. 22,7) pero mostró más varianza. GPT-4o fue más consistente, mientras que JoyCaption puntuó más alto en algunas imágenes sueltas. Source
¿Cómo limpio marcas de agua de imágenes de entrenamiento a escala? Pasa primero por un eliminador de marcas de agua web gratis, luego por un denoiser y, por último, escala si hace falta. Usa modo incógnito y borra las cookies entre sesiones para no topar con los límites del plan gratis.
¿Puedo mezclar estilos de etiqueta en un mismo dataset? El flujo del dataset creator permite alternar entre guardar imágenes y etiquetas como archivos separados. Pero mezclar estilos de etiqueta en una misma tanda de entrenamiento puede confundir al modelo. Se recomienda un formato de etiqueta consistente en todo el dataset.