diffusiondb

百万真实提示词数据，让 AI 生成更可控

DiffusionDB 是一个大规模文本到图像提示词画廊数据集，基于 Stable Diffusion 构建。它收集了数百万条真实的用户生成提示词及对应的生成图像，旨在解决提示词工程中缺乏真实数据、难以系统研究提示词与生成结果之间关系的问题。该数据集包含提示词、图像、超参数等丰富元数据，并提供了数据过滤、去重、分析工具，支持研究人员和开发者进行提示词分析、模型微调、图像检索等任务。其核心能力在于提供真实世界的大规模数据资源，推动生成式 AI 的可解释性和可控性研究。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1398

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队poloclub

所属国家

官网地址https://poloclub.github.io/diffusiondb

GitHubhttps://github.com/poloclub/diffusiondb

定价模式free

价格说明开源数据集，MIT许可证，完全免费，可自行下载使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型ai-art,computer-vision,image-generation,prompt-engineering,stable-diffusion

GitHub 星标★ 1398

30天Star增速

HF 下载量

上线时间2022-10-10 00:00:00

最近更新2026-09-23 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：入门约 15 分钟部署方式：命令行工具 6 步

环境要求

Python 环境（用于运行仓库中的 download.py 脚本）
可访问 Hugging Face 数据集页面（数据集托管在 huggingface.co/datasets/poloclub/diffusiondb）
充足磁盘空间：DiffusionDB 2M 约 1.6TB，Large 约 6.5TB，整套范围下载会提示需要约 1.7TB

安装与启动步骤

1获取下载脚本

把项目仓库克隆到本地，进入目录后即可看到 README 中提到的 download.py 下载脚本。
```
git clone https://github.com/poloclub/diffusiondb
cd diffusiondb
```
2选择数据集子集

2M 子集约 1.6TB，图像在 images/，元数据为 metadata.parquet；Large 约 6.5TB，图像在两个 large-part 目录。
3下载单个文件

-i 后填 HuggingFace 文件名末尾的编号，脚本会自动补零并生成下载 URL。
```
python download.py -i 23
```
4下载指定范围

用 -i 作下界、-r 作上界批量下载；注意 -i 1 -r 2000 会下载整个数据集。
```
python download.py -i 1 -r 2000
```
5指定下载目录

用 -o 自定义输出目录；若移动了下载位置，需同步移动 images/ 下的 part .zip 文件或使用符号链接。
```
python download.py -i 1 -r 2000 -o /home/$USER/datahoarding/etc
```
6下载后自动解压

加 -z 让脚本在所有文件下载完成后再统一解压，避免下载与解压两个耗时过程相互干扰。
```
python download.py -i 1 -r 2000 -z
```

关键配置

配置项	必填	说明	示例
`-i / --index`	是	要下载的单个文件编号，或范围下载时的下界	`23`
`-r / --range`	否	与 -i 配合使用时，范围下载的上界	`2000`
`-o / --output`	否	自定义输出目录，未设置时默认当前目录	`/home/$USER/datahoarding/etc`
`-z / --unzip`	否	下载完成后解压文件	`-z`
`-l / --large`	否	从 DiffusionDB Large 下载，默认为 DiffusionDB 2M	`-l`

如何确认成功

运行后终端显示下载进度并在输出目录生成 part .zip 文件（加 -z 则解压出图像）；配套 metadata.parquet 可用于对照提示词。

常见问题

Q：下载整套数据集需要多大空间？

A：使用 -i 1 -r 2000 会下载整个数据集，脚本会先要求你确认下载目标位置有约 1.7TB 空闲空间，空间不足请改用范围下载。

Q：怎么下载更大的 DiffusionDB Large？

A：在命令中加上 -l 或 --large 参数，不加则默认下载 DiffusionDB 2M 子集，两者提示词数量相近但图像规模差很多。

Q：下载下来的文件在哪里？

A：默认放在数据集 part .zip 文件所在的 images/ 目录；若用 -o 换位置，需要把这些 part 文件一起移动，或建立符号链接。

Q：解压应该在下载前还是下载后做？

A：脚本默认在全部文件下载完成后才解压，因为下载和解压都可能很耗时；直接加 -z 即可交给脚本自动处理。

Q：提示词和超参数在哪里？

A：在元数据表中：2M 子集对应 metadata.parquet，Large 子集对应 metadata-large.parquet，需与图像目录配合使用。

注意事项

README 只说明了 Hugging Face 数据集页面和 download.py 脚本用法，未提供 pip 依赖列表，运行脚本前请自行确认本地 Python 环境可用。
命令示例中的 -i 1 -r 2000 等价于下载整个数据集，请勿在空间不足的机器上直接执行。
本项目是数据集而非可部署的模型服务，不需要启动端口或容器。
使用 -o 更换下载目录时，记得同时处理 images/ 下的 part .zip 文件或改用符号链接。

核心亮点

包含数百万真实用户提示词和图像，数据规模大且贴近实际使用场景
提供详细的元数据（如超参数、采样器），便于多维度分析
附带数据过滤和去重工具，方便研究人员快速清洗数据

不足之处

数据基于 Stable Diffusion 特定版本，可能不适用于其他模型
文档/社区待观察

适用场景

研究提示词工程对生成图像的影响
训练或微调文本到图像模型的提示词理解能力
构建图像检索或推荐系统的基准数据集

替代项目

LAION-5B、JourneyDB、Midjourney Dataset

项目介绍

diffusiondb 是数据集领域的开源项目，由 poloclub 开发，2022 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,398）位列前 30%，在数据集分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。开源数据集，MIT许可证，完全免费，可自行下载使用。

它主要面向的使用场景是：研究提示词工程对生成图像的影响。同类可对比的替代方案包括 LAION-5B、JourneyDB、Midjourney Dataset。

上一篇：ICASSP-2023-24-Papers

下一篇：HumanArt