Datawhale X 魔搭 AI夏令营：精读代码，实战进阶

Part1：通义千问

通义千问是具有信息查询、语言理解、文本创作等多能力的AI助手。编程与技术支持能力是它的强项之一。可以通过通义千问来解决代码中不懂的问题。

Part2：精读baseline

baseline的框架结构

代码

!pip install simple-aesthetics-predictor

!pip install -v -e data-juicer

!pip uninstall pytorch-lightning -y
!pip install peft lightning pandas torchvision

!pip install -e DiffSynth-Studio

from modelscope.msdatasets import MsDataset

ds = MsDataset.load(
    'AI-ModelScope/lowres_anime',
    subset_name='default',
    split='train',
    cache_dir="/mnt/workspace/kolors/data"
)

import json, os
from data_juicer.utils.mm_utils import SpecialTokens
from tqdm import tqdm


os.makedirs("./data/lora_dataset/train", exist_ok=True)
os.makedirs("./data/data-juicer/input", exist_ok=True)
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
    for data_id, data in enumerate(tqdm(ds)):
        image = data["image"].convert("RGB")
        image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg")
        metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]}
        f.write(json.dumps(metadata))
        f.write("\n")

data_juicer_config = """
# global parameters
project_name: 'data-process'
dataset_path: './data/data-juicer/input/metadata.jsonl'  # path to your dataset directory or file
np: 4  # number of subprocess to process your dataset

text_keys: 'text'
image_key: 'image'
image_special_token: '<__dj__image>'

export_path: './data/data-juicer/output/result.jsonl'

# process schedule
# a list of several process operators with their arguments
process:
    - image_shape_filter:
        min_width: 1024
        min_height: 1024
        any_or_all: any
    - image_aspect_ratio_filter:
        min_ratio: 0.5
        max_ratio: 2.0
        any_or_all: any
"""
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
    file.write(data_juicer_config.strip())

!dj-process --config data/data-juicer/data_juicer_config.yaml

import pandas as pd
import os, json
from PIL import Image
from tqdm import tqdm


texts, file_names = [], []
os.makedirs("./data/data-juicer/output/images", exist_ok=True)
with open("./data/data-juicer/output/result.jsonl", "r") as f:
    for line in tqdm(f):
        metadata = json.loads(line)
        texts.append(metadata["text"])
        file_names.append(metadata["image"][0])

df = pd.DataFrame({"text": texts, "file_name": file_names})
df.to_csv("./data/data-juicer/output/result.csv", index=False)

df

from transformers import CLIPProcessor, CLIPModel
import torch

model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

images = [Image.open(img_path) for img_path in df["file_name"]]
inputs = processor(text=df["text"].tolist(), images=images, return_tensors="pt", padding=True)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
probs = logits_per_image.softmax(dim=1)  # we can take the softmax to get the probabilities

probs

from torch.utils.data import Dataset, DataLoader

class CustomDataset(Dataset):
    def __init__(self, df, processor):
        self.texts = df["text"].tolist()
        self.images = [Image.open(img_path) for img_path in df["file_name"]]
        self.processor = processor

    def __len__(self):
        return len(self.texts)

    def __getitem__(self, idx):
        inputs = self.processor(text=self.texts[idx], images=self.images[idx], return_tensors="pt", padding=True)
        return inputs

dataset = CustomDataset(df, processor)
dataloader = DataLoader(dataset, batch_size=8)

for batch in dataloader:
    outputs = model(**batch)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1)
    print(probs)

import torch
from diffusers import StableDiffusionPipeline

torch.manual_seed(1)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v-1-4", torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒"
negative_prompt = "丑陋、变形、嘈杂、模糊、低对比度"
guidance_scale = 4
num_inference_steps = 50

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=guidance_scale,
    num_inference_steps=num_inference_steps,
    height=1024,
    width=1024,
).images[0]

image.save("example_image.png")
image

from PIL import Image

torch.manual_seed(1)
image = pipe(
    prompt="二次元，日系动漫，演唱会的观众席，人山人海，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，舞台上衣着华丽的歌星们在唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("1.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("2.jpg")

torch.manual_seed(2)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙坐在演唱会的观众席，露出憧憬的神情",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，色情擦边",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("3.jpg")

torch.manual_seed(5)
image = pipe(
    prompt="二次元，一个紫色短发小女孩穿着粉色吊带漏肩连衣裙，对着流星许愿，闭着眼睛，十指交叉，侧面",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度，扭曲的手指，多余的手指",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("4.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，一个紫色中等长度头发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("5.jpg")

torch.manual_seed(1)
image = pipe(
    prompt="二次元，一个紫色长发小女孩穿着粉色吊带漏肩连衣裙，在练习室练习唱歌，手持话筒",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("6.jpg")

torch.manual_seed(7)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色连衣裙，试衣间，心情忐忑",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("7.jpg")

torch.manual_seed(0)
image = pipe(
    prompt="二次元，紫色长发少女，穿着黑色礼服，连衣裙，在台上唱歌",
    negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
    cfg_scale=4,
    num_inference_steps=50, height=1024, width=1024,
)
image.save("8.jpg")

import numpy as np
from PIL import Image


images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
image = np.concatenate([
    np.concatenate(images[0:2], axis=1),
    np.concatenate(images[2:4], axis=1),
    np.concatenate(images[4:6], axis=1),
    np.concatenate(images[6:8], axis=1),
], axis=0)
image = Image.fromarray(image).resize((1024, 2048))
image

代码的主体架构

• 数据预处理与转换：

  • 使用 MsDataset 加载数据集并保存为指定格式的图片和元数据文件。
  • 使用 data_juicer 对数据集进行预处理和过滤，输出到指定的路径。

• 模型加载与使用：

  • 使用 CLIP 模型（OpenAI 的 Vision Transformer）加载图片和文本处理器 CLIPProcessor 和 CLIPModel。
  • 将数据集包装成自定义的 CustomDataset 类，并使用 DataLoader 加载数据批次，用于模型输入。

• 图像生成：

  • 使用 StableDiffusionPipeline 生成基于文本描述的图像，通过不同的种子和参数调整生成多个图像。

• 图像拼接与展示：

  代码功能

  • 将生成的多个图像拼接成一张大图，并展示在最后

• 安装和卸载一些Python包。

• 从ModelScope加载一个名为lowres_anime的数据集，并保存图像到指定目录。

• 创建并处理一个用于数据清洗的JSONL文件。

• 使用data-juicer工具过滤和处理数据集。

• 将处理后的数据集转换为CSV格式。

• 根据数据集通过DiffSynth做Lora微调

• 加载Lora微调后的模型

• 设置提示词，用微调后的模型生成图片

• # 安装 Data-Juicer 和 DiffSynth-Studio
  !pip install simple-aesthetics-predictor # 安装simple-aesthetics-predictor
  !pip install -v -e data-juicer # 安装data-juicer
  !pip uninstall pytorch-lightning -y # 卸载pytorch-lightning
  !pip install peft lightning pandas torchvision # 安装 peft lightning pandas torchvision
  !pip install -e DiffSynth-Studio # 安装DiffSynth-Studio
  
  # 从魔搭数据集中下载数据集AI-ModelScope/lowres_anime
  from modelscope.msdatasets import MsDataset  #引入数据集模块msdatasets
  ds = MsDataset.load(
      'AI-ModelScope/lowres_anime',
      subset_name='default',
      split='train',
      cache_dir="/mnt/workspace/kolors/data" # 指定缓存目录
  ) # 从魔搭数据集中下载数据集AI-ModelScope/lowres_anime，赋值给参数ds
  
  # 生成数据集
  import json, os # 导入json和os模块
  from data_juicer.utils.mm_utils import SpecialTokens # 导入SpecialTokens
  from tqdm import tqdm # 导入tqdm进度条管理
  os.makedirs("./data/lora_dataset/train", exist_ok=True) # 创建文件夹./data/lora_dataset/train
  os.makedirs("./data/data-juicer/input", exist_ok=True) # 创建文件夹./data/data-juicer/input
  with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
      for data_id, data in enumerate(tqdm(ds)): # 遍历数据集ds
          image = data["image"].convert("RGB") # 将数据集的图片转换为RGB
          image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg") # 保存数据集的图片
          metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]} # 生成当前图片的索引数据
          f.write(json.dumps(metadata)) # 将索引数据写入文件./data/data-juicer/input/metadata.jsonl
          f.write("\n")
  
  # 配置data-juicer，并进行数据筛选过滤
  # 配置过滤的规则
  data_juicer_config = """
  # global parameters
  project_name: 'data-process' # 名称
  dataset_path: './data/data-juicer/input/metadata.jsonl'  # 你前面生成的数据的索引文件
  np: 4  # 线程数
  
  text_keys: 'text' # 文件./data/data-juicer/input/metadata.jsonl的描述的字段名
  image_key: 'image' # 文件./data/data-juicer/input/metadata.jsonl的图片字段名
  image_special_token: '<__dj__image>'
  
  export_path: './data/data-juicer/output/result.jsonl' # 筛选通过的图片结果保存的的索引文件
  
  # process schedule
  # a list of several process operators with their arguments
  # 过滤的规则
  process:
      - image_shape_filter: # 图片尺寸过滤
          min_width: 1024 # 最小宽度1024
          min_height: 1024 # 最小高度1024
          any_or_all: any # 符合前面条件的图片才会被保留
      - image_aspect_ratio_filter: # 图片长宽比过滤
          min_ratio: 0.5 # 最小长宽比0.5
          max_ratio: 2.0 # 最大长宽比2.0
          any_or_all: any # 符合前面条件的图片才会被保留
  """
  
  # 保存data-juicer配置到data/data-juicer/data_juicer_config.yaml
  with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
      file.write(data_juicer_config.strip())
  # data-juicer开始执行数据筛选
  !dj-process --config data/data-juicer/data_juicer_config.yaml
  
  
  # 通过前面通过data-juicer筛选的图片索引信息./data/data-juicer/output/result.jsonl，生成数据集
  import pandas as pd # 导入pandas
  import os, json # 导入os和json
  from PIL import Image # 导入Image
  from tqdm import tqdm # 导入tqdm进度条管理
  texts, file_names = [], [] # 定义两个空列表，分别存储图片描述和图片名称
  os.makedirs("./data/lora_dataset_processed/train", exist_ok=True) # 创建文件夹./data/lora_dataset_processed/train
  with open("./data/data-juicer/output/result.jsonl", "r") as file: # 打开前面data-juicer筛选的图片索引文件./data/data-juicer/output/result.jsonl
      for data_id, data in enumerate(tqdm(file.readlines())): # 遍历文件./data/data-juicer/output/result.jsonl
          data = json.loads(data) # 将json字符串转换为对象
          text = data["text"] # 获取对象中的text属性，也就是图片的描述信息
          texts.append(text) # 将图片的描述信息添加到texts列表中
          image = Image.open(data["image"][0]) # 获取对象中的image属性，也就是图片的路径,然后用这个路径打开图片
          image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg" # 生成保存图片的路径
          image.save(image_path) # 将图片保存到./data/lora_dataset_processed/train文件夹中
          file_names.append(f"{data_id}.jpg") # 将图片名称添加到file_names列表中
  data_frame = pd.DataFrame() # 创建空的DataFrame
  data_frame["file_name"] = file_names # 将图片名称添加到data_frame中
  data_frame["text"] = texts # 将图片描述添加到data_frame中
  data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig") # 将data_frame保存到./data/lora_dataset_processed/train/metadata.csv
  data_frame # 查看data_frame
  
  
  # 下载可图模型
  from diffsynth import download_models # 导入download_models
  download_models(["Kolors", "SDXL-vae-fp16-fix"]) # 下载可图模型
  # DiffSynth-Studio提供了可图的Lora训练脚本，查看脚本信息
  !python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py -h
  
  
  # 执行可图Lora训练
  import os
  cmd = """
  python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \ # 选择使用可图的Lora训练脚本DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py
    --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \ # 选择unet模型
    --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \ # 选择text_encoder
    --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \ # 选择vae模型
    --lora_rank 16 \ # lora_rank 16 表示在权衡模型表达能力和训练效率时，选择了使用 16 作为秩，适合在不显著降低模型性能的前提下，通过 LoRA 减少计算和内存的需求
    --lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度
    --dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型
    --output_path ./models \ # 指定输出路径，用于保存模型
    --max_epochs 1 \ # 设置最大训练轮数为 1
    --center_crop \ # 启用中心裁剪，这通常用于图像预处理
    --use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存
    --precision "16-mixed" # 指定训练时的精度为混合 16 位精度（half precision），这可以加速训练并减少显存使用
  """.strip()
  os.system(cmd) # 执行可图Lora训练
  
  
  # 加载lora微调后的模型
  from diffsynth import ModelManager, SDXLImagePipeline # 导入ModelManager和SDXLImagePipeline
  from peft import LoraConfig, inject_adapter_in_model # 导入LoraConfig和inject_adapter_in_model
  import torch # 导入torch
  # 加载LoRA配置并注入模型
  def load_lora(model, lora_rank, lora_alpha, lora_path):
      lora_config = LoraConfig(
          r=lora_rank, # 设置LoRA的秩(rank)
          lora_alpha=lora_alpha, # 设置LoRA的alpha值，控制LoRA的影响权重
          init_lora_weights="gaussian", # 初始化LoRA权重为高斯分布
          target_modules=["to_q", "to_k", "to_v", "to_out"], # 指定要应用LoRA的模块
      )
      model = inject_adapter_in_model(lora_config, model) # 将LoRA配置注入到模型中
      state_dict = torch.load(lora_path, map_location="cpu") # 加载LoRA微调后的权重
      model.load_state_dict(state_dict, strict=False) # 将权重加载到模型中，允许部分权重不匹配
      return model # 返回注入LoRA后的模型
  # 加载预训练模型
  model_manager = ModelManager(
      torch_dtype=torch.float16, # 设置模型的数据类型为float16，减少显存占用
      device="cuda", # 指定使用GPU进行计算
      file_path_list=[
          "models/kolors/Kolors/text_encoder", # 文本编码器的路径
          "models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors", # UNet模型的路径
          "models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors" # VAE模型的路径
      ]
  )
  # 初始化图像生成管道
  pipe = SDXLImagePipeline.from_model_manager(model_manager) # 从模型管理器中加载模型并初始化管道
  # 加载并应用LoRA权重到UNet模型
  pipe.unet = load_lora(
      pipe.unet, 
      lora_rank=16, # 设置LoRA的秩(rank)，与训练脚本中的参数保持一致
      lora_alpha=2.0, # 设置LoRA的alpha值，控制LoRA对模型的影响权重
      lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt" # 指定LoRA权重的文件路径
  )
  
  
  # 生成图像
  torch.manual_seed(0) # 设置随机种子，确保生成的图像具有可重复性。如果想要每次生成不同的图像，可以将种子值改为随机值。
  image = pipe(
      prompt="二次元，一个紫色短发小女孩，在家中沙发上坐着，双手托着腮，很无聊，全身，粉色连衣裙", # 设置正向提示词，用于指导模型生成图像的内容
      negative_prompt="丑陋、变形、嘈杂、模糊、低对比度", # 设置负向提示词，模型会避免生成包含这些特征的图像
      cfg_scale=4, # 设置分类自由度 (Classifier-Free Guidance) 的比例，数值越高，模型越严格地遵循提示词
      num_inference_steps=50, # 设置推理步数，步数越多，生成的图像细节越丰富，但生成时间也更长
      height=1024, width=1024, # 设置生成图像的高度和宽度，这里生成 1024x1024 像素的图像
  )
  image.save("1.jpg") # 将生成的图像保存为 "1.jpg" 文件
  
  
  # 图像拼接，展示总体拼接大图
  import numpy as np  # 导入numpy库，用于处理数组和数值计算
  from PIL import Image  # 导入PIL库中的Image模块，用于图像处理
  images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]  # 读取1.jpg到8.jpg的图像，转换为numpy数组，并存储在列表images中
  image = np.concatenate([  # 将四组图像在垂直方向上拼接
      np.concatenate(images[0:2], axis=1),  # 将第1组（images[0:2]）的两张图像在水平方向上拼接
      np.concatenate(images[2:4], axis=1),  # 将第2组（images[2:4]）的两张图像在水平方向上拼接
      np.concatenate(images[4:6], axis=1),  # 将第3组（images[4:6]）的两张图像在水平方向上拼接
      np.concatenate(images[6:8], axis=1),  # 将第4组（images[6:8]）的两张图像在水平方向上拼接
  ], axis=0)  # 将四组拼接后的图像在垂直方向上拼接
  image = Image.fromarray(image).resize((1024, 2048))  # 将拼接后的numpy数组转换为图像对象，并调整大小为1024x2048像素
  image  # 输出最终生成的图像对象，用于显示图像
  

  Part3：实战演练-天使与恶魔的交锋

• 提示词

• 图片编号	场景描述	正向提示词	反向提示词
  图片1	天使女王坐在王座上	古风，一个银色长发的天使女王，坐在雕刻精美的金色王座上，神情威严而庄重，上半身，穿着金色刺绣的华丽长袍，背后展开的翅膀泛着微光，背景为高耸的宫殿大殿，阳光从窗户洒入，王座周围有轻纱垂下	丑陋、变形、嘈杂、现代、低对比度、暗淡、普通椅子、廉价衣服、无翼、拥挤背景
  图片2	天使女王与她的妹妹发生了冲突	古风，天使女王与她的妹妹激烈争吵，全身镜头，天使女王怒目而视，手握权杖，银色长发随风飘动；她的妹妹则目光坚定，身穿蓝色长袍，手指着女王，背景为宫殿内堂，两侧雕像威严，气氛紧张。	平和、友好、微笑、现代、模糊、低对比度、暗淡色彩、普通服装、拥挤背景、无权杖
  图片3	天使的妹妹变成了恶魔女王	古风，天使女王的妹妹化身为恶魔女王，全身镜头，紫色的长发变得狂野，眼中闪烁着红光，黑色的翅膀从背后展开，身穿深红色的恶魔铠甲，表情冷酷，背景为被火焰吞噬的宫殿废墟，地面上有裂缝，火光四射。	温柔、天使、光明、模糊、低对比度、淡色服装、无火焰、完整宫殿、无裂缝、无红光
  图片4	恶魔女王组织自己的军队	古风，恶魔女王站在高台上，指挥着她的恶魔军队，全身镜头，身穿黑色铠甲，手持镶嵌红宝石的长剑，背后的黑色翅膀张开，周围的恶魔士兵列队整齐，背景为漆黑的天空与燃烧的战旗，气氛紧张而肃杀。	无铠甲、无武器、轻松、和谐、模糊、低对比度、明亮天空、普通服装、无军队、无旗帜
  图片5	天使与恶魔交战	古风，天使军团与恶魔军团在战场上激烈交战，全景镜头，天使们在空中挥舞着闪耀的长剑，身穿金色盔甲，恶魔们则手持燃烧的武器，发出低吼声，背景为燃烧的战场，火焰与灰烬在空中飞舞，气氛紧张激烈。	和平、静止、无战斗、无武器、模糊、低对比度、普通服装、无火焰、无灰烬、无紧张感
  图片6	天使女王战败	古风，天使女王倒在地上，身受重伤，全身镜头，银色的长发散乱，金色的长袍破碎不堪，翅膀受损，身旁的长剑已经断裂，背景为战场的废墟，天空灰暗，乌云密布，远处的恶魔军队在欢呼。	胜利、完整、光明、模糊、低对比度、整洁长袍、无损伤、无翅膀、无武器、晴朗天空、平静环境
  图片7	恶魔女王很伤心	古风，恶魔女王独自一人坐在高台上，手中握着一朵凋零的花，全身镜头，紫色长发垂落，神情忧伤，黑色的铠甲显得格外沉重，背景为破败的宫殿，残破的墙壁上爬满了藤蔓，黄昏的光芒透过破碎的窗户洒在她的脸上。	快乐、笑容、明亮、模糊、低对比度、完好花朵、无藤蔓、完整墙壁、无窗户、无伤感
  图片8	恶魔女王成为了新的天使女王	古风，恶魔女王化身为新的天使女王，站在王座前，全身镜头，紫色长发变为银白色，黑色铠甲逐渐转变为纯白色长袍，背后的翅膀变为纯净的白色，神情坚定而慈祥，背景为光明再现的宫殿，阳光透过彩色玻璃照耀在她身上，象征新的希望。	无转变、黑暗、模糊、低对比度、无光明、无翅膀、普通服装、无王座、无彩色玻璃、无希望

• 结果展示

•