blombooru
Blombooru es una plataforma auto-alojada estilo booru para organizar colecciones privadas de medios. Utiliza FastAPI, PostgreSQL y Redis, con soporte nativo para Docker y aceleración CUDA.
Ficha actualizada 21 sept 2026, 22:10 · upstream 21 sept 2026, 22:10 · release v1.40.1
Qué es blombooru
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Blombooru es una aplicación web moderna diseñada para gestionar colecciones personales de imágenes y videos, inspirada en plataformas como Danbooru. Está construida sobre FastAPI con Python y utiliza una interfaz desarrollada con Tailwind CSS, ofreciendo una experiencia responsive tanto en escritorio como en móviles. La arquitectura se basa en PostgreSQL para el almacenamiento persistente de datos y metadatos, complementado por Redis para la gestión eficiente de caché en consultas complejas y autocompletado.
El sistema destaca por su enfoque en la privacidad y el control total del usuario, permitiendo la organización mediante álbumes anidados, relaciones padre-hijo entre medios y un potente sistema de etiquetas. Incluye integraciones nativas con herramientas de generación de IA como ComfyUI o SwarmUI para visualizar metadatos y prompts directamente en la interfaz. Además, ofrece compatibilidad con la API Danbooru v2, facilitando su uso con clientes externos como Grabber o Tachiyomi.
Para el despliegue, el proyecto prioriza contenedores Docker, proporcionando imágenes optimizadas para hardware estándar y aceleración CUDA mediante Nvidia. El proceso de instalación es sencillo, requiriendo solo la configuración de variables de entorno en un archivo .env y la ejecución de docker compose up -d. La aplicación incluye paneles de administración robustos para gestión de etiquetas, importación de CSVs y reparación de miniaturas.
- Gestión privada de colecciones personales de imágenes y videos con sistema de tagging avanzado.
- Importación automática de medios desde otras boorus mediante URL, extrayendo metadatos y archivos.
- Integración con flujos de trabajo de IA para visualizar prompts y generar etiquetas automáticas vía WDv3.
- Compartición segura de medios específicos mediante enlaces persistentes con vista simplificada.
- Compatibilidad nativa con la API Danbooru v2 para integración con clientes externos.
- Sistema de tagging robusto con categorías, exclusiones negativas y relaciones implícitas entre etiquetas.
- Soporte para aceleración CUDA en imágenes pre-compiladas para procesamiento rápido de IA.
- Personalización temática flexible mediante variables CSS y archivos adicionales en la carpeta themes.
- El despliegue recomendado requiere Docker, lo que puede limitar su uso en entornos sin contenedores.
- La configuración inicial de PostgreSQL y Redis debe realizarse manualmente a través de variables de entorno.
- No incluye autenticación OAuth integrada por defecto para federación con otros servicios.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Utilizar la imagen Docker 'latest' con un archivo .env configurado. Asignar mínimo 4 núcleos CPU y 8 GB de RAM. Montar volúmenes para data (configuración) y media/original (archivos). Para GPU, usar la imagen 'latest-cuda' y el archivo hwaccel.yml.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.