别让旧平板吃灰！极空间上部署这个Docker，每天自动推送回忆照片

这，是我极空间Z4 Pro+性能版里面的相册，极相册的AI分析、搜索是我非常喜欢的功能，想找什么照片直接用自然语言描述就行，我也一直开着自动同步，将手机上新增的照片同步到极空间里面。

虽然说极空间中还有今日精选推荐照片；也能以幻灯片的形式进行播放。我们每次都需要在电脑、手机、电视上打开极空间APP才能看到系统推荐的照片。

久而久之，虽然开着相册同步，虽然开着今日精选推荐，但很少会去看一眼，关键是少了一个能显示每天推荐照片的载体。

诶？旧手机？旧平板？如果有一个应用可以分析咱们同步到极空间中的照片，并生成推荐理由之类的，推送到手机和平板上，这不就是一个回忆电子相框了么？

我有一台iPad Pro 9.7英寸一代，性能放到现在不能说没用吧，只能说当个泡面盖还行。那既然这样，岂不是可以将其改造成一款数字相框呢？反正放着也是放着。

iPad Pro 9.7改造成相框这个咱们就不多说了，就是去买一个符合自己平板尺寸的相框，用胶粘起来就行；不想深度改造的就一直插着电就行，如果担心用电安全的，也能搭配智能插座以及苹果的快捷指令实现低电量自动充电；当然如果你动手能力特别强，也能取掉电池改成直供电的形式。我这里就是搭配的智能插座实现低电量自动充电。

那iPad Pro改造成了电子相框，但是NAS中相册的数据如何才能推送到平板上呢？

我这看到了Github上的一个项目【InkTime · 墨水屏回忆相框】，这个就是对NAS相册中的数据进行分析，然后推送到墨水屏中。只是咱们的需求是在平板上显示，我去掉墨水屏部分内容。

根据Github上开源的这个【InkTime · 墨水屏回忆相框】项目，我这里自己coding了一个新的，区别于【InkTime · 墨水屏回忆相框】，咱们只需要用平板访问就能显示，并且还加入了云端API分析——【xiangyi·相忆】

部署过程

咱们这使用极空间Z4 Pro+性能版进行部署，N305处理器，16G D5内存。我原本是想用在极空间本地跑视觉模型来分析照片的，但N系列处理器跑视觉模型还是有点太吃力了。

那干脆将照片的分析识别放到其它性能更强的设备或者使用云端API来分析，咱们极空间本地就跑服务端和前端就行，这样即使用其它性能更低的极空间设备，跑起来也完全没有压力。日常CPU、内存占用都非常小！

services: xiangyi: build: . image: ghcr.io/hongjiahao371-pixel/xiangyi:latest container_name: xiangyi ports: - "8780:8080" volumes: # NAS 数据根目录（只读），用于浏览和选择照片文件夹 - 替换成你自己的目录:/nas_data:ro # SQLite 数据库（可读写） - 替换成你自己的目录:/data environment: - XIANGYI_DB=/data/photos.db - XIANGYI_PHOTO_BASE=/nas_data - PORT=8080 restart: unless-stopped

咱们部署在NAS上的只是前端以及服务端，分析照片还得通过大模型来进行。

我这个项目里面有两种分析照片的模式可选：Ubuntu本地计算、云端api计算。

# 1) 建独立 venv，避免污染系统 python python3 -m venv ~/xiangyi-venv && source ~/xiangyi-venv/bin/activate # 2) torch 必须按 CUDA 版本装，否则会装成 CPU 版（这是最常踩的坑） pip install torch --index-url https://download.pytorch.org/whl/cu121 # cu118 / cu124 按你实际驱动选：nvidia-smi 里看 CUDA Version # 3) 装其余依赖（torch/transformers/qwen-vl-utils/bitsandbytes） pip install -r gpu_server/requirements.txt # 国内加速（可选，强烈建议） export HF_ENDPOINT=https://hf-mirror.com # /etc/fstab 加一行（uid/gid 换成 GPU 机器上的用户） //换成自己的nas IP/挂载的图片文件夹路径 /mnt/nas-photos cifs credentials=/etc/cifs-creds,uid=1000,gid=1000,iocharset=utf8,vers=3.1.1 0 0 #需要注意下映射的关系： NAS 容器里：/nas_data/... GPU 机器上：/mnt/nas-photos/... 比如：NAS 上照片是 /nas_data/2023/2023-06-22/IMG_001.jpg，GPU 机器上对应 /mnt/nas-photos/2023/2023-06-22/IMG_001.jpg。相忆分析时会按 direct_nas_path → direct_server_path 做路径替换。 #跑服务（systemd 常驻） # 1) 把 gpu_server 目录拷过去 cp -r gpu_server ~/xiangyi/ # 2) 装 systemd unit 并启用 sudo cp ~/xiangyi/gpu_server/xiangyi-analyzer.service /etc/systemd/system/ sudo systemctl daemon-reload sudo systemctl enable --now xiangyi-analyzer # 3) 验证 sudo systemctl status xiangyi-analyzer # 日志里看到 [Xiangyi] Model loaded. 就成了

首先是ubuntu本地服务器计算，这需要本地的服务器有N卡独显，我这使用的是Qwen2.5-VL-7B 模型，用了一张16G显存的N卡，基本上能够做到几秒到十几秒一张图，还是很快的，如果纯CPU的话，可能跑一张图需要几分钟，建议有闲置N卡的用户可以使用这个方案。

服务跑起来之后，我们需要在设置页面切换到本地模式，填写服务器的相关设置

如果你不会，可以使用kimi code、minimax code、zcode等agent工具，让它们帮你弄一下，具体的操作我都放在README里面了。我这边呢也把整个项目全部放在了Github上面。

那有的小伙伴可能会说：本地强劲的算力我没有，但是我薅了一些免费的tokens，能用上么？

咱们这提供了云端API选项，填入openai兼容的base url以及api key，测试连接后拉取模型，选择具有图像识别能力的模型。咱们这以minimax为例，填入minimax 兼容openai的base url、api key，测试连接后拉取模型，咱们这选择的是MiniMax-M3模型，选择之后会自动保存。

翻到最下方的分析板块，当有新增照片需要分析时便会使用MiniMax-M3模型进行分析。