什么值得买App下载 App ›
连续签到专享现金活动

照片管理新选择:探索高效的照片分类与标签技巧,让回忆触手可及

03-20 16:10

你现在家里照片管理如果是这个状态:

  • - 手机里一份

  • - 微信聊天里一堆压缩图

  • - iCloud(或其他云盘)又一份

  • - NAS 里还有“最终版”

那你遇到的问题不是“容量不够”,而是操作不变功能不全。真正难受的是:

1) 找图慢;

2) 备份链条不闭环;

3) 换平台迁移成本高。

这篇直接给你一套可落地方案:Immich + Docker Compose,并且把你关心的重点讲透:

  • - 如何启用机器学习识别人脸与场景;

  • - 展示参考配置: i3-10100 / 16G / 1TB SSD 上怎么配更稳;

  • - 哪些参数可以照抄,哪些不要乱改。

展示适用环境:Ubuntu 22.04 LTS、Intel i3-10100、16GB DDR4、1TB SSD、Docker Compose。

一、先说结论:Immich 的“识别能力”怎么来的?

很多人会问:要不要接 OpenAI / GPT 才能识别人脸和场景?

答案:不需要。

Immich 的识别能力来自它自己的 immich-machine-learning 服务(本地视觉模型),不是把你的照片丢给外部对话大模型。

你要的两个能力分别是:

- 人脸识别:按人物聚合相册;

- 智能场景检索(Smart Search):比如搜“海边、狗、日落、草地”等语义关键词。

对家庭私有相册来说,这种本地模型路线有三个好处:

1) 隐私边界更清晰;

2) 长期成本更可控;

3) 不依赖公网 API 稳定性。

为什么采用视觉模型而不是通用大模型?

视觉模型是“专用工具”,大模型是“通用工具”。在 Immich 这种高频图像索引场景,专用工具更快、更省、更稳、更安全,更易于后期维护,私密性更高。

二、你的硬件能不能跑?

这套参考配置(i3-10100 + 16G + SSD)可以跑通并长期使用,但要注意一个现实:

- 首次全量识别(尤其是历史照片很多时)会比较吃 CPU;

- 机器学习任务建议放到低峰(夜间)跑;

- 先跑“稳定可用”,再追“极限性能”。

别上来就卷高并发,不然风扇和噪音会先教育你。

CPU可用性说明:

最低可用:2C/4T(能跑,但慢,可用)

实用起步1:4C/4T(能跑,好多了,可用)

实用起步2:4C/8T(推荐,快速,可用)

舒适档:6C/12T 以上(首次全量建索引快很多)

高图库建议:8C/16T 或加 GPU(几十万图时明显更稳)

三、推荐目录规划(后续维护不乱)

shell命令

sudo mkdir -p /opt/immich

sudo mkdir -p /data/immich/library

sudo mkdir -p /data/immich/postgres

sudo mkdir -p /data/immich/model-cache

sudo mkdir -p /data/immich/backups

sudo chown -R $USER:$USER /opt/immich /data/immich

说明:

  • - /opt/immich:放 compose 与 .env

  • - /data/immich/library:照片视频主库

  • - /data/immich/postgres:数据库数据

  • - /data/immich/model-cache:机器学习模型缓存

  • - /data/immich/backups:备份文件

四、可直接用的 Docker Compose(含 ML)

下面是家庭场景“先跑通”的稳定模板。

记得更改其中的用户名和密码!!!

yaml

version: "3.8"

services:

immich-server:

image: ghcr.io/immich-app/immich-server:release

container_name: immich_server

depends_on:

- immich-postgres

- redis

- immich-machine-learning

ports:

- "2283:2283"

environment:

TZ: Asia/Shanghai

DB_HOSTNAME: immich-postgres

DB_USERNAME: postgres

DB_PASSWORD: immichpass

DB_DATABASE_NAME: immich

REDIS_HOSTNAME: redis

IMMICH_MACHINE_LEARNING_URL: http://immich-machine-learning:3003

volumes:

- /data/immich/library:/usr/src/app/upload

restart: always

immich-machine-learning:

image: ghcr.io/immich-app/immich-machine-learning:release

container_name: immich_machine_learning

environment:

TZ: Asia/Shanghai

MACHINE_LEARNING_WORKERS: 1

MACHINE_LEARNING_REQUEST_THREADS: 2

MACHINE_LEARNING_MODEL_INTER_OP_THREADS: 1

MACHINE_LEARNING_MODEL_INTRA_OP_THREADS: 2

MACHINE_LEARNING_MODEL_TTL: 300

volumes:

- /data/immich/model-cache:/cache

restart: always

immich-postgres:

image: postgres:16

container_name: immich_postgres

environment:

POSTGRES_USER: postgres

POSTGRES_PASSWORD: immichpass

POSTGRES_DB: immich

volumes:

- /data/immich/postgres:/var/lib/postgresql/data

restart: always

redis:

image: redis:7

container_name: immich_redis

restart: always

启动:

shell命令

cd /opt/immich

docker compose up -d

访问:

在浏览器输入以下网址,记得替换你的服务器IP地址为你的实际IP地址。

http://你的服务器IP:2283

照片管理新选择:探索高效的照片分类与标签技巧,让回忆触手可及

五、你关心的“具体模型”推荐(直接给结论)

先用这一套,稳定优先:

- 人脸识别模型:`buffalo_l`

- 场景语义检索模型(CLIP):`ViT-B-32__openai`

如果后续你觉得场景识别不够准,再升级:

- ViT-L-14__openai(更准,但更吃资源)

经验建议:先把默认中档跑通,别上来就拉满大模型。

文本语义搜索/场景搜索模型列表

ViT-SO400M-16-SigLIP2-384__webli

ViT-SO400M-14-SigLIP2-378__webli

ViT-gopt-16-SigLIP2-384__webli

ViT-SO400M-16-SigLIP2-512__webli

ViT-H-14-378-quickgelu__dfn5b

ViT-L-16-SigLIP2-512__webli

ViT-SO400M-16-SigLIP2-256__webli

ViT-SO400M-14-SigLIP2__webli

ViT-gopt-16-SigLIP2-256__webli

ViT-L-16-SigLIP2-384__webli

ViT-H-14-quickgelu__dfn5b

ViT-L-16-SigLIP2-256__webli

ViT-B-16-SigLIP2__webli

ViT-SO400M-14-SigLIP-384__webli

ViT-L-16-SigLIP-384__webli

ViT-L-16-SigLIP-256__webli

ViT-B-16-SigLIP-512__webli

nllb-clip-large-siglip__v1

nllb-clip-large-siglip__mrl

ViT-B-16-SigLIP-384__webli

ViT-L-14-quickgelu__dfn2b

XLM-Roberta-Large-ViT-H-14__frozen_laion5b_s13b_b90k

ViT-H-14__laion2b-s32b-b79k

ViT-B-32-SigLIP2-256__webli

六、后台配置路径(避免“装好了但没识别”)

很多人部署成功后说“怎么没识别人脸”,根因是没开任务。

管理员登录 Immich Web 后台后,按顺序做:

1. Settings / Machine Learning

- 开启人脸检测/识别

- 开启 Smart Search

2. Administration / Jobs

手动触发一次全量任务:

- 人脸检测相关作业

- 人脸特征提取/聚合作业

- 智能搜索(向量)作业

3. 等待索引完成

- 照片多时会比较久

- 建议夜间执行

七、如何验证“识别已经生效”

你可以用这三条快速验收:

1. 人物聚类是否出现

- People 页面能看到自动分组

2. 场景关键词能否命中

- 搜索关键词示例:

dog / beach / sunset / car /日出 / 旅游 /汽车 /美食 /笑脸 /二维码 /电脑

3. 机器学习容器是否健康

shell 命令

docker logs -f immich_machine_learning

看有没有持续报错;首次下载模型会有下载日志,属正常。

八、性能调优(i3-10100 / 16G 实战基准)

1)并发别开太大

并发配置建议维持:

- WORKERS=1

- REQUEST_THREADS=2

先保证稳定,再加速。

2)模型缓存放 SSD

/data/immich/model-cache 放 SSD 会明显减少重复加载成本。

3)错峰跑作业

首次全量识别最重,放夜间跑,白天体验更平稳。

4)先跑 CPU,再考虑硬件加速

如果后续图量很大再评估 GPU/OpenVINO,不要先把系统复杂度拉爆。

九、常见坑位(提前避坑)

坑 1:缺少 machine-learning 服务

症状:照片能看,但人脸/场景搜索一直没有结果。

解法:确认 compose 里有 immich-machine-learning,且 server 已指向 IMMICH_MACHINE_LEARNING_URL。

坑 2:只重启没重建

你改了 .env 或 compose 关键参数后,只 restart 有时不生效。

解法:

shell命令

docker compose down

docker compose up -d

坑 3:数据库和媒体路径混乱

后续迁移时容易炸。

解法:从一开始就把库、DB、缓存分目录。

十、给家庭用户的最终建议

你如果是“先要稳定可用”的路线,照这个顺序做:

1. 按本文 compose 跑通;

2. 先用 buffalo_l + ViT-B-32__openai;

3. 夜间跑完首次全量识别;

4. 再考虑是否要提高精度档位。

别追求第一天就“最强”,长期稳定和可维护才是家庭相册方案的核心。

一句话总结:先跑通,再优化;先稳定,再提精度。

作者声明本文无利益相关,欢迎值友理性交流,和谐讨论~

评论 7

castock用户头像挂件

求教大佬:群晖docker compose安装,没开任何硬件加速,选择“XLM-Roberta-Large-Vit-B-16Plus”+“antelopev2”模型,其他正常(包括人脸识别也正常),但无法使用智能搜索(中英文搜索都不行)。 web界面报错:“错误 Failed to search smart (Immich Server Error)” immich_server日志: “Error: Machine learning request '{"clip":{"textual":{"modelName":"XLM-Roberta-Large-Vit-B-16Plus","options":{"language":"zh-CN"}}}}' failed for all URLs” immich_machine_learning日志,报错: “…… RuntimeException: [ONNXRuntimeError] : 6 : RUNTIME_EXCEPTION : Exception during initialization: filesystem error: cannot get file size: No such file or directory [/cache/clip/XLM-Roberta-Large-Vit-B-16Plus/textual /transformer.embeddings.word_embeddings.weight] ……” 不知哪里出了问题啊? [皱眉]

江苏
sweetskys

你的模型文件是不是没有提前下载,或者是下载不完整?

江苏
castock

谢谢大佬指点,可能是这个原因。接着查资料,总算在群晖中安装好了git-lfs,但下载大模型时又报错“error:0A000126:SSL routines::unexpected eof while reading”,确保在科学环境也仍不行

江苏

没有更多了