开源 AI 相册 Immich 安装记录

技术 · 25 天前 · 133 人浏览

目录

讲故事

  • 电脑上有特别多照片，大概几个 T，之前就简单地存在硬盘里，用文件夹整理了一下。照片看肯定是看不过来的，想找也不知道要怎么找。
  • 起初试了很多 Windows 本地安装的照片管理软件，感觉没啥好的。我想着至少能找到苹果相册那样水平的软件，但可惜没有。
  • 最后选中了两个支持人脸识别分类的软件：Lightroom 和 Picasa。
    • Lightroom 众所周知是个庞大的商业软件，启动时间很长，处理大量照片很卡。它虽然有人脸识别分类功能，但毕竟不是以相册为目的设计的，不适合作为一个相册来使用。
    • 最后在选择有限的情况下，最好的选择就是 Picasa。它是 Google 在很久以前推出的免费相册软件，支持人脸识别分类，启动很快，使用流畅。它会生成预览图保存到数据库，从而使得快速翻阅照片的时候基本上不用等待图片加载。它的人脸相册整理方便流畅，还能使用包含人脸的照片生成回忆影片。虽然但是，它在很多年前就停止支持了。它曾经能够使用的照片上传云服务转变为了现在的 Google Photos，软件也不再更新。它在如今的 Windows 11 上仍能正常使用，唯一缺少的就是 hidpi 适配。
  • 人脸识别相册的算法还是能经常给人惊喜的，偶尔会突然发现它识别出来一张特别模糊或者角度很偏的人脸，但分类居然还是对的。
  • 扯得有点远了，反正我就很开心地用了蛮久 Picasa，直到有一天。那天我觉得 Picasa 虽然能满足我人脸识别分类的需求，但并没有多少别的整理功能。如果我想根据时间或者内容或者地点查找照片，还是需要自己手动翻阅一大堆照片，配合记忆来搜索。它作为一个原生 win32 软件，只能在电脑上本地运行，离开了电脑没法看到照片。它也不能帮助我保护照片安全，备份频率决定了意外发生时我会丢多少照片，我仍旧需要每隔一段时间自己把手机、iPad 等设备上的照片手动导入到电脑，然后启动 Picasa 让它扫描。

为什么选择 Immich

  • 于是我决定搭建一个照片服务器。根据多方信息进行对比，我认为用户评价较好、完成度较高的照片服务器应用有以下几款：
    • Immich：开源免费，捐赠与否不影响功能。支持人脸识别、自然语言搜索、地图相册等，功能比较完善。有多种开源 clip 模型和人脸识别模型可以选择，实测搜索效果非常好，并且支持组合筛选。有多平台客户端，移动设备后台自动备份，实测工作稳定，反应速度比系统自带云备份还快。支持为各种格式的照片和视频生成预览，可选高压缩率的 webp 等格式，占用空间不大。主要的视图是时间轴，浏览原始目录层级的文件夹模式刚刚推出，还不完善。没有 OCR 搜索功能，这个我蛮想要的，目前还没见到哪家有，希望以后能加上。
    • PhotoPrism：开源，基础功能免费，少量高级功能需要订阅，个人用途一般免费够用。支持人脸识别、地图相册、文件夹视图等，功能比较完善。人脸识别效果一般，文档里说它用的模型没多少亚洲人和小孩的训练数据，怪不得很多都识别不出来，而且模型不能换，光这点就可以不用选了。搜图方面，感觉它只用了很简单的图像标签模型，不能自然语言搜索，只有几个常见的关键词能搜到图片，同样不能换模型。文件夹视图比 Immich 完善。预览图非常占空间，每张图片生成了十张预览图和缩略图，在我电脑上占了一百多 g，看了一下它的预览图分辨率，最大尺寸和最大尺寸小一点点各生成了一张，不知道在想什么。
    • Nextcloud Photos：Nextcloud 的一个应用 （插件），根据网上对比在各种功能方面完成度也是很高的，但我感觉 Nextcloud 已经非常臃肿，网页用起来都卡卡的，实在算不上流畅（不过也有我云服务器性能不行的关系），就不装这个给它增加负担了。不过确实是可以在自己的照片服务器单独装一个 Nextcloud，这样性能方面应该问题不大，但和我云服务器上的 Nextcloud 就要冲突了。（好像 Nextcloud 客户端都是可以添加多个服务器的？）
    • MT Photos：订阅制，有永久版，价格不贵。支持人脸识别、自然语言搜索、地图相册等，功能该有的基本上有。它居然支持 OCR 搜索，刚说没人有这下打脸了，希望 Immich 能跟进。它用的 clip 和人脸识别模型都比 Immich 用的差一些，可能是考虑到要兼容各种配置的设备，毕竟它能配置的选项确实蛮少的，算是傻瓜式应用。UI 和 Immich 就是一个模子刻出来的，因为都是照着 Google Photos 做的。国内平台蛮多人推荐这个，确实好用不贵而且用起来很简单。但我个人喜欢有免费的就用免费的，而且主观上会给开源加分，倾向于能折腾的东西，所以觉得它不如 Immich。
    • Synology Photos：顾名思义，群晖用的。我没有群晖 NAS，也没听说过黑什么的，于是没有用过。听说它的功能性也挺不错的，但反正有不限制群晖设备的替代品，就不用考虑了。
  • 最后显然，Immich 在我这里胜出了。

安装前准备

安装 Docker

装系统就不讲了啊

  • 我使用的是 Windows 台式机，安装 Docker for Desktop，它会安装 WSL 并把 Docker 安装到 WSL 中，还带有一个便于操作的图形化管理器。
  • Linux 的话自己看官方文档吧

编写 docker-compose.yml

官方 docker-compose.yml 模板下载地址：https://github.com/immich-app/immich/releases/latest/download/docker-compose.yml

以下是我的 docker-compose.yml：

name: immich

services:
  immich-server:
    container_name: immich_server
    image: ghcr.io/immich-app/immich-server:${IMMICH_VERSION:-release}
    # extends:
    #   file: hwaccel.transcoding.yml
    #   service: cpu # set to one of [nvenc, quicksync, rkmpp, vaapi, vaapi-wsl] for accelerated transcoding
    volumes:
      - ${UPLOAD_LOCATION}/encoded-video:/usr/src/app/upload/encoded-video
      - ${UPLOAD_LOCATION}/library:/usr/src/app/upload/library
      - ${UPLOAD_LOCATION}/thumbs:/usr/src/app/upload/thumbs
      - /etc/localtime:/etc/localtime:ro
      - "C:/Users/lsy22/Pictures:/immich-photo-library/Pictures:ro"
      - "D:/图&片:/immich-photo-library/图&片:ro"
      - "D:/Backup/ImmichPhotoBackup:/usr/src/app/upload/upload"
    env_file:
      - .env
    ports:
      - 2283:3001
    depends_on:
      - redis
      - database
    restart: always

  immich-machine-learning:
    container_name: immich_machine_learning
    # For hardware acceleration, add one of -[armnn, cuda, openvino] to the image tag.
    # Example tag: ${IMMICH_VERSION:-release}-cuda
    image: ghcr.io/immich-app/immich-machine-learning:${IMMICH_VERSION:-release}-cuda
    extends: # uncomment this section for hardware acceleration - see https://immich.app/docs/features/ml-hardware-acceleration
      file: hwaccel.ml.yml
      service: cuda # set to one of [armnn, cuda, openvino, openvino-wsl] for accelerated inference - use the `-wsl` version for WSL2 where applicable
    volumes:
      - ./model-cache:/cache
    env_file:
      - .env
    restart: always
    healthcheck:
      disable: false

  redis:
    container_name: immich_redis
    image: docker.io/redis:6.2-alpine@sha256:2d1463258f2764328496376f5d965f20c6a67f66ea2b06dc42af351f75248792
    healthcheck:
      test: redis-cli ping || exit 1
    restart: always

  database:
    container_name: immich_postgres
    image: docker.io/tensorchord/pgvecto-rs:pg14-v0.2.0@sha256:90724186f0a3517cf6914295b5ab410db9ce23190a2d9d0b9dd6463e3fa298f0
    environment:
      POSTGRES_PASSWORD: ${DB_PASSWORD}
      POSTGRES_USER: ${DB_USERNAME}
      POSTGRES_DB: ${DB_DATABASE_NAME}
      POSTGRES_INITDB_ARGS: '--data-checksums'
    volumes:
      - "database:/var/lib/postgresql/data"
    healthcheck:
      test: pg_isready --dbname='${DB_DATABASE_NAME}' --username='${DB_USERNAME}' || exit 1; Chksum="$$(psql --dbname='${DB_DATABASE_NAME}' --username='${DB_USERNAME}' --tuples-only --no-align --command='SELECT COALESCE(SUM(checksum_failures), 0) FROM pg_stat_database')"; echo "checksum failure count is $$Chksum"; [ "$$Chksum" = '0' ] || exit 1
      interval: 5m
      start_interval: 30s
      start_period: 5m
    command: ["postgres", "-c" ,"shared_preload_libraries=vectors.so", "-c", 'search_path="$$user", public, vectors', "-c", "logging_collector=on", "-c", "max_wal_size=2GB", "-c", "shared_buffers=512MB", "-c", "wal_compression=on"]
    restart: always

volumes:
  database:
    driver: local

7-9 行：

# extends:
#   file: hwaccel.transcoding.yml
#   service: cpu # set to one of [nvenc, quicksync, rkmpp, vaapi, vaapi-wsl] for accelerated transcoding
  • 这里是硬件加速视频转码相关的设置，如果需要的话从 https://github.com/immich-app/immich/releases/latest/download/hwaccel.transcoding.yml 下载 hwaccel.transcoding.yml 放在旁边。我因为没有打算转码播放视频，也为了节约空间，没有开视频转码，也就不配置硬件加速转码了。
  • service 参数可选 cpu(软件编码), nvenc(NVIDIA), quicksync(Intel), rkmpp(Rockchip), vaapi(AMD / NVIDIA / Intel), vaapi-wsl(AMD / NVIDIA / Intel)

10-17 行：

    volumes:
      - ${UPLOAD_LOCATION}/encoded-video:/usr/src/app/upload/encoded-video
      - ${UPLOAD_LOCATION}/library:/usr/src/app/upload/library
      - ${UPLOAD_LOCATION}/thumbs:/usr/src/app/upload/thumbs
      - /etc/localtime:/etc/localtime:ro
      - "C:/Users/lsy22/Pictures:/immich-photo-library/Pictures:ro"
      - "D:/图&片:/immich-photo-library/图&片:ro"
      - "D:/Backup/ImmichPhotoBackup:/usr/src/app/upload/upload"
  • 这里是目录映射相关的设置，用来指定转码的视频、缩略图、预览图、外部图库、上传的图片等存储的位置。
  • ${UPLOAD_LOCATION} 在环境变量中定义，因为前三行分别是转码的视频、图库、缩略图/预览图的存储位置，建议放在读取速度相对快的固态硬盘上，否则可能影响浏览图库时的加载速度。不能设置只读。
  • - "C:/Users/lsy22/Pictures:/immich-photo-library/Pictures:ro" 是外部图库的目录映射，需要自己修改。
    • 冒号 : 左边是宿主机上已有照片的存储位置。如果是 Windows 路径，其中的反斜杠 \ 要改成正斜杠 /。
    • 冒号 : 右边是映射到容器中的位置。可以自己修改，之后要在 Immich 的设置中填写。
    • 末尾的 :ro 是只读模式。因为这是外部图库，我不需要 Immich 来修改，为了防止意外删库选择了只读。如果没有这方面的顾虑，或者需要用 Immich 来删除或者修改外部图库中的图片，就不要添加这个参数。
    • 如果有多个外部图库位置可以添加多行，每行对应一个位置，注意映射到容器中的目录不能相同。例如下一行 - "D:/图&片:/immich-photo-library/图&片:ro"。
  • - "D:/Backup/ImmichPhotoBackup:/usr/src/app/upload/upload" 是图片上传文件夹的目录映射，手动上传的图片和客户端自动备份的图片会存储在这里，需要自己修改。
    • 冒号 : 左边是宿主机上为上传文件夹准备的目录。如果是 Windows 路径，其中的反斜杠 \ 要改成正斜杠 /。因为会上传大量原图，占空间较大，我选择放在机械硬盘。
    • 冒号 : 右边是映射到容器中的位置，不能修改。
    • 不能设置只读。

20-21 行：

ports:
  - 2283:3001
  • 这里是外部访问端口映射设置。
  • 冒号 : 左边的 2283 是外部访问端口，可以自己修改，之后用 http://ip:2283 访问 WebUI。
  • 冒号 : 右边的 3001 是容器内部端口，不能修改。

27-36 行：

immich-machine-learning:
  container_name: immich_machine_learning
  # For hardware acceleration, add one of -[armnn, cuda, openvino] to the image tag.
  # Example tag: ${IMMICH_VERSION:-release}-cuda
  image: ghcr.io/immich-app/immich-machine-learning:${IMMICH_VERSION:-release}-cuda
  extends: # uncomment this section for hardware acceleration - see https://immich.app/docs/features/ml-hardware-acceleration
    file: hwaccel.ml.yml
    service: cuda # set to one of [armnn, cuda, openvino, openvino-wsl] for accelerated inference - use the `-wsl` version for WSL2 where applicable
  volumes:
    - ./model-cache:/cache

  • 这里是机器学习容器的设置。

  • image: ghcr.io/immich-app/immich-machine-learning:${IMMICH_VERSION:-release}-cuda 这一行前面都不用修改，最后的 -cuda 有以下几种选择：

    • 不加，也就是 image: ghcr.io/immich-app/immich-machine-learning:${IMMICH_VERSION:-release}，使用 CPU 运行机器学习，效率低。
    • -cuda，支持 CUDA 的 N 卡，效率高，一般最好有 N 卡并且选这个。
    • -armnn，ARM 的机器学习硬件加速。
    • -openvino，Intel 的机器学习硬件加速。
  • extends:
    file: hwaccel.ml.yml
    service: cuda

  • 这部分是硬件加速机器学习的配置，如果需要的话从 https://github.com/immich-app/immich/releases/latest/download/hwaccel.ml.yml 下载 hwaccel.ml.yml 放在旁边，不用就把这部分注释掉或者删掉。

    • services 有以下可选：
    • cpu：使用 CPU 进行机器学习。
    • cuda：使用 N 卡加速机器学习，最推荐。
    • openvino：使用 I 卡加速机器学习。
    • openvino-wsl：如果使用 I 卡并且安装在 WSL2 中就选择这个。

58-59 行：

volumes:
  - "database:/var/lib/postgresql/data"
  • 这里我没有按照官方提供的文档要求，原版的目录映射是 - ${DB_DATA_LOCATION}:/var/lib/postgresql/data，然后 DB_DATA_LOCATION 在环境变量中定义为 ./postgres。原版在 Linux 上能正常工作，但是因为 PostgreSQL 数据库在 NTFS 文件系统上会有权限问题，所以我选择映射到了 Docker 容器的数据卷里。

59-70 行：

volumes:
  database:
    driver: local

  • 这里是数据库数据卷的设置，和上面的数据库目录映射配合使用。

  • 如果上面使用官方原版的目录映射，这里也改成原本的设置：

  • volumes:
  model-cache:

编写 .env

官方 .env 模板下载地址：https://github.com/immich-app/immich/releases/latest/download/example.env

以下是我的 .env：

# You can find documentation for all the supported env variables at https://immich.app/docs/install/environment-variables

# The location where your uploaded files are stored
UPLOAD_LOCATION=./library
# The location where your database files are stored
DB_DATA_LOCATION=./postgres

# To set a timezone, uncomment the next line and change Etc/UTC to a TZ identifier from this list: https://en.wikipedia.org/wiki/List_of_tz_database_time_zones#List
TZ=Asia/Shanghai

# The Immich version to use. You can pin this to a specific version like "v1.71.0"
IMMICH_VERSION=release

# Connection secret for postgres. You should change it to a random password
DB_PASSWORD=postgres

# The values below this line do not need to be changed
###################################################################################
DB_USERNAME=postgres
DB_DATABASE_NAME=immich

MACHINE_LEARNING_WORKER_TIMEOUT=300
  • 大多数都不用改，只需要把 DB_PASSWORD 改成一个随机密码就行了。
  • TZ 是时区设置，我改成了 Asia/Shanghai。
  • MACHINE_LEARNING_WORKER_TIMEOUT 是机器学习工作超时时间，单位秒，不设置默认 120。这意味着如果机器学习工作进程持续这么久无响应就会被强制停止。我有段时间发现高负载的时候搜索时间很长，有时候会超时被强制停止，于是改成了 300 秒，改了之后似乎是够用了。

下载 hwaccel.ml.yml

官方 hwaccel.ml.yml 模板下载地址：https://github.com/immich-app/immich/releases/latest/download/hwaccel.ml.yml

这个文件没啥要改的，要用到硬件加速机器学习的话就下载放在旁边。

安装

启动 Immich

  • 打开终端，进入 docker-compose.yml 所在目录。
  • 输入 docker-compose up -d 启动 Immich。

访问 Immich

  • 打开浏览器，输入 http://ip:2283 访问 Immich。
  • 如果装在本机，可以输入 http://localhost:2283 访问 Immich。
  • 第一次访问会要求设置管理员账号和密码，设置好之后就可以使用了。

设置 Immich

  • 登录 Immich 后，点击右上角的头像，选择 Account Settings 进入用户设置页面。
  • 语言改成简体中文。
  • 再次点击右上角的头像，选择 管理 进入系统设置页面。
  • 点击左边的 设置 选项卡。
    • 在 图片设置 中根据空间占用需求设置图片的压缩参数。
    • 在 任务设置 中根据机器性能设置各种任务的并发数量。
    • 展开 机器学习设置。
      • 在 URL 中填入机器学习容器的地址 http://immich-machine-learning:3003。
      • 在 智能搜索 中填入一个 clip 模型，推荐支持多语言的 XLM-Roberta-Large-Vit-B-16Plus，可以提前从 https://huggingface.co/immich-app/XLM-Roberta-Large-Vit-B-16Plus 下载好，解压到 docker-compose.yml 旁边的 model-cache\clip 文件夹下。
      • 在 人脸识别 中选择一个人脸识别模型，推荐 antelopev2，可以提前从 https://huggingface.co/immich-app/antelopev2 下载好，解压到 docker-compose.yml 旁边的 model-cache\facial-recognition 文件夹下。
    • 底下的 视频转码设置 需要的话也可以设置一下，我选择不要对任何视频进行转码。
  • 点击左边的 外部图库 选项卡。
    • 点击 创建图库。
    • 点击新的图库右边的菜单键，重命名和编辑导入路径，导入路径填写在 docker-compose.yml 中外部图库映射到容器内的目录。
    • 如果有多个外部图库，可以重复上面的步骤。
  • 点击左边的 任务 选项卡。
    • 点击 图库 右边的 全部，开始扫描图库。
    • 扫描完图库之后，就可以把其他任务都执行一遍，比如智能搜索、人脸检测等。

设置移动设备自动备份

  • 下载 Immich 客户端，安装到移动设备上。
  • 在客户端中输入服务端的地址，登录。
  • 在客户端右上角打开自动备份页面，选择要备份的文件夹，开启自动备份。

自用懒人小脚本

start.bat

@echo off

echo Starting Immich...

docker compose up -d
docker compose logs -f

echo Done.

update.bat

@echo off

echo Pulling Docker images...

docker compose pull

echo:
echo Restarting Immich...

docker compose stop
docker compose up -d

echo Done.

结语

  • Immich 确实好用，用了一段时间，感觉非常满意，推荐大家有需要的可以安装试试。
  • 有什么问题欢迎在评论区提出或者联系 QQ，我会尽量回答。
开源 AI 相册 Immich 安装记录

https://blog.lsy223622.com/archives/65/

作者

木生睡不着

发布时间

2024-09-27

服务器 安装 Docker Linux 推荐 经验 AI Immich 开源
2024 - 2024 木生懒得写博客. All Rights Reserved.
Theme Jasmine