Immich 與 Google Photos,自架相簿的人臉辨識與搜尋
手機背景自動備份(前景/背景、僅 Wi-Fi、僅充電等條件可調)
時間軸瀏覽、年月日縮放、回憶(Memories)自動精選
相簿、共享相簿、公開分享連結
地圖檢視(依 EXIF GPS)
人臉偵測、人臉分群、人物命名與合併
CLIP 語意搜尋(Smart Search)與中繼資料搜尋
多使用者支援、外部媒體庫(External Library)掛載既有資料夾
把這些功能排在一起看,確實很接近 Google Photos 的功能清單。但「有這個功能」和「這個功能好用」是兩件事,而人臉辨識與搜尋正是差距最明顯的地方。
二、人臉辨識的核心對決:拆解 Immich 的機器學習管線
要判斷 Immich 的人臉辨識能不能用,得先知道它到底怎麼做的。很多人以為「自架 = 效果比較差」,其實不完全對——Immich 用的模型並不弱,真正的差異在於後處理策略、參數調校、以及資料量累積後的穩定性。
2-1 Immich 人臉辨識的五個階段
當你上傳一張照片到 Immich,背後大致會經過這幾個步驟:
這個流程的關鍵在最後一步。分群不是「辨識出你是誰」,而是「把看起來像同一個人的臉放在一起」。所以 Immich 的人臉功能本質上是半自動的:它幫你把十萬張照片裡的人臉聚成幾百個群,你只要負責命名與合併。這跟 Google 直接告訴你「這是王小明」的體驗不完全一樣,但對隱私敏感的人來說,這種「資料完全不出家門」的設計反而是賣點。
2-2 模型與硬體加速:CPU、CUDA、OpenVINO 怎麼選
Immich 的機器學習容器(immich-machine-learning)提供多種映像檔標籤,對應不同的運算後端。這一段是新手最容易卡住的地方,因為「有啟動容器」不等於「有跑機器學習」。
常見的選擇大致是:
實務上,如果只是幾千張照片,用 CPU 慢慢跑完全可行;但如果你要一次性匯入十年的相片庫,GPU 加速幾乎是必需品,否則你會看著「任務佇列」的數字停在那裡好幾天,懷疑自己是不是設定錯了。
2-3 Google Photos 的「人物」功能:黑盒,但成熟
Google Photos 的人臉辨識沒有公開的技術文件,我們只能從行為推測。可以確定的是,它結合了偵測、辨識、以及大量的上下文訊號:同一張照片裡常一起出現的人、拍攝地點、時間連續性、甚至是你的社交圖譜。這讓它在幾個困難場景上表現特別好:
側臉與低光:在模糊、側面、逆光的照片裡,仍然能抓到足夠特徵。
相對地,Google 的人臉功能並非全球都能用。部分地區因為隱私法規(例如歐盟部分國家對生物特徵辨識的限制),「人物」分組功能是關閉的。也就是說,在某些地區,Google Photos 其實根本沒有人臉辨識可用,這時候 Immich 反而是唯一解。
2-4 實測差異:準確度、合併人物、標註體驗
把兩者放在同一個相片庫上比較,我的觀察大致如下:
換句話說,Immich 的人臉辨識「可用,但不是無感」。它像是一個很認真的助理,幫你把資料整理好八成,剩下兩成要你自己收尾。對於照片量不大、或願意花一個週末整理的人來說,這完全可以接受;但如果你期待「裝好就忘了它」,那你會失望。
三、搜尋能力比拼:從中繼資料到語意搜尋
如果說人臉辨識是「整理」,那搜尋就是「取用」。多數人離開 Google Photos 前最捨不得的,其實是那句話:「我記得拍過一張在海邊的夕陽,好像有隻狗。」然後打幾個字就找到了。
3-1 Immich 的三層搜尋架構
Immich 的搜尋可以拆成三個層次,理解這個架構對設定調校很有幫助:
第一層是中繼資料搜尋。包含日期區間、相機型號、鏡頭、檔案類型、地點、以及人物。這一層是精確查詢,速度快、結果確定,走的是 PostgreSQL 的一般查詢與索引。你輸入「2023 年 7 月」,它就是把那個區間的照片撈出來。
第二層是 CLIP 語意搜尋(Smart Search)。這是 Immich 最接近 Google 的地方。它在匯入時把每張照片送進 CLIP 模型,轉成向量存進資料庫;你輸入自然語言時,同樣轉成向量,再用餘弦相似度找最接近的照片。它能理解「沙灘」、「煙火」、「生日蛋糕」、「滑雪」這類場景與物件描述,即使你完全沒下過標籤。
第三層是使用者自訂標籤與相簿。人工標註雖然老派,但在特定情境(例如「裝潢參考」、「發票」)仍然是最可靠的方式。
值得注意的是,Immich 的 CLIP 搜尋對「抽象概念」與「關係描述」的掌握較弱。你打「狗」會找到狗,但打「狗在沙发上睡觉」可能就不太準;而 Google 在這種長句描述上明顯更強,因為它背後的模型規模與訓練資料量完全不是同一個量級。
3-2 Google Photos 的搜尋邏輯與強項
Google Photos 的搜尋之所以好用,是因為它同時結合了好幾種訊號:
物件與場景辨識:狗、貓、食物、汽車、建築、海灘、山。
人物與關係:「我和媽媽」、「小明」。
地點與活動:「東京」、「婚禮」、「音樂會」。
時間與節慶:「去年聖誕節」、「2022 夏天」。
其中OCR 是 Immich 目前明顯較弱的一環。如果你硬碟裡有一堆截圖、食譜、名片、發票,Google 可以讓你用文字直接撈出來,Immich 在這方面仍有落差。這不是說 Immich 做不到,而是「搜尋內容中的文字」這件事目前不是它的強項,實務上仍需靠標籤或相簿補足。
3-3 實際搜尋場景對照
以下用幾個常見情境做對照,會比單純講規格更有感:
搜尋情境
Google Photos
Immich
「2023 年 8 月」
直接支援,時間軸精準
支援,需確認 EXIF 時間正確
「人物:小明」
自動分組,準確度高
需先手動命名與合併
「沙灘」
準確率高
CLIP 表現不錯,然仍有誤判
「狗在沙發上睡覺」
可用
長句描述較弱,建議拆成關鍵詞
「截圖裡的一段文字」
OCR 強大
非強項,須靠標籤補足
「某個地點」
地圖與地名資料完整
地圖可用,地名反查較依賴 GPS
從表格可以看出,Immich 在「結構化查詢」上表現得很好,在「語意查詢」上已經達到可用水準,但在「文字 OCR」與「長句語意」上仍有明顯落差。這三者的優先順序,取決於你平常怎麼找照片。如果你多數時候是「按時間、按人、按地點」找,Immich 完全夠用;如果你習慣「用一句話描述場景」,那會感受到落差。
四、部署與維運:跑得動人臉辨識的硬體與常見坑
接下來談實務。Immich 的官方 Docker Compose 範例已經把大部分設定寫好了,但「跑得起來」和「跑得順」之間還是有段距離。
4-1 硬體需求的現實面
先說結論:儲存空間比運算能力重要,運算能力比記憶體重要,而備份比三者都重要。
4-2 Docker Compose 的幾個關鍵設定
官方範例已經很完整,這裡只點出幾個與人臉辨識、搜尋最相關的地方:
第一,機器學習容器的模型快取。務必把 /cache 掛成 volume。模型動輒數百 MB,每次重啟都重新下載不只慢,還可能因為網路問題卡住。這個 volume 一旦建立,就不要隨手刪掉。
第二,映像檔標籤的選擇。預設是 CPU 版;若你有 NVIDIA 顯卡,改成對應的 CUDA 標籤,並在 compose 裡加上 GPU 的預約設定。注意主機端要先安裝好 nvidia-container-toolkit,否則容器會啟動失敗或默默退回 CPU。
第三,平行處理數。機器學習容器可以設定同時處理的工作數量。數字開太大,記憶體會被吃爆;開太小,匯入速度上不去。建議從預設值開始,觀察記憶體使用率再逐步調整。
第四,資料庫與上傳目錄要一起備份。這是新手最常犯的錯:只備份了照片資料夾,卻忘了 PostgreSQL。資料庫裡存的是人臉向量、人物分組、相簿關聯、標籤——沒有它,你的照片就只是一堆躺在硬碟裡的檔案,所有人臉辨識的成果都會消失。
4-3 新手最常踩的五個坑
以下是我與社團朋友實際遇過、頻率最高的問題:
五、隱私、備份與長期成本:自架看不見的帳單
談到這裡,該把「錢」與「風險」攤開來算了。很多人只算硬體成本,卻忽略了維運時間與備份成本,結果自架三年後發現總支出並沒有比較便宜。
金錢成本方面,一台能跑 Immich 的迷你主機(含 SSD)大約落在萬元上下,加上備份硬碟與異地備份的空間,前期投入可能相當於好幾年的 Google One 訂閱費。但這筆錢是「資產」而不是「租金」,而且容量愈大、攤提愈划算。當你的相片庫超過 2TB 之後,自架的邊際成本優勢會非常明顯。
時間成本方面,這是真正的大魔王。系統更新、資料庫升級、容器掛掉重啟、備份驗證,這些都需要時間。Immich 的版本迭代速度很快,偶爾會遇到需要手動處理的升級路徑,如果你對 Docker 與資料庫完全陌生,前期學習曲線會很陡。
備份方面,這是自架最不能妥協的一環。最基本的原則是「3-2-1」:至少三份資料、兩種不同媒體、一份異地。實務上可以這樣做:主機上的原圖與資料庫是第一份,外接硬碟定期快照是第二份,雲端冷儲存或另一台異地機器是第三份。資料庫的備份尤其重要,建議設定每日自動 dump 並保留數個版本。
隱私方面,這是自架最大的回報。所有人臉向量、GPS、照片內容都留在自己的機器上,不會被用來訓練模型、不會被用於廣告投放、也不會因為帳號政策變更而一夕消失。對於有小孩、有敏感工作文件、或單純在意資料主權的人來說,這個價值很難用金錢衡量。
六、結論:誰該用 Immich,誰該留在 Google Photos
回到最初的問題:Immich 的人臉辨識與搜尋,到底能不能取代 Google Photos?我的答案是——能力上已經接近「夠用」,體驗上仍是「需要照顧」,而價值取決於你有多在意資料主權。
如果你重視的是「打開就有人臉分組、隨口一句話就能搜到照片、完全不用管伺服器」,那 Google Photos 目前仍然是更好的選擇,這點沒什麼好爭的。它的模型規模、OCR、長句語意搜尋,短期內很難被開源專案追上。
但如果你符合以下幾種情況,Immich 會讓你覺得「早知道就早點跳」:
相片庫超過 2TB,訂閱費用已經開始心痛。
在意隱私,不希望家庭照片與人臉特徵放在別人的伺服器上。
本來就有一台 NAS 或家用伺服器,跑 Docker 對你來說不是問題。
主要用「時間、人物、地點」找照片,而不是用長句描述。
願意每季花一點時間整理人物分組與驗證備份。
反過來說,如果你符合這些情況,建議先別急著搬家:
對命令列與 Docker 完全不熟,也沒有學習意願。
沒有做異地備份的習慣,或沒有第二顆硬碟。
大量依賴「搜尋截圖裡的文字」這個功能。
照片量還很小,Google One 的方案對你來說綽綽有餘。
比較穩健的做法是「並行一段時間」:先把 Immich 架起來,用外部媒體庫掛載既有的照片資料夾,讓它慢慢跑人臉偵測與 CLIP 向量化,同時 Google Photos 繼續維持訂閱。等你實際用過幾週、確認人物分組與搜尋都符合需求、備份流程也演練過一次之後,再決定要不要正式把 Google Photos 降級或退訂。這樣做的好處是,你不會在某個週末按下「刪除」之後才發現資料庫沒備份到。
七、常見問題與進階調校建議
最後補上幾個社團裡最常被問到的問題,讓有興趣深入的朋友少走一點冤枉路。
7-1 人臉分組一直分裂,該調哪個參數?
優先調整的是「同一人物最少需要幾張臉」與「聚合的距離門檻」。把門檻放寬,會讓更多相近的臉被歸為同一群,分裂情況減少,但誤併風險上升;把門檻收緊則相反。建議先用一小批具代表性的照片(例如家人、常拍的朋友)做測試,找到平衡點後再套用到整個資料庫。另外,先手動命名幾個主要人物,再讓系統慢慢收斂,效果通常比一開始就狂調參數好。
7-2 語意搜尋搜不到想要的東西,怎麼辦?
CLIP 對「短而具體的名詞」最敏感。把「海邊夕陽下的狗」拆成「夕陽」、「海邊」、「狗」分別搜尋,命中率會高很多。另外,確認機器學習容器真的有在處理新照片——有時候只是佇列還卡在前面,並不是模型不準。若某類照片特別重要(例如工作用的產品照),直接建相簿或加標籤,會比依賴語意搜尋可靠得多。
7-3 要不要開 GPU 加速?
看你的照片量與耐心。幾千張照片用 CPU 跑一晚就能完成,不一定需要投資顯卡;但如果你手上有十年以上的相片庫、又打算長期使用,一張中階 NVIDIA 顯卡能省下的時間絕對值得。若你用的是 Intel 迷你主機,OpenVINO 版本的加速效果也不錯,而且功耗低、不需要額外供电,對 24 小時開機的家庭伺服器很友善。
總結來說,Immich 不是「免費的 Google Photos」,而是一個需要你參與、但也因此完全屬於你的相簿系統。人臉辨識與搜尋它已經做到了八十分,剩下的二十分,就看你願意投入多少時間,以及你有多在乎那些照片到底放在誰的硬碟裡。
```
💬 想說點什麼?
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →