Immich 與 Google Photos,自架相簿的人臉辨識與搜尋

發表時間:2026 年 11 月 14 日 | 更新日期:2026 年 11 月 14 日 | 編輯:雅寶社區編輯團隊
Immich 與 Google Photos,自架相簿的人臉辨識與搜尋 - 雅寶社區 · 頂客論壇

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:

  • 縮圖與預覽產生:後端先產出 thumbnail 與 preview,機器學習容器處理的是較小尺寸的影像,這一步大幅降低運算量。
  • 人臉偵測(Detection):使用 RetinaFace 一類的偵測模型,在畫面中找出人臉的邊界框(bounding box)與關鍵點。這一步只回答「哪裡有臉」,不管「這是誰」。
  • 對齊與特徵萃取(Embedding):把偵測到的人臉依關鍵點旋轉校正,再送進 ArcFace 一類的辨識模型,輸出一組高維向量(常見是 512 維)。這組向量就是這張臉的「指紋」。
  • 寫入資料庫:人臉框、向量、來源照片 ID 會被寫進 PostgreSQL。向量欄位搭配向量索引擴充(早期版本用 pgvecto.rs,後續版本改用 VectorChord),讓相似度查詢能在大規模資料下仍保持速度。
  • 分群(Clustering):背景任務用 DBSCAN 一類的演算法,把所有向量依距離分群,同一個群集就對應到一個「人物」。使用者命名後,這個人物才會出現在人物頁面。
  • 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:

  • CPU 版(預設):只要你的 x86 處理器支援 AVX2,就能跑。優點是零設定,缺點是慢——首次匯入上萬張照片時,人臉偵測與 CLIP 向量化會讓佇列排上好幾個小時甚至一整晚。
  • CUDA 版:如果你有 NVIDIA 顯卡(GTX 1060 以上、支援 CUDA 的世代),搭配 nvidia-container-toolkit 就能大幅加速,這是目前最推薦的路線。一張中階卡就能把處理速度提升一個數量級。
  • OpenVINO 版:針對 Intel 內顯與 Arc 顯卡,對沒有獨顯的迷你主機(例如 N100、N305 這類)特別有用,能在低功耗下取得不錯的加速效果。
  • ARM / ROCm:ARM 版可在樹莓派等裝置上跑,但速度相當吃力;ROCm 對 AMD 顯卡的支援仍在演進,踩坑機率較高。
  • 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:

  • 跨年齡辨識:同一個人從嬰兒、兒童到成人,Google 有相當高的機率仍能歸為同一人。
  • 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。

  • 自動建議合併:系統會主動跳出「這兩個人是同一個人嗎?」的提示,降低手動整理的成本。
  • 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:

  • 召回率(有沒有漏):Google 明顯較好。Immich 在側臉、戴帽子、戴口罩、逆光的照片上比較容易漏抓,尤其是照片品質較差的舊手機照片。
  • 純度(有沒有認錯):Immich 預設參數偏保守,傾向「寧可分成兩個人物,也不要混在一起」,所以常見的困擾是「同一個人被拆成三四個群」。Google 則傾向合併,偶爾也會把兄弟姊妹認成同一人。
  • 命名體驗:Immich 的人物頁面可以批次選取、合併、隱藏,操作邏輯清楚;但沒有 Google 那種「主動詢問是否合併」的提示,需要你自己去翻。
  • 穩定性:Google 幾乎不需要你介入;Immich 則需要定期巡一下人物頁,特別是新照片大量匯入之後。
  • 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」。

  • 文字辨識(OCR):截圖裡的文字、招牌、文件,都能被搜到,這點非常實用。
  • 自然語言組合:「在海邊拍的狗」這種多條件描述,Google 也能處理。
  • 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。

  • 儲存:以「原圖 + 縮圖 + 影片轉檔」估算,實際佔用通常比原始檔案多出兩到三成。如果你有 2TB 的照片,建議至少準備 4TB 以上的可用空間,並保留擴充彈性。
  • 記憶體:整個堆疊(後端、資料庫、Redis、機器學習容器)在正常運作下約吃 4GB 到 8GB。機器學習容器載入 CLIP 與人臉模型時會有明顯的記憶體峰值,8GB 是比較安心的起點,16GB 更從容。
  • 處理器:一般 x86 四核心就能跑;若要處理大量影片轉檔或首次匯入,核心數愈多愈好。
  • GPU:非必要,但能讓「首次匯入」從幾天縮短到幾小時。NVIDIA 是最省事的路線,Intel 內顯則適合低功耗迷你主機。
  • 儲存媒體:強烈建議用 SSD 放資料庫與縮圖,HDD 放原圖。資料庫在 HDD 上跑久了,查詢會明顯變慢。
  • 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:

  • 機器學習容器沒啟動,卻以為功能壞了。上傳照片後完全沒有人臉,通常不是模型不準,而是容器根本沒跑起來,或後端連不到它。先看容器日誌,再看管理後台的設定頁是不是顯示「已連線」。
  • 大量匯入時佇列塞車。首次匯入十萬張照片,人臉偵測、CLIP 向量化、縮圖產生會排在同一條佇列上。建議分批匯入,或先用「外部媒體庫」掛載、再讓它慢慢掃描,避免手機 App 同時備份造成尖峰。
  • 同一個人被拆成好幾個人物。這是分群參數偏保守造成的。可以在設定裡調整聚合的鬆緊程度,或直接手動合併。但要小心調太鬆,反而把長得像的人混在一起。
  • 時間軸大亂。多半是 EXIF 拍攝時間缺失、或時區處理不一致。上傳前先用工具檢查一下照片的 EXIF,比事後補救容易得多。
  • 手機背景備份被系統砍掉。Android 各家廠牌的省電策略不同,需要把 App 加入白名單、關閉電池最佳化;iOS 則要留意背景重新整理與低耗電模式。這不是 Immich 的問題,但會直接影響使用體驗。
  • 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。

    ```

    🏠 返回首頁