---
license: agpl-3.0
language:
- en
- zh
pipeline_tag: zero-shot-image-classification
tags:
- immich
---
**后续本网页不再持续维护，转为使用 https://github.com/AXERA-TECH/immich**

**目前hugging Face 版本固定为2.7.5,更新的3.0.1版本已在https://github.com/AXERA-TECH/immich**

**更多信息请关注https://github.com/AXERA-TECH/immich**

# 一、项目简介

Immich 是一款支持本地 AI 检索与多端备份的开源自托管智能相册。将其深度适配并独立部署在 AX650 边缘算力板卡上，可让所有照片数据与 AI 推理均在本地物理隔离运行，从而实现100%的数据主权与最高级别的隐私安全保障。

**原项目官方资源：**

- 官方网站：https://immich.app/
- GitHub 仓库：https://github.com/immich-app/immich

本项目的目标是演示如何在AX650开发平台上部署 Immich，部署后可直接使用**AX650板卡**，或者外接 **AX650 AI 算力卡** 进行使用。

# 二、参考链接

我们已将针对 Immich 代码库的修改版本在 GitHub 上开源，目前版本对齐immich最新版本v2.7.5：

- **开源仓库**：https://github.com/AXERA-TECH/immich/tree/ax650-v2.7.5

# 三、支持平台

- **AX650 / AX8850**
    - **AX650N DEMO Board**
    - [M4N-Dock(爱芯派Pro)](https://wiki.sipeed.com/hardware/zh/maixIV/m4ndock/m4ndock.html)
    - [**M.2 Accelerator card**](https://axcl-docs.readthedocs.io/zh-cn/latest/doc_introduction.html#id4)

# 四、支持模型

在 Immich 项目中，CLIP 模型是实现智能相册功能且计算需求最高的核心组件。为了进一步提升识别准确率，我们采用了参数量更大的模型：**CLIP-L/14-336** 和 **CN-CLIP-L/14-336**。

针对爱芯元智（Axera）AI 加速卡优化后的预编译模型，可参考以下版本获取：

- [**CLIP-L/14-336 (English)**](https://huggingface.co/AXERA-TECH/ViT-L-14-336__axera)
- [**CN-CLIP-L/14-336 (Chinese)**](https://huggingface.co/AXERA-TECH/ViT-L-14-336-CN__axera)
# 五、部署操作

## **1. 系统配置与代码获取**

### （1）前置准备与依赖安装（必做）

在开始部署前，必须更新系统并安装核心依赖组件。
```bash
apt-get update
apt-get install -y unzip libgl1
```

### **扩充存储空间（可选）**
- **挂载 SD Card**：若系统内部空间不够，可选择挂载 SD Card 来存放数据。首先需将 SD Card 格式化为 `ext4` 格式并挂载。
```bash
lsblk

#格式化SD Card 注意保存数据
# mkfs.ext4 /dev/mmcblk1p1

mkdir /mnt/sdcard
mount /dev/mmcblk1p1 /mnt/sdcard
```

- **配置开机自动挂载**：通过 `blkid /dev/mmcblk1p1` 获取 UUID 后，修改 `/etc/fstab` 文件以实现开机自启。配置示例如 `UUID=13054439-9d76-47ca-b8ed-c7cd8d208a5d /mnt/sdcard ext4 defaults 0 2`。

### （3） 获取部署代码（必做）

- **方案一：使用 Git**：安装 `git-lfs` 后，直接从 HuggingFace 拉取代码仓库（空间不足时可选择拉取至 SD Card 目录）。

```bash
apt-get install git-lfs
git clone https://huggingface.co/AXERA-TECH/immich
```

- **方案二：使用 HuggingFace**：若 Git 因为网络问题导致拉取失败，可安装 `huggingface_hub` 工具并使用 `hf download` 进行本地下载。

```bash
apt-get install -y python3.11

#若无法直接访问 可使用国内代理
export HF_ENDPOINT=https://hf-mirror.com

pip install -U huggingface_hub
hf download AXERA-TECH/immich --local-dir .
```

## 2. Docker 服务部署

### （1） 解压配置文件（必做）

- 进入拉取的 `immich` 代码目录，解压部署文件并创建 `.env` 环境变量文件。

```bash
cd immich
unzip -o docker-deploy.zip
cp example.env .env
```

### （2）Docker 环境配置（可选）

- **修改数据目录**：若内部空间不够，可修改 Docker 镜像路径至 SD Card。创建 `/mnt/sdcard/docker_data` 目录后，修改 `/lib/systemd/system/docker.service`，在 `ExecStart` 后面添加 `-data-root=/mnt/sdcard/docker_data` 并重启服务。请务必确保 SD Card 已配置开机自动挂载。
- **设置 Docker 代理**：若由于网络问题无法访问外部镜像，可为 Docker 添加 HTTP/HTTPS 代理配置（写入 `/etc/systemd/system/docker.service.d/http-proxy.conf` 并重启服务）或直接改用国内镜像源。

### （3）导入并启动镜像（必做）

- 加载离线 Docker 镜像包，并使用 Docker Compose 启动容器服务。

```bash
docker load -i ax-immich-server-aarch64.tar.gz
docker compose -f docker-compose.yml -f docker-compose.override.yml up -d
```

- 可通过 `docker ps` 查看容器状态。若长时间处于 "starting" 状态，建议使用 `docker logs immich_server --tail 20` 等命令排查启动日志。
- 启动正常后，通过浏览器访问 `http://<开发板IP>:2283` 即可进入网页端进行注册和登录。

![image](https://cdn-uploads.huggingface.co/production/uploads/6a2ba64ddd73738eacc6ef57/d8BRCXOlN5j7ZCrtf8XB9.png)
## 3. 机器学习 (ML) 服务部署

### （1）配置 Python 虚拟环境（可选）

- 若主存储空间不够，可安装 `python3.11-venv` 并在 SD Card 上创建虚拟环境 `/mnt/sdcard/immich_venv` 以节省空间。

```bash
apt-get install -y python3.11-venv
python3.11 -m venv /mnt/sdcard/immich_venv
```

### （2）安装 ML 依赖包（必做）

- 可根据自身情况选择直接**全局安装**或进入**虚拟环境安装**(二选一)，建议使用虚拟环境。

**全局安装：**

```bash
#注意安装py 3.11版本(v2.7.5 immich官方指定)
curl -sS https://bootstrap.pypa.io/get-pip.py | python3.11

# 安装依赖
pip install -r requirements.txt

#建议选择PyAXEngine最新版本 当前最新0.1.3.rc3
pip install https://github.com/AXERA-TECH/pyaxengine/releases/download/0.1.3.rc3/axengine-0.1.3-py3-none-any.whl

#安装Wheel包
pip install immich_ml-2.7.5-py3-none-any.whl
```

**虚拟环境安装**

为了避免存储不够，安装时可通过 `TMPDIR` 和 `-cache-dir` 参数将临时文件与缓存放到 SD Card 上。

```bash
# 激活虚拟环境（若使用了venv）
source /mnt/sdcard/immich_venv/bin/activate

# 安装依赖
TMPDIR=/mnt/sdcard pip install -r requirements.txt --cache-dir /mnt/sdcard/.pip_cache

#建议选择PyAXEngine最新版本 当前最新0.1.3.rc3
TMPDIR=/mnt/sdcard pip install https://github.com/AXERA-TECH/pyaxengine/releases/download/0.1.3.rc3/axengine-0.1.3-py3-none-any.whl --cache-dir /mnt/sdcard/.pip_cache

#安装Wheel包
TMPDIR=/mnt/sdcard pip install immich_ml-2.7.5-py3-none-any.whl --cache-dir /mnt/sdcard/.pip_cache
```

PyAXEngine最新版本获取：[**PyAXEngine GitHub**](https://github.com/AXERA-TECH/pyaxengine)

### （3） 启动 ML 服务（必做）

- **算力卡检测**：若需要使用算力卡，通过指令 axcl-smi 确定算力卡是否正常，可见类似输出:

```bash
root@ax650:/opt/bin/axcl# ./axcl-smi
+------------------------------------------------------------------------------------------------+
| AXCL-SMI  V3.15.0_20260609020154                                Driver  V3.15.0_20260609020154 |
+-----------------------------------------+--------------+---------------------------------------+
| Card  Name                     Firmware | Bus-Id       |                          Memory-Usage |
| Fan   Temp                Pwr:Usage/Cap | CPU      NPU |                             CMM-Usage |
|=========================================+==============+=======================================|
|    0  AX8850                    V3.15.0 | 0001:81:00.0 |                148 MiB /      945 MiB |
|   --   39C                      -- / -- | 1%        0% |                 18 MiB /     7040 MiB |
+-----------------------------------------+--------------+---------------------------------------+

+------------------------------------------------------------------------------------------------+
| Processes:                                                                                     |
| Card      PID  Process Name                                                   NPU Memory Usage |
|================================================================================================|
```

- **启动immich_ml服务**:激活对应的 Python 环境，配置主机与端口信息后启动 `immich_ml` 服务(若使用虚拟环境需要注意是否处于虚拟环境中)。

**标准启动：**

```bash
IMMICH_HOST=0.0.0.0 IMMICH_PORT=3003 python -m immich_ml
```

**指定缓存目录启动方式（推荐空间不足者使用）：**

若需进一步节省根分区空间，可指定 `MACHINE_LEARNING_CACHE_FOLDER` 与 `HF_HOME` 环境变量将模型缓存存放至 SD Card。

```bash
mkdir -p /mnt/sdcard/immich_ml_cache /mnt/sdcard/huggingface
MACHINE_LEARNING_CACHE_FOLDER=/mnt/sdcard/immich_ml_cache HF_HOME=/mnt/sdcard/huggingface IMMICH_HOST=0.0.0.0 IMMICH_PORT=3003 python -m immich_ml
```

**使用本地模型启动（推荐网络无法访问者使用）：**

immich在启动ml服务时，会通过网络检测有无模型更新需求，若无法访问网络，可以获取模型后使用本地模型启动。

如若使用[**CN-CLIP-L/14-336 (Chinese)**](https://huggingface.co/AXERA-TECH/ViT-L-14-336-CN__axera)模型，拉取模型放到模型目录（实际目录可根据immich_ml日志进行查看），可能目录如下：

```bash
#采用标准启动，可能路径为:
/root/.cache/immich_ml/clip/ViT-L-14-336-CN__axera
 
#指定目录启动，根据目录路径进行查找，比如：
/mnt/sdcard/immich_ml_cache/clip/ViT-L-14-336-CN__axera
```

指定 `HF_HUB_OFFLINE=1` 进行启动，如:

```bash
HF_HUB_OFFLINE=1 IMMICH_HOST=0.0.0.0 IMMICH_PORT=3003 python -m immich_ml
```

## 4. 功能验证与设置

### **（1）查询网关 IP**：

在宿主机通过命令 `docker network inspect immich_default | grep Gate` 查看 IP（通常类似于 `172.19.0.1`）。

### **（2）配置 ML 服务**：


登录 Immich **网页端**，点击左上角**头像**，选择**Administration**，进入**设置**，选择**机器学习设置**，配置上一步获取到的 IP，并填写模型，如填为`ViT-L-14-336-CN__axera`。

![image](https://cdn-uploads.huggingface.co/production/uploads/6a2ba64ddd73738eacc6ef57/77IMPafinxzYWfhYjsJkU.png)
### **（3）上传与测试**：

- 在网页端上传图片
- 创建智能搜索任务
- 任务处理完毕后，执行智能搜索以验证 ML 服务是否正常解析图像特征。
  

![image](https://cdn-uploads.huggingface.co/production/uploads/6a2ba64ddd73738eacc6ef57/P9TVpPWFOW62O5zUrH27K.png)

![image](https://cdn-uploads.huggingface.co/production/uploads/6a2ba64ddd73738eacc6ef57/HrcRSzh7o5lPnlQbtcaaa.png)


![image](https://cdn-uploads.huggingface.co/production/uploads/6a2ba64ddd73738eacc6ef57/KwegGQkRcRYkYaBX9Vb21.png)

### （4）APP测试

- 下载app，并使手机在同一网络环境下
- 填写ip和账号密码进入
- 进行智能搜索

![image](https://cdn-uploads.huggingface.co/production/uploads/6a2ba64ddd73738eacc6ef57/nlsUEPdd6eSynshNTFr9V.png)

# 六、性能评估

在当前测试场景下，Immich 服务由 Docker 中的 `server/postgres/redis` 与宿主机 `immich_ml` 组成。由于模型懒加载、运行时缓存、数据库缓存以及AX CMM 分配策略等因素，MEM与 CMM 占用会受操作影响。

AX650板卡采用 `AxEngineExecutionProvider`，处理182张图片。

智能搜索任务处理期间观察到的资源占用峰值约为：

- CPU：整机总 CPU 约 5%～6%
- MEM：约 1.5～1.6 GiB
- CMM：约 600 MiB