Mittelstufe 12 Min.Täglicher Plan

Immich: Fotos mit einer KI durchsuchen locale

Auf einem Holztisch liegen lose Blätter neben einem Laptop.

Immich, die selbst gehostete Alternative zu Google Photos, ermöglicht es, ein Foto durch Eingabe einer Beschreibung („Hund am Strand“, „Geburtstagskuchen“) statt eines Dateinamens wiederzufinden. Diese KI-Fotosuche basiert auf einem CLIP-Modell, das auf Ihrem Server im Machine-Learning-Container von Immich läuft. Diese Anleitung erklärt, wie sie funktioniert, wie Sie ein mehrsprachiges Modell für die Suche auf Französisch auswählen, auf welche Fehler Sie achten sollten und was Ihr Netzwerk tatsächlich verlässt. Das beschriebene Vorgehen folgt der offiziellen Dokumentation; es wurde für diese Anleitung nicht auf einer Testinstanz nachvollzogen.

Von Mohamed Meguedmi·Aktualisierung 2026-11-21·Unter Windows, macOS und Linux getestet

#KI-Fotosuche in Immich: das Prinzip

Die Funktion heißt in der Immich-Dokumentation Smart Search („intelligente Suche“ bzw. Kontextsuche in der Oberfläche). Sie liest Ihre Fotos nicht spontan zum Zeitpunkt der Suchanfrage. Sie beruht auf zwei getrennten Vorgängen, die beide vom Dienst immich-machine-learning übernommen werden.

  1. 01
    Indexierung der Bilder
    Für jedes Foto berechnet der Bild-Encoder des CLIP-Modells einen numerischen Vektor (ein Embedding), der den visuellen Inhalt zusammenfasst. Dieser Vektor wird in der Datenbank von Immich gespeichert. Das ist die Aufgabe des Jobs „Smart Search“, der in der Administration sichtbar ist; bei einer großen Fotobibliothek kann er lange dauern.
  2. 02
    Kodierung der Suchanfrage
    Wenn Sie einen Satz eingeben, wandelt der Text-Encoder desselben Modells ihn ebenfalls in einen Vektor um.
  3. 03
    Comparaison
    Immich liefert die Fotos, deren Vektor dem Vektor Ihres Satzes am nächsten liegt. Es gibt weder Textgenerierung noch „Verstehen“ im Sinne eines Chatbots: Es handelt sich um eine Ähnlichkeitssuche in einem gemeinsamen Bild-Text-Raum.

Direkte Folge: Text und Bilder müssen mit demselben Modell kodiert worden sein. Wenn Sie das Modell wechseln, müssen alle Fotos neu indiziert werden, sonst sind alte und neue Vektoren nicht mehr vergleichbar.

#CLIP ist kein Vision-Assistent

Das komplette Kit, um deinen eigenen KI-Assistenten zu erstellen.

Profitiere von unserer Erfahrung und einem geführten Lernpfad, um deinen lokalen Assistenten zu erstellen und deine KI im Alltag zu nutzen.

  • Lebenslanger Online-Zugang
  • PDF + Dateien
  • Erstattung binnen 30 Tagen

Die CLIP-Suche von Immich wird oft mit den „Vision“-Modellen verwechselt, die man mit Ollama (Qwen3-VL, Gemma usw.) ausführt. Es handelt sich um zwei verschiedene Werkzeuge für zwei verschiedene Anforderungen.

Was CLIP in Immich leistet
Ihre Fotos nach Ähnlichkeit zu einem Satz ordnen. Das Ergebnis ist eine sortierte Liste von Bildern, keine ausformulierte Antwort. Das Modell ist klein, die Indizierung erfolgt einmalig, danach ist die Suche schnell.
Was ein Vision-Assistent leistet
Ein Bild beschreiben, eine Frage zu seinem Inhalt beantworten, Text lesen (OCR), zwei Bilder vergleichen. Es erzeugt Text, Bild für Bild, und ist in Rechenleistung und Speicher deutlich aufwendiger.
Was CLIP nicht kann
Die Frage „Wie viele Personen sind auf diesem Foto?“ beantworten, eine Szene beschreiben, ein abfotografiertes Dokument zuverlässig lesen oder zählen. Es liefert einen Ähnlichkeitswert, mehr nicht.
Was Immich nicht nativ integriert
Ein Vision-LLM, das Bildunterschriften verfasst oder mit Ihrer Fotobibliothek einen Dialog führt. Es gibt Projekte von Drittanbietern, sie sind jedoch nicht Teil von Immich und werden hier nicht behandelt.

Wenn Sie „das Foto vom Whiteboard am Dienstag“ wiederfinden möchten, reicht CLIP oft aus. Wenn Sie den Text auf diesem Whiteboard extrahieren oder zusammenfassen möchten, benötigen Sie ein Vision-Modell, zum Beispiel über Ollama, für ein Bild, das Sie ihm ausdrücklich übergeben.

#Voraussetzungen

Eine funktionierende Immich-Instanz
Installiert mit der offiziellen docker-compose.yml, die den Dienst immich-machine-learning enthält. Wenn Sie ihn aus Ihrer Compose-Datei entfernt haben, funktioniert die intelligente Suche nicht.
Ein Administratorkonto
Die Modellauswahl und der Start der Indexierungsjobs erfolgen in der Serveradministration.
Arbeitsspeicher und Zeit
Ein größeres CLIP-Modell benötigt mehr RAM und indiziert langsamer. Wir veröffentlichen keine Zeitangaben: Sie hängen vom Modell, von der Anzahl der Fotos und von CPU oder GPU ab, und wir haben keine dokumentierte Messung, die wir Ihnen nennen könnten.
Hardwarebeschleunigung (optional)
Immich dokumentiert eine Beschleunigung des Machine Learnings (CUDA für NVIDIA, OpenVINO für Intel, ROCm für AMD, ARM NN und RKNN für bestimmte ARM-Boards). Sie ist nicht zwingend erforderlich: Die CPU reicht aus, nur langsamer.
Ein aktuelles Backup
Ein Modellwechsel verändert Ihre Dateien nicht, doch wenn Sie auf einem Heimserver aufwendige Aufgaben neu starten, ist das ein guter Zeitpunkt, um zu prüfen, ob die Sicherung der Datenbank und der Originale aktuell ist.

Um zu prüfen, ob der Machine-Learning-Dienst läuft, führen Sie im Ordner mit Ihrer docker-compose.yml Folgendes aus:

Terminal – Status und Logs des ML-Containers
# Lister les services Immich et leur état
docker compose ps

# Suivre les journaux du service de machine learning
docker compose logs -f immich-machine-learning

#KI-Fotosuche aktivieren und ein mehrsprachiges Modell wählen

Das in der Immich-Dokumentation angegebene Standardmodell ist ViT-B-32__openai, ein CLIP-Modell, das hauptsächlich mit englischen Bildunterschriften trainiert wurde. Es funktioniert, doch eine Anfrage auf Französisch liefert in der Regel weniger relevante Ergebnisse als dieselbe Anfrage auf Englisch. Die Dokumentation empfiehlt, ein mehrsprachiges Modell zu verwenden, wenn Sie in einer anderen Sprache als Englisch suchen.

  1. 01
    Die Machine-Learning-Einstellungen öffnen
    Öffnen Sie in Immich die Administration, dann die Einstellungen und anschließend den Abschnitt Machine Learning. Prüfen Sie, ob das Machine Learning aktiviert ist und die URL des Dienstes tatsächlich auf Ihren Container verweist (standardmäßig der Dienst immich-machine-learning aus der Compose-Datei).
  2. 02
    Das CLIP-Modell wählen
    Ersetzen Sie im Unterabschnitt Smart Search den Modellnamen. Die angebotenen Modelle werden vom Immich-Team auf Hugging Face veröffentlicht, und die Dokumentation verweist auf eine Liste, die für jedes Modell Größe, Speicherbedarf und Mehrsprachigkeit angibt. Zu den genannten mehrsprachigen Modellfamilien gehören insbesondere nllb-clip (zum Beispiel nllb-clip-base-siglip__v1, nllb-clip-large-siglip__v1) und XLM-Roberta (zum Beispiel XLM-Roberta-Large-Vit-B-16Plus). Kopieren Sie den exakten Namen aus der offiziellen Liste: Ein Tippfehler verhindert den Download.
  3. 03
    Aufzeichnen
    Beim nächsten Bedarf lädt der ML-Container das Modell von Hugging Face herunter und behält es anschließend in seinem Cache (Volume model-cache der offiziellen Compose-Datei). Der erste Aufruf kann daher langsam sein oder fehlschlagen, wenn der Server keinen Internetzugang hat.
  4. 04
    Indexierung der gesamten Fotobibliothek neu starten
    Öffnen Sie unter „Administration“ die Aufgaben (Jobs). Starten Sie in der Zeile Smart Search die Verarbeitung für alle Fotos („All“) und nicht nur für die fehlenden („Missing“): Die mit dem alten Modell berechneten Vektoren sind nicht mehr kompatibel. Verfolgen Sie den Fortschritt auf derselben Seite und in den Logs des Containers.
  5. 05
    Mit einigen bekannten Suchanfragen testen
    Wählen Sie drei oder vier Fotos aus, deren Inhalt Sie kennen, suchen Sie auf Französisch danach und prüfen Sie, ob sie in den Ergebnissen erscheinen. Das ist Ihr einziger echter Test: Die Relevanz hängt von Ihrer Fotosammlung ab, und wir können sie Ihnen aus der Ferne nicht garantieren.
!
Solange die Neuindizierung nicht abgeschlossen ist, sind die Ergebnisse inkonsistent
Während der Verarbeitung haben einige Fotos Vektoren des neuen Modells und andere des alten. Die Ergebnisse können schlecht oder unvollständig wirken. Warten Sie das Ende des Smart-Search-Jobs ab, bevor Sie ein Modell beurteilen.

Welches Modell sollten Sie wählen? Die Dokumentation nennt kein allgemeingültiges „bestes“ Modell. Der Kompromiss ist der übliche: Ein größeres Modell (large-Varianten) verspricht eine bessere Relevanz, verbraucht aber mehr Speicher und indexiert langsamer; ein base-Modell ist schlanker. Beginnen Sie auf einem kleinen Server oder einem NAS ohne GPU mit einer mehrsprachigen base-Variante; wenn die Relevanz Sie enttäuscht und die Maschine noch Reserven hat, probieren Sie eine größere Variante aus – wobei Sie bedenken sollten, dass dann alles neu indexiert werden muss.

i
Sprache der Anfrage und NLLB-Modelle
Die nllb-clip-Modelle basieren auf einem mehrsprachigen Text-Encoder, der die Sprache der Suchanfrage berücksichtigt. Laut Dokumentation verwendet Immich für diese Modelle die in der Oberfläche eingestellte Sprache. Belassen Sie die Oberfläche daher auf Französisch, wenn Sie auf Französisch suchen. Dieses Verhalten kann sich von Version zu Version ändern: Prüfen Sie die Seite „Searching“ in der Dokumentation Ihrer Version.

#Fotos auf Französisch durchsuchen

Sobald die Indizierung abgeschlossen ist, erfolgt die Suche über die Suchleiste der Web- oder Mobil-App. Je nach Version bietet die Oberfläche mehrere Sucharten: Kontext (die CLIP-Suche), Dateiname, Beschreibung und in neueren Versionen per OCR erkannter Text. Für eine Suche per Beschreibung bleiben Sie im Kontextmodus.

Beschreiben Sie, was zu sehen ist
„rotes Fahrrad an einer Wand“, „Sonnenuntergang über dem Meer“, „Kind, das Kerzen ausbläst“. CLIP reagiert auf Objekte, Szenen, Farben und Stimmungen.
Vermeiden Sie, was das Bild nicht zeigt
„Urlaub 2019 bei Paul“ entspricht nichts Sichtbarem. Für Datum, Ort oder Person verwenden Sie die Filter.
Kombinieren Sie mit den Filtern
Über das Filterfeld können Sie nach Personen (Gesichtserkennung, eine weitere Funktion desselben ML-Containers), Ort, Gerät, Datum und Medientyp eingrenzen. Eine kurze Anfrage plus zwei Filter schlägt oft einen langen Satz.
Reformulez
Wenn „chat“ zu viele Ergebnisse liefert, präzisieren Sie: „chat noir endormi sur un canapé“. Wenn nichts gefunden wird, vereinfachen Sie. Testen Sie auch Englisch: Wenn Englisch deutlich besser funktioniert, ist Ihr Modell wahrscheinlich einsprachig.
Nicht mit der Textsuche verwechseln
Der Kontextmodus liest keinen Text in den Fotos. Um einen Screenshot anhand seines geschriebenen Inhalts wiederzufinden, verwenden Sie die OCR-Suche, sofern Ihre Version sie anbietet, oder die Suche nach Dateiname oder Beschreibung.

Die Ergebnisse sind nach Ähnlichkeit sortiert, und es gibt keinen Schwellenwert „passt / passt nicht“: Die Suche liefert immer etwas, selbst bei einer unsinnigen Anfrage. Die ersten Ergebnisse sind die ähnlichsten; je weiter unten, desto weniger relevant.

#Datenschutz: Was bei Ihnen bleibt

Das ist das Hauptargument für eine selbst gehostete KI-Fotosuche, sollte aber präzise formuliert werden. Diese Anleitung beschreibt die dokumentierte Architektur; sie stellt kein Audit Ihrer Installation dar und garantiert nicht, dass keine Daten Ihr Netzwerk verlassen.

Die Berechnungen
In der offiziellen Konfiguration übernimmt der Container immich-machine-learning auf Ihrem Rechner die Kodierung der Fotos und Anfragen. Die Embeddings werden in Ihrer PostgreSQL-Datenbank gespeichert.
Das Herunterladen der Modelle
Die Modellgewichte werden bei der ersten Verwendung von Hugging Face heruntergeladen. Dieser ausgehende Datenverkehr ist normal; er enthält nicht Ihre Fotos. Sobald das Modell im Cache liegt, wird es nicht erneut heruntergeladen, solange Sie das Volume behalten.
Ein ausgelagertes ML
Die URL des Machine-Learning-Dienstes ist konfigurierbar: Sie können den ML-Container auf einem anderen Rechner betreiben (zum Beispiel einem PC mit GPU). In diesem Fall werden Ihre Fotos an diesen Rechner übertragen. Belassen Sie ihn in Ihrem lokalen Netzwerk oder hinter einem VPN, niemals direkt dem Internet ausgesetzt.
Die übrigen Funktionen
Karten, die Versionsprüfung oder andere Einstellungen können externe Dienste kontaktieren. Diese sind unabhängig von der CLIP-Suche; prüfen Sie die Servereinstellungen, wenn Sie einen Betrieb ohne ausgehende Verbindungen anstreben.
Deaktivieren
Das Machine Learning oder nur die intelligente Suche kann in den Einstellungen deaktiviert werden. Ihre Fotos bleiben zugänglich; Sie verlieren lediglich die Suche per Beschreibung.
→
Server ohne Internetzugang
Wenn Ihr Server isoliert ist, kann das Modell nicht heruntergeladen werden. Ein möglicher Ansatz: Den ausgehenden Zugriff für die Dauer des ersten Downloads zulassen und ihn danach sperren – das Modell bleibt im Cache-Volume. Prüfen Sie anschließend in den Logs des ML-Containers, ob er das Modell tatsächlich aus dem Cache lädt.

#Häufige Fehler und Fehlerbehebung

Die Suche liefert nichts oder einen Fehler
Der ML-Container ist gestoppt oder nicht erreichbar, oder die URL in den Einstellungen ist falsch. Prüfen Sie docker compose ps und die Logs von immich-machine-learning.
Download des Modells fehlgeschlagen
Falsch geschriebener Modellname, kein Zugriff auf Hugging Face oder volle Festplatte. Die Logs des ML-Containers zeigen in der Regel, welche Ursache vorliegt.
Der ML-Container startet ständig neu
Häufig Speichermangel bei einem großen Modell oder ein Beschleunigungs-Image (zum Beispiel -cuda), das nicht zur Hardware passt. Wechseln Sie zu einem kleineren Modell oder zum CPU-Image zurück, um das Problem einzugrenzen.
Schlechte Ergebnisse nach einem Modellwechsel
Der Smart-Search-Job wurde nur für fehlende Fotos gestartet oder ist noch nicht abgeschlossen. Starten Sie ihn für alle Fotos neu.
Schlechte Ergebnisse auf Französisch, korrekte auf Englisch
Das aktive Modell ist einsprachig (zum Beispiel das Standardmodell ViT-B-32__openai). Wechseln Sie zu einem mehrsprachigen Modell und indexieren Sie neu.
Neue Fotos nicht auffindbar
Die Indizierung neuer Dateien läuft über die Aufgabenwarteschlange. Ist sie pausiert oder überlastet, haben neue Fotos noch keinen Vektor. Prüfen Sie die Aufgabenseite.
Terminal – ML-Dienst nach einer Änderung neu starten
# Redémarrer uniquement le conteneur de machine learning
docker compose restart immich-machine-learning

# Afficher les 100 dernières lignes de journal
docker compose logs --tail=100 immich-machine-learning

#Grenzen und Quellen

Diese Anleitung veröffentlicht keine Indexierungszeiten, keinen gemessenen Speicherverbrauch und keine Relevanzwerte: Wir verfügen über keine dokumentierte Messung (Hardware, Version, Modell, Größe der Fotobibliothek), die wir Ihnen vorlegen könnten. Die Größenordnungen, die Sie online finden, hängen stark von diesen Parametern ab; der einzige verlässliche Anhaltspunkt ist ein Test auf Ihrem eigenen Server mit einigen Suchanfragen, deren Antwort Sie kennen.

Immich entwickelt sich schnell weiter. Menübezeichnungen, die Liste der verfügbaren Modelle und die Suchtypen ändern sich von Version zu Version. Die obigen Angaben stützen sich auf die Seite „Searching“ der offiziellen Dokumentation, die die Redaktion am 30. Oktober 2026 eingesehen hat; sie wurden am Tag der Veröffentlichung nicht erneut überprüft. Bei Abweichungen ist die Dokumentation Ihrer Version maßgeblich: docs.immich.app/features/searching/.

i
CLIP-Suche und RAG: dieselbe Idee
Die CLIP-Suche funktioniert wie der „Retrieval“-Teil eines RAG: gespeicherte Embeddings, eine kodierte Anfrage, ein Ähnlichkeitsvergleich. Der Unterschied besteht darin, dass das Modell sowohl Bilder als auch Text im selben Raum kodiert. Wenn Sie bereits ein RAG für Ihre Dokumente aufgebaut haben, haben Sie das richtige mentale Modell.

#Weiterführende Informationen

Die CLIP-Suche findet Fotos; um sie zu beschreiben, sie zu befragen oder Text aus ihnen zu extrahieren, benötigen Sie ein Vision-Modell. Diese Anleitungen der Website vertiefen das Thema.

Multimodales Vision-LLM lokal: Bilder mit Ollama analysieren
Die verwandte Anleitung: ein Bild beschreiben, OCR durchführen, ein Foto mit einem lokalen Vision-Modell befragen. Die natürliche Ergänzung zur CLIP-Suche.
Qwen3-VL lokal mit Ollama
Ein präzises Vision-Modell, um die Fotos, die Sie mit der Immich-Suche gefunden haben, im Detail zu analysieren.
BGE-M3: Embeddings, die Französisch sprechen
Dasselbe Prinzip mehrsprachiger Embeddings, angewandt auf Text – um zu verstehen, warum ein einsprachiges Modell Anfragen auf Französisch benachteiligt.
Hat Ihnen dieser Guide geholfen?

Haben Sie Feedback, einen Fehler entdeckt oder möchten Sie etwas präzisieren? Geben Sie uns Bescheid – so wird der Guide für alle besser.