Immich için ne kadar RAM ve disk gerekir?
Immich için belgelenen minimum RAM 6 GB'dir. Sunucu, Postgres, Redis ve machine learning gereksinimleri ile 4 GB RAM'de çalıştırma yolları açıklanır.
Immich ne kadar RAM'e ihtiyaç duyar?
Immich, belgelenmiş minimum gereksinim olarak 6 GB RAM (rastgele erişimli bellek) ve önerilen değer olarak 8 GB RAM talep eder; düşük seviyeli kurulumlar için 2 CPU çekirdeği, rahat bir kurulum için ise 4 çekirdek gerekir. Bu rakam tüm yığını kapsar çünkü Immich tek bir uygulama değil, dört container'dan oluşur. Hali hazırda içe aktarılmış bir kütüphanede gezinmek düşük maliyetlidir. Bellek tüketimi içe aktarma sırasında gerçekleşir ve bunun büyük bir kısmı kapatabileceğiniz bir container'a gider.
Bu grafiğin arkasındaki veriler
[
{
"label": "Documented minimum",
"ram_gb": 6,
"cpu_cores": 2
},
{
"label": "Documented recommended",
"ram_gb": 8,
"cpu_cores": 4
}
]Bunlar, Ekim 2026 itibarıyla Immich gereksinimleri sayfasında yayınlanan rakamlardır. Bunlar bir boyutlandırma önerisidir, yazılımın başlangıçta yaptığı bir kontrol değildir. Aynı sayfada, makine öğrenimi özellikleri devre dışı bırakıldığında 4 GB RAM ile daha küçük bir kurulumdan bahsedilmektedir; bunun altında bir değer belirtilmemiştir. Daha küçük bir sunucuda değişen şey, hangi arka plan işlerinin tamamlandığı ve bellek tükendiğinde içe aktarma işleminin nasıl tepki verdiğidir.
Gerçek bir kesin sınır mevcuttur. 3. sürümden itibaren, amd64 ana bilgisayarlardaki makine öğrenimi container'ı, yaklaşık 2012'den beri satılan çoğu işlemciyi kapsayan bir x86-64-v2 CPU gerektirir. Bu gereksinim sunucunun tamamı için değil, ilgili container için geçerlidir. Bu nedenle, eski donanımlarda makine öğrenimini kapatabilir, aşağıda açıklandığı gibi başka bir makinede çalıştırabilir veya Immich belgelerinde uyumlu son sürüm olarak belirtilen v2.7.5 sürümünde kalabilirsiniz. Bu sürüm artık desteklenmemektedir ve eşleşen bir immich-server sürümü gerektirir.
Kurulumu henüz yapmadıysanız, Docker Compose ile tam Immich kurulumu rehberiyle başlayın ve sunucuyu boyutlandırmak için buraya geri dönün.
Bellek nereye gidiyor: dört container
Resmi Compose dosyası dört servis başlatır. Her birinin farklı bir bellek yapısı vardır, bu nedenle tek bir toplam sayı, işinize yarayacak kısmı gizler.
immich-server web arayüzüne ve API'ye hizmet eder, ayrıca arka plan iş çalışanlarını (workers) çalıştırır. İki çalışan bu tek container içinde yaşar. api tarayıcıdan ve mobil uygulamadan gelen isteklere yanıt verir. microservices küçük resim oluşturma ve video kodlama dahil olmak üzere kuyrukları çalıştırır. IMMICH_WORKERS_INCLUDE ve IMMICH_WORKERS_EXCLUDE değişkenleri, bu ikisini ayrı container'lara böler; bu, yoğun olan yarıya, fotoğraflarınızı sunan yarıyı kısıtlamadan kendi bellek sınırını vermenizi sağlar.
database, VectorChord eklentisi yerleşik olarak gelen bir PostgreSQL 14 imajıdır. Her bir meta veri parçasını ve varlık başına bir arama vektörünü tutar. Immich belgeleri, bu servise yığındaki tek açık alt sınırı verir: Docker kaynak sınırları uygularsanız, veritabanı en az 2 GB'a ihtiyaç duyar. Aynı sayfada, veritabanının ideal olarak yerel bir SSD depolama biriminde olması ve hiçbir şekilde ağ paylaşımı üzerinde olmaması gerektiği belirtilir; çünkü vektör ve dizin aramaları küçük rastgele okumalardır, bu nedenle bir ağ birimi her birini bir gidiş-dönüş süresine dönüştürür. Bir plan tercihi buna bağlıysa, VPS üzerinde NVMe ve SATA SSD depolama arasındaki fark burada yığındaki diğer her yerden daha önemlidir.
redis Valkey imajını çalıştırır ve iş kuyruklarını tutar. Fotoğraf verisi yerine iş kayıtlarını depoladığı için dörtlü arasında açık ara en küçük olanıdır.
immich-machine-learning plan boyutunuzu belirleyen servistir. Akıllı arama, yüz algılama ve metin tanıma için modelleri yükler ve yüklenen bir model bellekte kalır. MACHINE_LEARNING_MODEL_TTL varsayılan olarak 300'dür, bu nedenle bir model beş dakika boyunca istek almazsa bırakılır ve bir sonrakinde /cache biriminden tekrar okunur. Toplu içe aktarma sırasında beş dakikalık bir boşluk asla olmaz, bu nedenle modeller ilk varlıktan sonuncusuna kadar yüklü kalır.
İçe aktarma sırasında neler değişir
Boşta duran bir Immich sessizdir. İçe aktarma işlemleri, küçük sunucuların zorlandığı noktalardır; çünkü tek bir varlığın yüklenmesi bir iş zincirini tetikler ve aynı anda birden fazla kuyruk çalışır.
Meta veri ayıklama işlemi dosya başlığını okur ve hafiftir. Küçük resim (thumbnail) oluşturma ise daha ağırdır. Immich, varsayılan olarak her varlık için üç farklı küçük resim çıktısı üretir: bulanık bir thumbhash yer tutucusu, küçük bir WebP küçük resmi ve büyük bir JPEG veya WebP önizlemesi; ayrıca tanınan kişiler için ek küçük resimler oluşturulur. Bu işlerin her biri bir görselin kodunu çözer ve iş eşzamanlılığı (concurrency), aynı anda kaç tanesinin çözüleceğini belirler. Eşzamanlılık, iş başına düşen düşük maliyeti sunucu genelinde bir yüke dönüştüren çarpandır; bu nedenle Immich FAQ, kısıtlı kaynaklara sahip makinelerde ilk düşürülmesi gereken ayar olarak bunu belirtir. Ağır kuyruklar için eşzamanlılık değerini Administration, Settings, Job Settings altından 1 olarak ayarlayın.
Video varlıkları transkoding işlemini de beraberinde getirir. Her transkoding işi, kendi bellek alanına sahip ayrı bir FFmpeg sürecidir ve izin verdiğiniz tüm CPU iş parçacıklarını (thread) kullanır.
Akıllı arama, her yeni varlığı bir gömme vektörü (embedding vector) hesaplaması için makine öğrenimi konteynerine gönderir. Yüz algılama ise aynı görsel üzerinde ikinci bir model çalıştırır. Mevcut bir fotoğraf kütüphanesinin ilk içe aktarımı sırasında, bu kuyrukların her ikisi de sahip olduğunuz tüm varlıklar üzerinde saatlerce çalışır. Bu durum, kurulumun tamamındaki bellek kullanımı açısından en kritik andır ve yalnızca bir kez gerçekleşir.
Yüz ve nesne tanımanın neden en fazla RAM'e ihtiyaç duyduğu
Yüz işleme iki aşamalı bir iştir. Yüz algılama, makine öğrenimi container'ında bir model çalıştırır ve kutuları bulur. Yüz tanıma ise bu algılamaları kişilere göre gruplandırır ve bu adım Postgres'teki vektör dizinini sorgular. Dolayısıyla büyük bir kütüphane, sırayla her iki servisi de zorlar: algılama çalışırken model container'ı, gruplandırma çalışırken veritabanı.
Dört ayar, makine öğrenimi container'ının ne tuttuğunu değiştirir.
- Yüz modeli. Immich varsayılan olarak
buffalo_lile gelir ve FAQ küçük bir sunucudabuffalo_skullanılmasını önerir. Daha küçük bir modeldir, bu nedenle daha az bellek kaplar ve daha hızlı çalışır; ancak küçük veya yan profilden yüzlerde doğruluk kaybına neden olur. - Çalışan sayısı.
MACHINE_LEARNING_WORKERSvarsayılan olarak 1'dir. Her çalışan, modellerin kendi kopyasını yükleyen ayrı bir süreçtir, bu nedenle bunu 2'ye çıkarmak, bellekteki model yükünü kabaca ikiye katlar. RAM'iniz boşta değilse değeri 1 olarak bırakın. - Toplu iş boyutu (batch size).
MACHINE_LEARNING_MAX_BATCH_SIZE__FACIAL_RECOGNITIONaynı anda kaç yüzün işleneceğini sınırlar. Bir toplu iş bellekte bir arada tutulur, bu nedenle kırk yüzlü bir grup fotoğrafı, bir portre fotoğrafından daha fazla bellek tüketir. - Hangi model türlerinin çalışacağı. Akıllı arama, yüz algılama ve metin tanıma, her biri kendi modellerini yükler. Kullanmadıklarınızı Administration, Settings, Machine Learning Settings altından kapatmak, içe aktarma işlemleri arasında değil, kalıcı olarak bellekten kaldırılmalarını sağlar.
Ayrıca, parçalanmayı önlemek için CPU belleğini önceden ayırdığı belgelenen ve varsayılan olarak açık olan MACHINE_LEARNING_MODEL_ARENA vardır. Bunu en son değiştirin. Etkisi alttaki bellek ayırıcısına bağlıdır, bu nedenle bunu değerlendirmenin tek dürüst yolu, öncesinde ve sonrasında docker stats değerini izlemektir.
Üç çalışma profili: 2 GB, 4 GB ve 8 GB
Bu grafiğin arkasındaki veriler
[
{
"label": "2 GB VPS",
"server_limit_mb": 768,
"db_limit_mb": 768,
"ml_limit_mb": 0,
"redis_limit_mb": 128,
"notes": "below every documented configuration, machine learning container removed"
},
{
"label": "4 GB VPS",
"server_limit_mb": 1024,
"db_limit_mb": 2048,
"ml_limit_mb": 0,
"redis_limit_mb": 192,
"notes": "documented 4 GB setup: machine learning disabled or moved to another host, job concurrency 1"
},
{
"label": "8 GB VPS",
"server_limit_mb": 2048,
"db_limit_mb": 2048,
"ml_limit_mb": 2560,
"redis_limit_mb": 256,
"notes": "everything on at default settings"
}
]Bunları Compose dosyasına girilecek limitler olarak okuyun; Immich'in kullandığı miktarın ölçümü olarak değil. Limit bir tavan değeridir. Hiçbir şeyi rezerve etmez ve bir servisi küçültmez. Bir container'ın bellek kullanımını sınırlar; bu sınırın aşılması bellek geri kazanımını tetikler ve başarısız olursa container içinde bellek yetersizliği (OOM) kaynaklı sonlandırmaya yol açar. Tüm sunucunun belleği biterse, çekirdeğin hangi container'ı sonlandıracağını bu limit belirlemez.
2 GB kutusu: makine öğrenimi container'ını kaldırma
2 GB, 6 GB olan bellek gereksinimi minimumunun ve Immich'in belgelediği tek kısıtlı kurulum olan (makine öğrenimi devre dışı bırakılmış 4 GB) değerin altındadır. Immich 2 GB'lık bir yapılandırma yayınlamamıştır, bu nedenle bu profil bir tarif değil, desteklenmeyen bir uzlaşmadır. Yine de denemek isterseniz, docker-compose.yml içindeki tüm immich-machine-learning servisini yorum satırı yapın veya çalışır durumda bırakıp Yönetim, Ayarlar, Makine Öğrenimi Ayarları altındaki tüm modelleri devre dışı bırakın. Container'ı kaldırmak daha kesin bir yöntemdir, çünkü devre dışı bırakılan bir model yine de Python sürecini bellekte tutar.
Yüklemeleri, albümleri, paylaşımı, mobil yedeklemeyi, küçük resimleri ve tarihe, yere veya dosya adına göre aramayı korursunuz. Açıklamaya göre aramayı, yüzlerin otomatik gruplandırılmasını ve görsellerdeki metin tanımayı kaybedersiniz.
Dört limit toplamda yaklaşık 1.7 GB eder, bu da sunucuya yaklaşık 300 MB boş alan bırakır. Immich belgeleri, Docker kaynak limitleri kullanıldığında veritabanının tek başına en az 2 GB'a ihtiyaç duyduğunu belirtir; bu da tüm kutunun kapasitesidir. Bu yüzden veritabanı için 768 MB, bu alt sınırın oldukça altındadır ve Postgres'in burada sonlandırılma olasılığı en yüksek servis olmasının nedeni budur.
İlk bozulan şey içe aktarma işlemidir. Bir sayfaya hizmet vermek, bir meta veri sorgusu ve bir dosya okumasıdır; bu nedenle zaten mevcut olan bir kütüphaneye göz atmak kutuyu en az yoran işlemdir. Ancak video ağırlıklı bir içe aktarma işlemi takas (swap) alanına düşecektir, çünkü transkodlama ve küçük resim kuyruğu aynı anda belleğe ihtiyaç duyar. Eğer elinizdeki tek kaynak 2 GB ise, tüm yoğun kuyrukları 1 eşzamanlılık değerine ayarlayın ve bir swap dosyası ekleyin. Bir plan seçiyorsanız, 4 GB'ı gerçek alt sınır olarak kabul edin.
4 GB kutusu: makine öğrenimi açık, tek seferde tek iş
Immich, 4 GB'ı makine öğrenimi özellikleri devre dışıyken çalışabilir olarak belgeler ve gereksinimler sayfasındaki tek kısıtlı yapılandırma budur. Veritabanı belgelenen 2 GB alt sınırındayken, tablodaki üç limit toplamda yaklaşık 3.2 GB eder ve bu da sunucuya yaklaşık 800 MB boş alan bırakır. Küçük resim oluşturma için iş eşzamanlılığını 1'e ayarlayın ve transkodlama iş parçacıklarını düşük tutun.
Yüz ve nesne tanımayı korumak için belgelenen yöntem, makine öğrenimi container'ını aşağıda açıklandığı gibi başka bir makinede çalıştırmak ve bu sunucuyu ona yönlendirmektir. Bunu aynı 4 GB'lık kutuda çalıştırmak, Immich'in belgelerinin dışına çıkar; çünkü veritabanı alt sınırı sunucu, Redis, modeller ve ana makine için toplamda yaklaşık 2 GB bırakır. Yine de denemek isterseniz, makine öğrenimi container'ını bir Compose limiti ile sınırlayın, yüz tanımayı buffalo_s olarak değiştirin ve küçük resim oluşturma, yüz algılama ve akıllı arama için iş eşzamanlılığını 1 olarak ayarlayın.
Makine öğrenimi bu kutuda çalışıyorsa, ilk bozulan şey ilk toplu geçiş sırasında bu container olur. Sınırlandırılmadığında, transkodlama ve diğer servislerle ana makine belleği için rekabet eder ve bellek biterse çekirdeğin bellek yetersizliği sonlandırıcısı bir süreci seçer. Saniyeler içinde yeniden başladığı için, docker ps -a onu Up olarak gösterir; çalışma süresi komşularından çok daha kısadır ve Exited (137) durumunda değildir; kuyruk ise en son baktığınızdan daha geridedir.
8 GB kutusu: belgelenen öneri
4 çekirdek ile 8 GB, Immich'in önerdiği değerdir ve her şey varsayılan ayarlarda çalışır: akıllı arama, yüz algılama, metin tanıma ve transkodlama, varsayılan eşzamanlılık değerlerinde.
Limitleri yine de ayarlayın. Kaynakları olan bir kutuda limitler, kontrolden çıkan bir kuyruğun veritabanını da beraberinde çökertmesini engeller. Bunu daha küçük seçeneklerle fiyat açısından karşılaştırıyorsanız, bellek katmanına göre bir VPS'in gerçek maliyeti genellikle 8 GB planını ince ayar yapmayı bırakmanın en ucuz yolu haline getirir.
Compose ile servis başına bellek sınırı nasıl belirlenir
Bunun için docker-compose.yml dosyasını düzenlemeyin. Bu dosya, her güncelleme yaptığınızda wget ile değiştirilir. Sınırları, docker compose tarafından otomatik olarak birleştirilen yanındaki docker-compose.override.yml dosyasına ekleyin.
services:
immich-server:
deploy:
resources:
limits:
memory: 1024M
immich-machine-learning:
deploy:
resources:
limits:
memory: 1024M
cpus: '1.5'
database:
deploy:
resources:
limits:
memory: 2048M
redis:
deploy:
resources:
limits:
memory: 192Mdocker compose up -d
docker stats --no-streamdocker stats artık ana makinenin toplam belleği yerine MEM USAGE / LIMIT sütununda sizin belirlediğiniz üst sınırı göstermelidir. Eğer sınır sütunu hala ana makinenin toplam boyutunu gösteriyorsa, dosya adını kontrol edin ve birleştirilmiş sonucu görmek için docker compose config komutunu çalıştırın. Göz ardı edilen bir geçersiz kılma, olası nedenlerden yalnızca biridir: rootless Docker, kaynak sınırlarını uygulamak için cgroup v2 ve systemd gerektirir; bu gereksinimler karşılanmadığında, yapılandırma doğru yüklense bile cgroup ile ilgili bayraklar yok sayılır. cgroup sürümünü ve sürücüsünü kontrol etmek için docker info komutunu çalıştırın; Cgroup Driver değerinin none olması, bu gereksinimlerin karşılanmadığı anlamına gelir. Rootless CPU sınırları ayrıca CPU denetleyicisinin kullanıcıya devredilmesini gerektirir.
Veritabanını 2048M veya üzerinde tutun. Immich belgeleri, Docker kaynak sınırları kullanıldığında veritabanı için alt sınır olarak 2 GB önermektedir. Çok düşük bir sınır, yavaş bir servisi tamamen durdurabilir; bu nedenle bir container sürekli yeniden başlatılıyorsa sınırı yükseltin. deploy komutunun Swarm dışında Compose v2 ile nasıl çalıştığı da dahil olmak üzere, mekanikler hakkında daha fazla bilgi için Docker Compose'da servis başına bellek sınırı belirleme bölümüne bakabilirsiniz.
Makine öğrenimi container'ını kapatma veya taşıma
Küçük bir sunucuda, bu container'ı başka bir yere taşımak yapabileceğiniz en büyük iyileştirmedir. Immich, container'ın başka bir makinede çalıştırılmasını destekler. Sadece akşamları açık olan bir masaüstü bilgisayar bile olabilen ikinci ana makinede şu dosyayı oluşturun:
name: immich_remote_ml
services:
immich-machine-learning:
container_name: immich_machine_learning
image: ghcr.io/immich-app/immich-machine-learning:${IMMICH_VERSION:-release}
volumes:
- model-cache:/cache
restart: always
ports:
- 3003:3003
volumes:
model-cache:docker compose up -d
curl -s http://localhost:3003/pingArdından web arayüzünde Administration, Settings, Machine Learning Settings kısmına gidin, Add URL butonuna tıklayın ve http://<host>:3003 adresini girin. Immich dokümantasyonu, iki ana makine arasındaki sürüm uyumsuzluklarının hatalara ve kararsızlığa yol açabileceği konusunda uyardığı için her iki taraftaki sürümü aynı tutun. Yerel makine öğrenimi container'ını kaldırmak için, her ikisini de tutmak yerine mevcut URL'yi uzak URL ile değiştirin. Uzak ana makine çevrimdışı olduğunda, akıllı arama ve yüz algılama işleri başarısız olur; ayrıca ilgili varlıklar için bağımlı kopya tespiti ve yüz tanıma işleri çalışmaz. Uzak ana makine tekrar çevrimiçi olduğunda, Smart Search ve Face Detection için Missing butonlarını kullanarak bu işleri yeniden deneyin.
Söz konusu port, fotoğraflarınızın önizlemelerini şifrelenmemiş bir şekilde diğer makineye iletir. Immich dokümantasyonu, makine öğrenimi container'ının kendi güvenlik önlemlerine sahip olmadığı konusunda uyarır; bu nedenle container'ı özel bir ağda tutun veya iki ana makine arasında bir WireGuard tüneli üzerinden çalıştırın. 3003 numaralı portu asla internete açmayın.
Eğer sorun tamamen sürekli çalışan bir model container'ı fikriyse, bir plan boyutuna karar vermeden önce PhotoPrism ve Immich'in boşta çalışma prensipleri arasındaki farkları karşılaştırmak mantıklı bir yaklaşımdır.
Immich kütüphanesi ne kadar disk alanına ihtiyaç duyar?
Tek bir çarpan yoktur, çünkü dört farklı unsur dört farklı hızda büyür. 50.000 fotoğraf ve 500 kısa videodan oluşan bir kütüphane için hesaplama şu şekildedir:
Bu grafiğin arkasındaki veriler
[
{
"label": "Originals: 50,000 photos at 4 MB",
"gb": 200
},
{
"label": "Originals: 500 videos at 120 MB",
"gb": 60
},
{
"label": "Thumbnails and encoded video at 15%",
"gb": 39
},
{
"label": "Postgres database",
"gb": 3
},
{
"label": "Machine learning model cache",
"gb": 2
}
]200 GB fotoğraf ve 60 GB video varsayımdır. Herhangi bir satın alma yapmadan önce bu değerleri kendi ortalamalarınızla değiştirin, çünkü bu rakamı belirleyen şey videodur.
find /srv/immich/upload -type f -printf '%s\n' \
| awk '{n++; s+=$1} END {printf "%d files, %.1f MB average\n", n, s/n/1048576}'39 GB satırı, Immich tarafından yayınlanan tek orandır: oluşturulan küçük resimler ve dönüştürülen videolar, kütüphane boyutuna ortalama yüzde 10 ila 20 oranında ekleme yapar. Bu bir aralıktır çünkü tarayıcı uyumluluğu için yeniden kodlanması gereken varlıklarınızın miktarına bağlıdır. JPEG dosyalarından oluşan bir kütüphane bu aralığın alt sınırına yakın kalır.
Veritabanı bu tahminde 3 GB'tır. Immich, veritabanı dosyalarının piksellerden ziyade meta verileri ve arama vektörlerini barındırdığı için genellikle 1 ila 3 GB arasında olduğunu belirtir. Model önbelleği 2 GB'tır ve birden fazla model etkinleştirirseniz veya farklı modelleri test ederseniz büyür. FAQ, bu hacmi tam olarak bu nedenle bir alan tüketicisi olarak işaretler.
Beş satırın toplamı 300 GB'ın biraz üzerindedir, bu nedenle 500 GB'lık bir birim büyüme için alan bırakırken, 250 GB'lık bir birim bırakmaz. Dağılımı şu şekilde izleyin:
grep UPLOAD_LOCATION .env
du -sh /srv/immich/*UPLOAD_LOCATION altında altı klasör bulunur. upload ve library orijinalleri, thumbs önizlemeleri ve yüz küçük resimlerini, encoded-video yeniden kodlanmış kopyaları, profile avatarları ve backups otomatik veritabanı dökümlerini tutar. Vazgeçilemez dosyalar upload, library ve profile içindedir, ancak veritabanı da yedeklenmelidir: küçük resimler ve kodlanmış videolar yeniden oluşturulabilir, ancak veritabanı meta verileri yeniden oluşturulamaz.
İki durum kullanıcıları şaşırtır. Silinen varlıklar varsayılan olarak önce çöp kutusuna gider ve kalıcı olarak silinene kadar yer kaplamaya devam eder; bu nedenle çöp kutusunu boşaltmadığınız sürece büyük bir temizlik işlemi yaptığınız gün hiçbir alan açılmaz. Ayrıca bir veritabanı dökümü yalnızca meta veridir, bu nedenle dosyalar olmadan değersizdir:
docker exec -t immich_postgres pg_dump --clean --if-exists \
--dbname=immich --username=postgres | gzip > /srv/backups/immich-dump.sql.gzBunu, orijinallerin sunucu dışındaki bir yere dosya düzeyinde kopyasıyla eşleştirin; bir VPS'ten sunucu dışı depolamaya restic yedekleri tam olarak bunun içindir.
Transcoding, RAM ile değil CPU ile sınırlıdır
RAM eklemek transcoding işlemini hızlandırmaz. Immich, transcoding işlemini FFmpeg ile gerçekleştirir ve standart bir VPS üzerinde her kare CPU tarafından çözülür ve kodlanır. Her FFmpeg süreci, çözülmüş kareleri bellekte tampon olarak tutar; bu nedenle içe aktarma bölümü bir transcoding işlemini kendi başına bir bellek maliyeti olarak hesaplar, ancak işlemin hızı CPU tarafından belirlenir. Donanım hızlandırma mevcut olsa dahi, Immich dokümantasyonu varsayılan olarak yalnızca kodlamanın (encoding) hızlandırıldığını belirtir; bu nedenle donanım tabanlı kod çözmeyi (decoding) etkinleştirmediğiniz sürece CPU, kod çözme ve ton eşleme işlemlerini yapmaya devam eder.
Donanım hızlandırma, ek bir hwaccel.transcoding.yml Compose dosyası ve NVENC, Quick Sync, RKMPP veya VAAPI kullanarak geçiş yapabileceğiniz bir aygıt gerektirir. Çoğu VPS planı bunların hiçbirini sunmaz, bu yüzden CPU kapasitesine göre planlama yapın.
Pratik ayar, iş parçacığı (thread) sayısıdır. Administration, Settings, Video Transcoding Settings altında, Immich FAQ bölümünde önerildiği gibi, küçük bir planda CPU kullanımını azaltmak için iş parçacığı sayısını 1 veya 2 olarak ayarlayın.
Swap thrashing durumunun neden donma gibi göründüğü
Bu, kullanıcıların en sık yanlış yorumladığı hata türüdür. Immich bellek sınırına ulaştığında iki sonuç ortaya çıkar; bunlardan yalnızca biri hata gibi görünür.
Swap alanı yoksa çekirdek süreci sonlandırır (kill). Container saniyeler içinde yeniden başlar; bu nedenle tarayıcı üzerinden bakıldığında iş kuyruğu kısa süreliğine durur ve ardından devam eder. Kanıt docker ps -a içindedir:
docker ps -a --filter name=immich
docker inspect immich_machine_learning | grep -i oomkilled
sudo dmesg -T | grep -i -E 'out of memory|oom-kill'Exited (137), sürecin 9 numaralı sinyal ile sonlandırıldığı anlamına gelir. 137 değeri, 128 artı 9'dur. Bu durumu yalnızca container durdurulmuşken görebilirsiniz. Yeniden başlatma politikası container'ı tekrar ayağa kaldırdığında, docker ps -a komutu onu tekrar Up olarak gösterir; diğer Immich container'larına kıyasla çok daha kısa olan çalışma süresi (uptime) ise temel ipucudur. 9 numaralı sinyal tek başına bellek sorununu kanıtlamaz; çünkü Docker, normal bir durdurma işlemi zaman aşımına uğradığında da bu sinyali gönderir. OOMKilled değerinin true olması, sürecin bellek nedeniyle sonlandırıldığını doğrular. Container yeniden başladıktan sonra, dmesg içindeki oom-kill satırları güvenilir kayıt kaynağıdır.
Swap alanı mevcutsa çekirdek, süreci hemen sonlandırmak yerine bellek sayfalarını diske taşıyabilir; ancak bellek tükenmesi yine de sonlandırmaya yol açabilir. Yoğun swap kullanımı içe aktarma işlemini yavaşlatır ve web arayüzünün normal zaman aşımı süresi içinde yanıt verememesine neden olabilir. Tüm container'lar çalışır durumdadır. Tüm sağlık kontrolleri (health check) başarılı olabilir. Bu durum bir donma gibi görünür ve kullanıcılar bu noktada sunucuyu yeniden başlatır; bu işlem süreci kesintiye uğratır ve sorunu çözmez.
free -m
vmstat 1 5vmstat çıktısındaki si ve so sütunlarında sürekli sıfır olmayan değerlerin görülmesi, makinenin sürekli olarak swap okuyup yazdığı anlamına gelir. Bu etkinlik, duraksayan bir içe aktarma işlemiyle birleştiğinde thrashing durumuna işaret eder; kullanılan swap miktarının sürekli artması gerekmez.
2 GB veya 4 GB belleğe sahip makinelerde, bellek tükenmesine karşı bir tampon oluşturduğu için yine de swap ekleyin:
sudo fallocate -l 2G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstabArdından sorunun kaynağını giderin. İş eşzamanlılığını (job concurrency) 1'e düşürün, makine öğrenimi container'ını sınırlandırın veya bu sunucudan kaldırın. Swap size bu işlemleri yapmanız için zaman kazandırır. Tek başına bir çözüm değildir.
FAQ
Immich'i 2 GB RAM'e sahip bir VPS üzerinde çalıştırabilir miyim?
Immich dokümantasyonunda belirtilen hiçbir yapılandırmada bu mümkün değildir. Gereksinimler sayfası minimum 6 GB RAM şart koşar; makine öğrenimi özellikleri devre dışı bırakıldığında 4 GB RAM'i tek geçerli düşük yapılandırma olarak tanımlar ve Docker kaynak limitleri kullanıldığında yalnızca veritabanının en az 2 GB RAM'e ihtiyaç duyduğunu belirtir. immich-machine-learning servisini devre dışı bırakmak ve iş eşzamanlılığını (job concurrency) 1'e ayarlamak servisi çalıştırabilir ancak bu desteklenmeyen bir yöntemdir ve içe aktarma sırasında Postgres'in sonlandırılma olasılığı yüksektir. Eğer elinizde sadece 2 GB RAM varsa, içe aktarma sırasındaki ani yüklenmeleri karşılamak için 2 GB swap dosyası ekleyin; bu, bellek yetersizliği nedeniyle oluşan sonlandırmaların (OOM kill) tamamını engellemez. Bir plan seçiyorsanız, başlangıç için 4 GB RAM tercih edin.
Immich içe aktarma işlemim neden hata mesajı vermeden duruyor?
Tarayıcı üzerinden bakıldığında iki farklı neden aynı sonucu verir. Ya bir container bellek yetersizliği nedeniyle sonlandırılmış ve yeniden başlamıştır (bu durumda docker ps -a komutu, Up çıktısında şüpheli derecede kısa bir çalışma süresi gösterir; Exited (137) ise yalnızca container durdurulduğu anda yakalarsanız görünür), ya da ana makine swap kullanıyordur ve bu durumda tüm container'lar çalışmaya devam eder ancak sistem çok yavaşlar. vmstat 1 5 komutu bu iki durumu birbirinden ayırır: si ve so sütunlarında sürekli sıfır olmayan değerler görülmesi, swap kullanımına işaret eder. Her iki durumda da küçük resim oluşturma, yüz tanıma ve akıllı arama işlemleri için iş eşzamanlılığını düşürün.
Immich günlüklerinde 137 çıkış kodu ne anlama gelir?
137 kodu, 128 artı 9 numaralı sinyalin toplamıdır; yani süreç SIGKILL sinyali ile sonlandırılmıştır. Immich yüklü bir sunucuda bu genellikle bellek sınırına ulaşıldığı anlamına gelir; ya container'ın kendi limiti aşılmıştır ya da ana makinenin belleği tükenmiştir. Ancak kod tek başına bunun kanıtı değildir: Docker, bir container varsayılan 10 saniyelik zaman aşımı süresi içinde durmadığında da SIGKILL gönderir. Durumu docker inspect immich_machine_learning | grep -i oomkilled ile kontrol edin. true değeri, çekirdeğin belleği korumak için süreci sonlandırdığını doğrular; free -m ve sudo dmesg -T | grep -i oom-kill ise sorunun container limitinden mi yoksa ana makineden mi kaynaklandığını gösterir. Makine öğrenimi container'ı genellikle en büyük süreç olduğu için ilk etkilenen olur.
Immich fotoğraf başına ne kadar disk alanına ihtiyaç duyar?
Orijinal dosya boyutuna ek olarak yüzde 10 ila 20 oranında bir pay ayırın. Immich dokümantasyonu, oluşturulan küçük resimlerin ve dönüştürülen videoların kütüphane boyutunu ortalama yüzde 10 ila 20 oranında artırdığını, veritabanının ise genellikle 1 ila 3 GB yer kapladığını belirtir. Toplam alanı belirleyen asıl unsur videolardır; bu nedenle bir plan seçerken fotoğraf sayısı üzerinden çarpan uygulamak yerine, kendi ortalama dosya boyutunuzu hesaplayın.
Immich için GPU gerekli mi?
Hayır. Immich'in tüm bileşenleri CPU üzerinde çalışır. Bir grafik kartı, makine öğrenimi container'ındaki model çıkarımını ve video kodlama işlemlerini hızlandırır ancak bunların hiçbiri zorunlu değildir. Çoğu VPS planı GPU sunmaz. Yalnızca CPU içeren donanımlarda, kodlama iş parçacıklarını (transcoding threads) 1 veya 2 olarak ayarlayın, buffalo_s yüz modelini kullanın ve ilk toplu içe aktarma işlemini gece boyunca çalışmaya bırakın.