Posted inHomeLab

Triển khai Immich trên Docker: Giải pháp thay thế Google Photos self-hosted tích hợp AI

HomeLab tutorial - IT technology blog
HomeLab tutorial - IT technology blog

So sánh các giải pháp: Tìm kiếm sự thay thế thực sự cho dịch vụ ảnh đám mây

Vào lúc 2:15 sáng một ngày Chủ nhật, hệ thống cảnh báo trên máy chủ gia đình của tôi bắt đầu reo inh ỏi. Cả nhà vừa đổ 65 GB video 4K từ chuyến du lịch cùng hàng loạt tệp RAW vào Nextcloud. Máy chủ lập tức sụp đổ. Quá trình tạo ảnh xem trước (preview) kích hoạt tới 16 worker PHP-FPM, Redis vượt ngưỡng giới hạn bộ nhớ 2 GB, và tình trạng tranh chấp khóa cơ sở dữ liệu (lock contention) khiến giao diện web bị treo cứng hơn một giờ đồng hồ. Sự cố đó làm rõ một thực tế phũ phàng: các nền tảng đồng bộ tệp đa dụng đơn giản là không thể trụ nổi trước khối lượng media khổng lồ.

Nếu muốn thay thế Google Photos hoặc iCloud bằng một hệ thống homelab, bạn thường sẽ phải lựa chọn giữa ba hướng thiết kế sau:

  • Plugin lưu trữ đa dụng (Nextcloud Memories, FileRun): Các giải pháp này chạy trực tiếp trên cây thư mục truyền thống. Chúng xử lý các bộ sưu tập ảnh JPEG tiêu chuẩn khá ổn định. Tuy nhiên, việc đánh chỉ mục ngầm, khóa tệp và gom cụm khuôn mặt sẽ nhanh chóng vắt kiệt CPU đa nhân khi có nhiều thiết bị đồng thời tải lên các gói dữ liệu 20 GB từ điện thoại.
  • Bộ lập chỉ mục lưu trữ tĩnh (PhotoPrism, LibrePhotos): Được xây dựng chủ yếu để quét các ổ NFS tĩnh và cấu trúc thư mục có sẵn. Mặc dù tính năng gắn thẻ metadata và phân tích EXIF của chúng cực kỳ vững chắc, nhưng khả năng đồng bộ ngầm trên thiết bị di động vẫn còn nhiều hạn chế. Việc hai thành viên trong gia đình sao lưu dữ liệu cùng lúc rất dễ làm tắc nghẽn quá trình đồng bộ.
  • Hệ thống microservices chuyên dụng (Immich): Được thiết kế ngay từ đầu với mục tiêu cạnh tranh sòng phẳng với Google Photos. Immich chia nhỏ các tác vụ nặng thành những worker độc lập. Việc chuyển mã (transcode) video, gom cụm khuôn mặt và tìm kiếm vector CLIP đều chạy trên các hàng đợi bất đồng bộ chuyên biệt, được điều phối bởi Redis cùng các container Python ML.

Ưu và nhược điểm khi vận hành thực tế

Immich mang lại trải nghiệm mượt mà chuẩn thương mại, nhưng việc tự host hệ thống này đòi hỏi bạn phải có kế hoạch kiến trúc bài bản trước khi chuyển toàn bộ dữ liệu của gia đình sang.

Ưu điểm

  • Tìm kiếm ngữ nghĩa & khuôn mặt ngay trên thiết bị: PostgreSQL lưu trữ các vector nhúng (embedding) khuôn mặt và vector ViT-B-32 CLIP thông qua pgvector. Bạn có thể tìm kiếm các cụm từ như “trẻ em ăn kem ở bãi biển” hoặc “xe Honda Civic màu đỏ dưới trời tuyết”, Immich sẽ trả về kết quả chính xác trong chưa đầy 80 mili-giây trên kho dữ liệu hơn 90.000 bức ảnh.
  • Trải nghiệm ứng dụng di động gốc: Ứng dụng di động viết bằng Flutter cho iOS và Android hỗ trợ tự động sao lưu ảnh nền, hỗ trợ nhiều tài khoản người dùng, chia sẻ thư viện với đối tác, cùng thao tác cuộn dòng thời gian tức thì mượt mà không thua kém gì các dịch vụ đám mây thương mại.
  • Phân bổ tài nguyên độc lập: Dịch vụ machine learning viết bằng Python chạy hoàn toàn tách biệt. Bạn có thể gán tác vụ suy luận (inference) cho Intel iGPU qua QuickSync hoặc card đồ họa Nvidia RTX, thiết lập giới hạn RAM nghiêm ngặt và ngăn các tác vụ AI chạy ngầm làm cạn kiệt tài nguyên của hệ điều hành máy chủ.

Đánh đổi và gánh nặng bảo trì

  • Chu kỳ phát hành cập nhật dồn dập: Immich phát triển rất nhanh. Các đợt migration cơ sở dữ liệu diễn ra thường xuyên, điều này đồng nghĩa với việc bạn không nên bật cập nhật tự động không giám sát để tránh nguy cơ lỗi schema dữ liệu.
  • Mức tiêu thụ bộ nhớ cơ bản: Một stack đang chạy—bao gồm PostgreSQL, Redis, API server lõi và ML engine—chiếm khoảng 1.8 GB RAM ở trạng thái nhàn rỗi. Trong quá trình import ban đầu 100.000 bức ảnh, mức sử dụng RAM có thể dễ dàng chạm mốc 5 GB đến 7 GB.

Quy chuẩn phần cứng và kiến trúc lưu trữ

Đừng bao giờ để dữ liệu ứng dụng tạm thời lẫn lộn với phân vùng lưu trữ media chính. Việc tách biệt các tác vụ cơ sở dữ liệu đòi hỏi IOPS cao khỏi các ổ đĩa lưu trữ media ghi nặng sẽ đảm bảo giao diện người dùng luôn phản hồi nhanh nhạy, ngay cả khi bốn chiếc điện thoại đang đồng thời đẩy hàng gigabyte dữ liệu lên server.

Dưới đây là mô hình phân chia lưu trữ đã qua thử nghiệm thực tế cho gia đình nhiều người dùng:

  • Cấu hình xử lý trung tâm: Tối thiểu 4 nhân CPU (x86_64) và 8 GB RAM. Một vi xử lý Intel Core i3-8100 thế hệ thứ 8 hoặc mới hơn sẽ tích hợp sẵn GPU UHD 630 hỗ trợ QuickSync. Bộ xử lý phần cứng chuyên dụng này có thể transcode video 4K 60fps HEVC từ điện thoại sang luồng 1080p VP9 theo thời gian thực với mức tải CPU chưa tới 5%.
  • Tầng cơ sở dữ liệu (SSD NVMe tốc độ cao): Đặt các bảng cơ sở dữ liệu PostgreSQL, bản snapshot của Redis và bộ nhớ đệm mô hình ML trên một ổ NVMe. Điều này đảm bảo thời gian truy xuất dưới 1 mili-giây phục vụ việc đánh chỉ mục tìm kiếm và phân trang trên dòng thời gian.
  • Tầng lưu trữ dung lượng lớn (Mảng ZFS hoặc Btrfs): Mount một pool ổ cứng cơ (HDD) vào đường dẫn /mnt/storage/immich/upload. Ảnh chụp từ camera điện thoại, tệp Sony ARW và video Apple ProRes sẽ được ghi tuần tự trực tiếp vào các ổ cứng cơ, giữ cho ổ NVMe chứa cơ sở dữ liệu hoàn toàn không bị ảnh hưởng.

Hướng dẫn triển khai: Triển khai Immich trên Docker

Mô hình triển khai sau đây sử dụng Docker Compose, cơ chế tăng tốc phần cứng pgvector và phân định ranh giới lưu trữ rõ ràng.

Bước 1: Thiết lập thư mục và biến môi trường

Tạo các thư mục chuyên dụng trên máy chủ và phân quyền sở hữu phù hợp cho người dùng:

sudo mkdir -p /opt/immich/data/pgdata
sudo mkdir -p /opt/immich/data/model-cache
sudo mkdir -p /mnt/storage/immich/upload
sudo chown -R $USER:$USER /opt/immich
cd /opt/immich

Tạo tệp .env chứa các cấu hình ánh xạ volume và thông tin xác thực cơ sở dữ liệu:

cat << 'EOF' > .env
# Dung lượng lưu trữ lớn cho ảnh và video gốc
UPLOAD_LOCATION=/mnt/storage/immich/upload

# Ổ SSD tốc độ cao cho cơ sở dữ liệu và bộ nhớ đệm ML
DB_DATA_LOCATION=/opt/immich/data/pgdata
MODEL_CACHE_LOCATION=/opt/immich/data/model-cache

# Thẻ phiên bản Immich
IMMICH_VERSION=release

# Thông tin xác thực và Host cơ sở dữ liệu
DB_HOSTNAME=database
DB_DATABASE_NAME=immich
DB_USERNAME=postgres
DB_PASSWORD=SecureProductionSecretPassphrase987!
EOF

Bước 2: Xây dựng cấu hình Docker Compose

Tạo tệp docker-compose.yml của bạn. Cấu hình này sẽ định tuyến các thao tác vector qua pgvecto-rs và khởi tạo một container ML riêng biệt với bộ nhớ đệm mô hình bền vững.

services:
  immich-server:
    container_name: immich_server
    image: ghcr.io/immich-app/immich-server:${IMMICH_VERSION:-release}
    volumes:
      - ${UPLOAD_LOCATION}:/usr/src/app/upload
      - /etc/localtime:/etc/localtime:ro
    env_file:
      - .env
    ports:
      - "2283:2283"
    depends_on:
      - redis
      - database
    restart: always

  immich-machine-learning:
    container_name: immich_machine_learning
    image: ghcr.io/immich-app/immich-machine-learning:${IMMICH_VERSION:-release}
    volumes:
      - ${MODEL_CACHE_LOCATION}:/cache
    env_file:
      - .env
    restart: always

  redis:
    container_name: immich_redis
    image: docker.io/redis:6.2-alpine@sha256:eaba718fecd119618655c7854aeaa3db8037b467144e49970c94625b9045a43e
    healthcheck:
      test: redis-cli ping || exit 1
    restart: always

  database:
    container_name: immich_postgres
    image: tensorchord/pgvecto-rs:pg14-v0.2.1@sha256:90724186f0a3517cf6914295b5ab410db9ce23190a2d9d0b9dd6463e3fa298f1
    environment:
      POSTGRES_PASSWORD: ${DB_PASSWORD}
      POSTGRES_USER: ${DB_USERNAME}
      POSTGRES_DB: ${DB_DATABASE_NAME}
      POSTGRES_INITDB_ARGS: '--data-checksums'
    volumes:
      - ${DB_DATA_LOCATION}:/var/lib/postgresql/data
    healthcheck:
      test: pg_isready --dbname="${DB_DATABASE_NAME}" --username="${DB_USERNAME}" || exit 1;
      interval: 10s
      timeout: 5s
      retries: 5
    restart: always

Bước 3: Khởi chạy và kiểm tra trạng thái dịch vụ

Khởi chạy các container ở chế độ chạy ngầm (detached mode):

docker compose up -d

Kiểm tra quá trình khởi động của các microservice:

docker compose ps
docker compose logs -f immich-server

Theo dõi log để xác nhận quá trình migration cơ sở dữ liệu đã hoàn tất thành công và dịch vụ HTTP đang lắng nghe trên cổng 2283.

Bước 4: Thiết lập quản trị ban đầu và ghép nối thiết bị di động

  1. Mở trình duyệt và truy cập vào http://<YOUR_SERVER_IP>:2283.
  2. Điền thông tin vào màn hình đăng ký ban đầu để tạo tài khoản quản trị viên chính.
  3. Mở mục Administration -> Settings -> Machine Learning. Điều chỉnh số luồng worker đồng thời cho khớp với số nhân vật lý của CPU. Bước này giúp tránh việc các luồng worker làm cạn kiệt tài nguyên hệ thống trong quá trình import thư viện ảnh số lượng lớn.
  4. Cài đặt ứng dụng Immich trên iOS hoặc Android. Nhập địa chỉ máy chủ của bạn http://<YOUR_SERVER_IP>:2283, đăng nhập bằng tài khoản vừa tạo và kích hoạt tính năng sao lưu thư viện ảnh tự động chạy ngầm.

Bước 5: Tự động hóa sao lưu cơ sở dữ liệu

Các container có thể dễ dàng tạo lại, nhưng dữ liệu metadata và các cụm nhận diện khuôn mặt thì không. Hãy thiết lập một cron job chạy hàng đêm để dump cơ sở dữ liệu. Lưu ý rằng chúng ta bỏ qua cờ -t trong lệnh docker exec để cron có thể thực thi suôn sẻ mà không cần pseudo-TTY:

cat << 'EOF' > /opt/immich/backup-db.sh
#!/usr/bin/env bash
set -euo pipefail
BACKUP_DIR="/mnt/storage/backups/immich"
mkdir -p "${BACKUP_DIR}"
TIMESTAMP=$(date +"%Y%m%d_%H%M%S")

# Dump cơ sở dữ liệu không cần cấp phát tty để tương thích với cron
docker exec immich_postgres pg_dumpall -c -U postgres | gzip > "${BACKUP_DIR}/immich_db_${TIMESTAMP}.sql.gz"
find "${BACKUP_DIR}" -type f -name "*.sql.gz" -mtime +14 -delete
EOF
chmod +x /opt/immich/backup-db.sh

Thêm script này vào crontab của máy chủ bằng lệnh crontab -e để chạy vào lúc 3:00 sáng mỗi ngày:

0 3 * * * /opt/immich/backup-db.sh >> /var/log/immich-backup.log 2>&1

Với quy trình này hoạt động, toàn bộ ảnh của bạn sẽ được lưu trữ self-hosted, hỗ trợ tìm kiếm toàn diện bằng AI và hoàn toàn nằm dưới quyền kiểm soát của bạn.

Share:
Tags: