Immich:AI で写真を検索する locale

Google フォトのセルフホスト型代替である Immich では、ファイル名ではなく説明文(「ビーチにいる犬」「誕生日ケーキ」など)を入力して写真を探すことができます。この AI による写真検索は、Immich の機械学習コンテナ内、つまりお使いのサーバー上で動作する CLIP モデルに基づいています。本ガイドでは、その仕組み、フランス語で検索するための多言語モデルの選び方、注意すべきエラー、そして実際にネットワークの外へ送信されるものについて説明します。記載している手順は公式ドキュメントに沿ったものであり、本ガイドのためにテスト用インスタンスで再現したものではありません。
#Immich の AI 写真検索:基本的な仕組み
この機能は Immich のドキュメントでは Smart Search と呼ばれています(インターフェース上では「スマート検索」またはコンテキスト検索)。クエリの実行時に写真をその場で読み取るわけではありません。この機能は 2 つの異なる処理に基づいており、どちらも immich-machine-learning サービスが担当します。
- 01画像のインデックス作成CLIP モデルの画像エンコーダーは、写真ごとにその視覚的な内容を要約した数値ベクトル(埋め込み)を計算します。このベクトルは Immich のデータベースに保存されます。これが管理画面に表示される「Smart Search」ジョブの処理内容であり、大規模なフォトライブラリでは長時間かかる場合があります。
- 02クエリのエンコード文章を入力すると、同じモデルのテキストエンコーダーがそれを同様にベクトルへ変換します。
- 03ComparaisonImmich は、入力した文章のベクトルに最も近いベクトルを持つ写真を返します。テキスト生成も、チャットボットのような意味での「理解」も行われません。画像とテキストの共通空間における類似度検索です。
その直接的な帰結として、テキストと画像は同じモデルでエンコードされている必要があります。モデルを変更した場合はすべての写真を再インデックスする必要があります。そうしないと、古いベクトルと新しいベクトルを比較できなくなります。
#CLIP はビジョンアシスタントではありません
私たちの経験とガイド付きルートを活かして、ローカルアシスタントを作り、AIを毎日の作業に取り入れましょう。
- 永久に利用できるオンラインスペース
- PDF + ファイル
- 30日間返金対応
Immich の CLIP 検索と、Ollama で実行する「ビジョン」モデル(Qwen3-VL、Gemma など)はよく混同されます。これらは異なる 2 つのニーズに応える、別々のツールです。
- Immich における CLIP の役割
- 文との近さに基づいて写真を並べ替えます。結果は並べ替えられた画像のリストであり、文章による回答ではありません。モデルは小さく、インデックス作成は一度だけ行われ、その後の検索は高速です。
- ビジョンアシスタントができること
- 画像を説明する、内容に関する質問に答える、テキストを読み取る(OCR)、二枚の画像を比較する。画像ごとにテキストを生成するため、計算量とメモリの負荷がはるかに大きくなります。
- CLIP にできないこと
- 「この写真には何人写っていますか?」という質問に答えること、場面を説明すること、撮影した文書を確実に読み取ること、数を数えること。このモデルが返すのは類似度スコアだけで、それ以上のものではありません。
- Immich にネイティブで組み込まれていないもの
- キャプションを作成したり、フォトライブラリと対話したりするビジョン LLM。サードパーティのプロジェクトは存在しますが、Immich の一部ではなく、ここでは扱いません。
「火曜日のホワイトボードの写真」を見つけたいだけなら、多くの場合 CLIP で十分です。そのホワイトボードのテキストを抽出したり要約したりしたい場合は、明示的に送信した画像に対して、たとえば Ollama 経由でビジョンモデルを使う必要があります。
#前提条件
- 正常に動作している Immich インスタンス
- immich-machine-learning サービスを含む公式の docker-compose.yml でインストールされていること。compose ファイルからこのサービスを削除している場合、スマート検索は機能しません。
- 管理者アカウント
- モデルの選択とインデックス作成ジョブの実行は、サーバーの管理画面で行います。
- メモリと時間
- より大きな CLIP モデルは、より多くの RAM を必要とし、インデックス作成も遅くなります。所要時間の数値は公開していません。モデル、写真の枚数、CPU または GPU によって異なり、お伝えできる文書化された測定値がないためです。
- ハードウェアアクセラレーション(任意)
- Immich は機械学習のハードウェアアクセラレーション(NVIDIA 向けの CUDA、Intel 向けの OpenVINO、AMD 向けの ROCm、一部の ARM ボード向けの ARM NN および RKNN)についてドキュメントを用意しています。これは必須ではなく、CPU でも動作しますが、速度は遅くなります。
- 最新のバックアップ
- モデルを変更してもファイルには影響しませんが、家庭用サーバーで重いジョブを再実行するのは、データベースとオリジナルファイルのバックアップが最新であることを確認する良い機会です。
機械学習サービスが動作していることを確認するには、docker-compose.yml があるフォルダーで次を実行します:
#AI 写真検索を有効にして多言語モデルを選択する
Immich のドキュメントに記載されているデフォルトモデルは ViT-B-32__openai で、主に英語のキャプションで学習された CLIP です。動作はしますが、フランス語のクエリは一般に、同じ内容の英語のクエリよりも関連性の低い結果になります。ドキュメントでは、英語以外の言語で検索する場合は多言語モデルの使用を推奨しています。
- 01機械学習の設定を開くImmich で「管理」を開き、「設定」から「機械学習」セクションに進みます。機械学習が有効になっていること、およびサービスの URL がお使いのコンテナ(デフォルトでは compose ファイルの immich-machine-learning サービス)を正しく指していることを確認してください。
- 02CLIP モデルの選択Smart Search サブセクションで、モデル名を置き換えます。選択可能なモデルは Immich チームが Hugging Face で公開しており、ドキュメントからは各モデルのサイズ、必要メモリ、多言語対応の有無を示した一覧を参照できます。挙げられている多言語モデルのファミリーには、特に nllb-clip(例:nllb-clip-base-siglip__v1、nllb-clip-large-siglip__v1)と XLM-Roberta(例:XLM-Roberta-Large-Vit-B-16Plus)があります。名前は公式一覧から正確にコピーしてください。入力ミスがあるとダウンロードできません。
- 03録音する次に必要になった時点で、ML コンテナは Hugging Face からモデルをダウンロードし、キャッシュ(公式 compose の model-cache ボリューム)に保持します。そのため、最初の呼び出しは時間がかかることがあり、サーバーがインターネットにアクセスできない場合は失敗することもあります。
- 04フォトライブラリ全体のインデックス作成を再実行する「Administration」でタスク(Jobs)を開きます。Smart Search の行で、未処理の写真(「Missing」)だけでなく、すべての写真(「All」)を対象に処理を実行してください。旧モデルで計算したベクトルには互換性がなくなっているためです。進捗は同じページとコンテナのログで確認できます。
- 05結果が分かっているいくつかのクエリでテストする内容がわかっている写真を三、四枚選び、フランス語で検索して、それらが結果に表示されるか確認してください。これが唯一の確かなテストです。検索の的確さはお使いのフォトライブラリによって異なり、私たちが離れた場所から保証することはできません。
どのモデルを選べばよいでしょうか?ドキュメントでは、万能の「最良」モデルは示されていません。よくあるトレードオフがあります。大きなモデル(large バリアント)は検索の的確さが向上する見込みがありますが、メモリ消費が多く、インデックス作成も遅くなります。base モデルはより軽量です。GPU のない小規模サーバーや NAS では、まず多言語対応の base バリアントから始めてください。的確さに満足できず、マシンに余裕がある場合は、より大きなバリアントを試してください。ただし、その場合はすべてを再インデックスする必要があることに留意してください。
#フランス語で写真を検索する
インデックス作成が完了したら、Web アプリまたはモバイルアプリの検索バーから検索します。バージョンによって、インターフェースには複数の検索タイプがあります:コンテキスト(CLIP 検索)、ファイル名、説明、そして最近のバージョンでは OCR で認識されたテキスト。説明文で検索する場合は、コンテキストモードのままにしてください。
- 写っているものを記述する
- 「vélo rouge contre un mur」(壁に立てかけた赤い自転車)、「coucher de soleil sur la mer」(海に沈む夕日)、「enfant qui souffle des bougies」(ろうそくを吹き消す子ども)。CLIP は物体、シーン、色、雰囲気に反応します。
- 画像に写っていないものは避ける
- 「2019年 Paul宅での休暇」のような検索は、目に見える内容と一致しません。日付、場所、人物で絞り込むには、フィルターをご利用ください。
- フィルターと組み合わせる
- フィルターパネルでは、人物(顔認識、同じ ML コンテナの別機能)、場所、カメラ、日付、メディアの種類で絞り込めます。短いクエリと二つのフィルターの組み合わせは、長い文よりも良い結果になることがよくあります。
- Reformulez
- 「猫」で結果が多すぎる場合は、「ソファで眠っている黒猫」のように具体的にしてください。何もヒットしない場合は、表現を単純にしてください。英語でも試してみてください。英語のほうが明らかに良い結果になる場合、お使いのモデルはおそらく単一言語モデルです。
- テキスト検索と混同しないでください
- コンテキストモードは写真内の文字を読み取りません。スクリーンショットを書かれている内容で探したい場合は、お使いのバージョンで提供されていれば OCR 検索を、そうでなければファイル名または説明文による検索を使用してください。
結果は類似度順に並べられ、「一致する/一致しない」のしきい値はありません。検索は、ばかげたクエリに対しても必ず何かを返します。上位の結果ほど近く、下に行くほど関連性は低くなります。
#プライバシー:手元に残るもの
これはセルフホスト型の AI 写真検索の最大の利点ですが、正確に述べておく必要があります。本ガイドはドキュメントに記載されたアーキテクチャを説明するものであり、お使いの環境を監査するものではなく、ネットワークの外へデータが一切送信されないことを保証するものでもありません。
- 計算処理
- 公式構成では、写真とクエリのエンコードは、お使いのマシン上の immich-machine-learning コンテナで行われます。埋め込みはお使いの PostgreSQL データベースに保存されます。
- モデルのダウンロード
- モデルの重みは、初回使用時に Hugging Face からダウンロードされます。この外部への通信は正常なもので、写真は含まれません。モデルがキャッシュされると、ボリュームを保持している限り再ダウンロードされることはありません。
- リモートの ML
- 機械学習サービスの URL は変更可能です。ML コンテナを別のマシン(たとえば GPU 搭載の PC)で動かすこともできます。その場合、写真はそのマシンへ転送されます。そのマシンはローカルネットワーク内または VPN の背後に置き、決してインターネットに直接公開しないでください。
- その他の機能
- 地図、バージョンチェック、その他の設定は外部サービスに接続する場合があります。これらは CLIP 検索とは無関係です。外部への接続なしで運用したい場合は、サーバー設定を確認してください。
- 無効にする
- 機械学習全体、またはスマート検索のみを設定で無効にできます。写真には引き続きアクセスでき、失われるのは説明文による検索だけです。
#よくあるエラーとトラブルシューティング
- 検索で何も返されない、またはエラーになる
- ML コンテナが停止しているか、接続できないか、設定の URL が誤っています。docker compose ps と immich-machine-learning のログを確認してください。
- モデルのダウンロードに失敗する
- モデル名のつづり間違い、Hugging Face へのアクセス不可、またはディスク容量不足。通常、ML コンテナのログでどれが原因かがわかります。
- ML コンテナが再起動を繰り返す
- 多くの場合、大きなモデルによるメモリ不足か、ハードウェアに合わないアクセラレーション用イメージ(例:-cuda)が原因です。問題を切り分けるために、より小さなモデルか CPU 用イメージに戻してください。
- モデル変更後に検索結果の質が低い
- Smart Search ジョブが未処理の写真に対してのみ実行されたか、まだ完了していません。すべての写真を対象に再実行してください。
- フランス語では結果の質が低く、英語では問題ない
- 有効なモデルが単一言語モデルになっています(例:デフォルトの ViT-B-32__openai)。多言語モデルに切り替えて、インデックスを再作成してください。
- 新しい写真が見つからない
- 新しいファイルのインデックス作成はジョブキューを通じて行われます。キューが一時停止中または飽和状態の場合、最近の写真にはまだベクトルがありません。ジョブのページを確認してください。
#制限事項と出典
本ガイドでは、インデックス作成時間、実測のメモリ消費量、関連性スコアは一切掲載していません。提示できる記録済みの測定結果(ハードウェア、バージョン、モデル、フォトライブラリの規模)がないためです。オンラインで見つかるおおよその目安はこれらの条件に大きく左右されます。唯一信頼できる指標は、結果が分かっているいくつかのクエリを使って、ご自身のサーバーでテストすることです。
Immich は急速に進化しています。メニューの名称、利用可能なモデルの一覧、検索の種類はバージョンごとに変わります。上記の内容は、編集部が 2026 年 10 月 30 日に参照した公式ドキュメントの「Searching」ページに基づいており、公開日に再確認したものではありません。相違がある場合は、お使いのバージョンのドキュメントが優先されます:docs.immich.app/features/searching/。
#さらに詳しく
CLIP 検索は写真を見つけるためのものです。写真を説明したり、写真について質問したり、写真からテキストを抽出したりするには、ビジョンモデルが必要です。このテーマについては、当サイトの以下のガイドで詳しく扱っています。
- ローカルでのマルチモーダルビジョンLLM:Ollamaで画像を分析する
- 関連ガイド:ローカルのビジョンモデルで画像を説明し、OCR を行い、写真について質問する方法。CLIP 検索を自然に補完する内容です。
- Ollama を使ったローカルでの Qwen3-VL
- Immich の検索で見つけた写真を詳しく分析するための、高精度なビジョンモデル。
- BGE-M3:フランス語に対応した埋め込み
- 同じ多言語埋め込みの原理をテキストに適用したもので、単一言語モデルがなぜフランス語のクエリに不利なのかを理解できます。
ご意見、誤りのご指摘、補足はありますか?ぜひお知らせください。皆さんにとってより良いガイドにするために役立ちます。