- Immich selbst vergibt keine lesbaren Schlagwörter. Seine „Smart Search“ wandelt jedes Foto in eine Zahlenreihe (ein CLIP-Embedding) um und macht es so durchsuchbar – Tags oder Objektlisten zeigt es bewusst nicht an.
- Wer echte, lesbare Stichwörter in den Bilddateien will, braucht Zusatz-Werkzeuge von Dritten, meist auf Basis lokaler KI-Modelle.
- Die KI-Funktionen laufen auf der CPU. Eine Grafikkarte beschleunigt sie, ist aber optional und wird von Immich offiziell als experimentell bezeichnet.
- Gesichtserkennung und Texterkennung (OCR) bringt Immich mit; von Hand gesetzte Tags schreibt es in eine Begleitdatei neben dem Foto zurück.
Was „verschlagworten“ bei Immich eigentlich heißt
Immich ist eine selbst gehostete Foto- und Videoverwaltung, die man per Docker – einer Technik, die Programme mitsamt allem Nötigen in abgeschottete „Container“ packt – auf dem eigenen Server betreibt. Die Software steht unter der strengen Open-Source-Lizenz AGPLv3, es gibt keine kostenpflichtigen Zusatzfunktionen. Seit Mai 2024 arbeitet das Kernteam in Vollzeit unter dem Dach der Non-Profit-Organisation FUTO, und seit Version 2.0.0 vom Oktober 2025 gilt Immich offiziell als „stable“ – davor war es rund vier Jahre lang durchgehend als Beta unterwegs, mit fast täglichen Veröffentlichungen.
Beim Stichwort „Fotos automatisch verschlagworten“ denken viele an eine Liste lesbarer Begriffe: „Strand“, „Hund“, „Geburtstag“. Genau das macht Immich nicht. Seine KI-Suche, „Smart Search“ genannt, nutzt sogenannte CLIP-Embeddings: Ein KI-Modell übersetzt jedes Bild in eine lange Zahlenreihe, die den Bildinhalt beschreibt. Ähnliche Motive ergeben ähnliche Zahlenreihen. Diese Zahlen landen in der Datenbank – sichtbare Tags, Labels oder Bildbeschreibungen entstehen dabei absichtlich keine.
Das ist ein häufiges Missverständnis: In Immich kann man sich nicht anzeigen lassen, welche Objekte die KI erkannt hat. Anders als PhotoPrism, das mit festen Kategorien arbeitet (Tiere, Essen, Fahrzeuge, Gebäude), kennt Immichs Ansatz keine Klassen-Etiketten – nur den Abgleich von Zahlenreihen.
Smart Search: suchen, ohne Stichwörter zu vergeben
Der Vorteil dieses Ansatzes: Man sucht in normalen Sätzen. „Sonnenuntergang am Strand“ findet passende Bilder, auch wenn nie jemand ein Stichwort vergeben hat. Ebenso funktioniert die Ähnlichkeitssuche – man gibt ein Beispielbild vor und bekommt optisch verwandte Aufnahmen.
Welches CLIP-Modell rechnet, lässt sich unter Administration > Settings > Machine Learning Settings > Smart Search einstellen. Standard ist – bislang jedenfalls – ViT-B-32__openai, ein kleines, schnelles, aber rein englischsprachiges Modell. Alle verfügbaren Modelle liegen auf Hugging Face unter huggingface.co/immich-app, im ML-Container zwischengespeichert unter /cache/clip/. Ein Wechsel wirkt nicht rückwirkend: Danach müssen alle Fotos neu durchgerechnet werden (der Smart-Search-Job). Ein neues Modell verbessert die alten Aufnahmen also nicht von allein.
Deutsch suchen
„Immichs Suche versteht nur Englisch“ – das war einmal. Seit 2024 sind viele mehrsprachige Modelle dazugekommen (SigLIP2, NLLB-SigLIP, XLM-Roberta-basiert), und damit ist die deutsche Suche deutlich besser geworden. Wichtig ist der Unterschied im Verhalten: Modelle der nllb-*-Reihe erwarten die Suchanfrage in der Sprache, die in den Nutzereinstellungen gesetzt ist; xlm-*– und siglip2-*-Modelle verstehen die Anfrage sprachunabhängig. NLLB-Modelle decken bis zu 200 Sprachen ab, andere mehrsprachige Modelle über 100. Der Preis: Sie sind langsamer, brauchen mehr Arbeitsspeicher und sind bei reinem Englisch minimal schwächer.
| Modell | Sprache | Ungefährer Speicherbedarf* |
|---|---|---|
ViT-B-32__openai (Standard) |
nur Englisch | klein, keine Angabe |
ViT-B-16-SigLIP2__webli |
mehrsprachig, sprachunabhängig | ca. 1,45 GB |
ViT-L-14-quickgelu |
keine Angabe | ca. 1,9 GB |
nllb-clip-base-siglip / -large-siglip |
bis 200 Sprachen, Anfrage in eingestellter Sprache | keine belastbare Angabe |
ViT-SO400M-16-SigLIP2-384__webli |
mehrsprachig | ca. 7 GB |
*Schätzwerte aus der Immich-Dokumentation für den Smart-Search-Job; der tatsächliche Bedarf hängt vom System ab.
All das läuft auf reiner CPU. Eine Grafikkarte (GPU) beschleunigt die Berechnung, ist aber keine Voraussetzung – und die Hardware-Beschleunigung gilt offiziell als experimentell und funktioniert nicht auf jedem System.
Gesichter und Text erkennt Immich selbst
Neben der Bildsuche bringt Immich zwei weitere KI-Funktionen mit. Die Gesichtserkennung nutzt Modellpakete des Projekts InsightFace; Standard ist buffalo_l (326 MB). Alternativen sind antelopev2 (407 MB), buffalo_m (313 MB) und das schlanke buffalo_s (159 MB) – Erkennungs- und Detektionsmodell lassen sich dabei nicht getrennt wählen. Die Software gruppiert automatisch Fotos derselben Person (ein Verfahren ähnlich DBSCAN, das Zahlenreihen zu Häufungen zusammenfasst); ein Modellwechsel verlangt einen „Refresh/Reprocess Faces“-Job. Seit Version 1.127 vom Februar 2025 kann man Gesichter auch von Hand zuweisen, falsch erkannte löschen und nach Sterne-Bewertungen suchen. Ein kurz darauf nachgereichter Bugfix sorgt dafür, dass von Hand gesetzte Gesichter nicht vom „Refresh Faces“-Job wieder entfernt werden.
Die Texterkennung (OCR, Optical Character Recognition) kam mit Version 2.2.0 dazu (das genaue Erscheinungsdatum liegt vermutlich Anfang bis Mitte 2026, ist aber nicht belastbar belegt). Sie macht Text in Screenshots und abfotografierten Dokumenten durchsuchbar, läuft automatisch für neue Uploads und setzt ausschließlich auf PaddleOCR – ein Tesseract-Prototyp wurde wegen schwacher Genauigkeit außerhalb des Englischen verworfen. Offiziell unterstützt sind nur Englisch, Chinesisch (vereinfacht und traditionell) und Japanisch; für deutschen Text gibt es keine offizielle Zusage.
Echte, lesbare Schlagwörter – nur mit Zusatz-Werkzeugen
Immich hat eine eigene Tags-Funktion, die man erst unter Account Settings > Features > Tags einschalten muss. Sie kann verschachtelte Tags („Urlaub / 2025 / Italien“), liest beim Import vorhandene Stichwörter aus den Metadaten (in der Reihenfolge digiKam:TagsList, lr:HierarchicalSubject, dann IPTC:Keywords) und schreibt in Immich geänderte Tags in eine XMP-Sidecar-Datei zurück – eine kleine Begleitdatei neben dem Foto. Nach jeder Änderung an Tags, Beschreibung oder Bewertung reiht Immich dafür automatisch einen „Sidecar Write“-Job ein; der DISCOVER-Job wiederum verknüpft vorhandene .xmp-Dateien automatisch und liest deren Tags aus.
Der entscheidende Punkt: Immich selbst schreibt keine KI-generierten Stichwörter in EXIF, IPTC oder XMP. In die Metadaten wandern nur Tags, die man von Hand gesetzt hat. Automatisches Verschlagworten mit lesbaren Begriffen gibt es also ausschließlich über Drittprojekte:
- immich-go-analyze – ein Kommandozeilen-Werkzeug, das lokale Vision-Modelle über Ollama (ein Programm, das KI-Modelle lokal auf dem eigenen Rechner laufen lässt) nutzt. Es erzeugt Beschreibung und Stichwörter und schreibt sie ins Beschreibungsfeld von Immich, damit die Suche darauf anspringt.
- immich-pet-tagger – ein Docker-Beiwagen-Container, der alle fünf Minuten nach neuen Fotos schaut. Er kombiniert Objekterkennung (YOLO – ein Modell, das Dinge im Bild in Kästchen einrahmt), CLIP-Embeddings und ein aus wenigen Referenzfotos lokal trainiertes Verfahren (logistische Regression) und markiert einzelne Haustiere – technisch behandelt wie „Personen“. Die Modelle sind nur während des Scans geladen.
- Das ML-Tagging-Plugin von openpaul (Dezember 2025) – ein Community-Ansatz, bei dem man auf den CLIP-Embeddings kleine Klassifikatoren mit Positiv- und Negativbeispielen trainiert, etwa „Hund“ gegen „kein Hund“.
Für die Ollama-Variante werden als lokale Bildbeschreiber unter anderem LLaVA 1.6, Llama 3.2 Vision, Qwen2-VL, MiniCPM-V und moondream genannt; LLaVA 1.6 in der 13B-Größe gilt als solider Allround-Kandidat. Für diese Modelle wird eine Grafikkarte empfohlen.
Hardware im Homelab
Immich verlangt mindestens 6 GB Arbeitsspeicher, empfohlen sind 8 GB. Mit 4 GB läuft es nur ohne die KI-Funktionen – der Machine-Learning-Container ist der mit Abstand größte Speicherfresser. Dieser Container muss übrigens nicht auf demselben Rechner laufen wie der Immich-Server; die Dokumentation beschreibt unter „Remote Machine Learning“, wie man ihn auf separate Hardware auslagert.
Zur Beschleunigung stehen mehrere Backends bereit, konfiguriert über hwaccel.ml.yml und einen passenden Image-Zusatz (-cuda, -openvino …): ARM NN (für kleine ARM-Einplatinenrechner), CUDA (NVIDIA-Grafikkarten), ROCm (AMD), OpenVINO (Intel-Grafik) und RKNN. Letzteres zielt auf die NPUs – auf KI-Rechnungen spezialisierte Chips – der Rockchip-Prozessoren RK3576 und RK3588. Dort steigert MACHINE_LEARNING_RKNN_THREADS=2 oder 3 den Durchsatz deutlich, vervielfacht aber den Speicherbedarf je Modell. Belastbare Zahlen, wie viele Fotos pro Stunde CPU oder GPU schaffen, gibt es nicht – das hängt zu stark von der Hardware ab.
HP NVIDIA Quadro K1200 4GB T/SFF Grafikkarten T7T59AT
Eine NVIDIA-Grafikkarte mit 4 GB Grafikspeicher – passend, wenn du die Bild-KI von Immich oder ein lokales Vision-Modell per CUDA von der CPU auf die Grafikkarte auslagern willst.
Preis prüfen * – 219,62 € (Stand 11.09.2026)
Einordnung
Seit v2.0.0 (Oktober 2025) ist Immich offiziell stabil, der erklärte Fokus liegt seitdem auf Kompatibilität und einfacheren Upgrades mit weniger Brüchen als in der Beta-Zeit. Version 3.0.0 vom Juli 2026 brachte „Workflows“ als Vorschau – ein neues Plugin-System, um Aktionen in der Mediathek zu automatisieren. Ob darüber künftig auch fertiges automatisches Verschlagworten möglich ist, ist bislang offen; die Funktion ist nur als Preview verfügbar, ihr Umfang unklar.
Alle Funktionen sind kostenlos; einen freiwilligen Lizenzkauf zur Unterstützung gibt es seit 2024, er ändert nichts am Funktionsumfang. Wer statt semantischer Suche lieber klassische, lesbare Kategorien möchte, findet in PhotoPrism eine Alternative: Es klassifiziert Bilder mit TensorFlow in echte Etiketten, arbeitet ressourcenschonender, dafür langsamer und weniger „verständnisorientiert“ als CLIP. Auch Nextcloud Memories und LibrePhotos bieten Gesichts- und Objekterkennung.
Kurz: Wenn du Fotos automatisch verschlagworten willst und darunter eine Suche verstehst, die Motive versteht, ist Immich schon ab Werk stark. Willst du echte Stichwörter, die auch in den Bilddateien stehen und in anderen Programmen auftauchen, führt der Weg über die lokale KI von Ollama und die genannten Zusatzprojekte.