immich相册管理:智能分类与共享技巧
你是否还在为手机里成千上万张照片难以整理而烦恼?是否经常找不到特定时刻的珍贵回忆?immich作为一款自主托管的照片和视频备份解决方案,提供了强大的智能分类与灵活的共享功能,让你的相册管理变得轻松高效。本文将详细介绍如何利用immich的智能分类功能整理照片,以及通过多种共享方式与亲友分享美好瞬间。
智能分类:让照片井井有条
immich的智能分类功能主要通过面部识别和标签系统实现,帮助你快速找到需要的照片。
面部识别:自动识别人物
immich能够自动识别照片中的人脸,并将同一人的照片归类到一起。你可以为每个人物命名,之后就能通过人物名称快速搜索到所有相关照片。面部识别功能的详细实现可参考面部识别文档。
在探索页面,你可以看到所有被识别出的人物列表,点击人物即可查看该人物的所有照片。
点击人物后,会显示该人物的所有资产,包括照片和视频。
在资产详情视图中,也会显示识别出的人脸。
面部识别的核心算法基于DBSCAN聚类算法,将每个检测到的人脸视为图中的一个点,旨在将距离较近的点分组到一起。你可以在管理界面的设置中调整面部识别的相关参数,如最小检测分数、最大识别距离等,以获得更符合个人需求的分类结果。
标签系统:手动添加分类标识
除了自动的面部识别,你还可以手动为照片添加标签,实现更灵活的分类。标签支持层级结构,可以根据自己的习惯创建不同类别的标签,如“旅行”、“美食”、“生日”等。
首先需要在账户设置中启用标签功能,路径为Account Settings > Features > Tags。
启用后,在资产信息面板底部点击“+ 添加”按钮即可为照片添加标签。
在弹出的标签表单中,你可以选择已有标签或输入新标签创建。
添加的标签会显示在资产信息中,点击标签可查看所有带有该标签的资产。你也可以通过侧边导航栏的“标签”视图查看所有标签及其关联的照片。
标签信息会写入XMP侧车文件,确保元数据的持久化存储,相关内容可参考XMP侧车文件文档。
共享技巧:灵活分享美好回忆
immich提供了多种共享方式,包括本地共享和公共共享,满足不同场景下的分享需求。
本地共享:与实例内用户分享
本地共享适用于同一immich实例内的用户,主要有相册共享和伙伴共享两种方式。
相册共享:精确分享指定内容
你可以创建相册,并将其共享给其他用户。共享时可以设置权限,如编辑器(可读写)或查看者(只读)。在创建相册后,通过点击分享图标进入共享选项。
选择要共享的用户并设置权限。
移动应用中也可以进行相册共享操作。
伙伴共享:分享整个库
伙伴共享允许你将自己的整个库共享给其他用户,他们可以查看你的库并下载资产。伙伴共享的详细说明可参考伙伴共享文档。
你可以在用户设置页面管理伙伴共享,添加伙伴后,他们将获得你整个库的访问权限(不包括已归档和已删除的照片视频)。
伙伴共享是单向的,若要查看伙伴的库,对方也需要将库共享给你。你还可以设置是否在主时间线中显示伙伴共享的照片。
公共共享:创建公开链接
如果你想与没有immich账户的人分享照片,可以创建公共链接。公共链接可以自定义过期日期、密码保护等选项,非常灵活。
你可以为选中的照片、视频或相册创建公共链接。从选择的资产或相册的分享图标进入公共链接创建页面。
在创建公共链接时,可以设置各种选项,如过期日期、密码保护、允许上传等。
生成的公共链接类似以下格式,通过随机URL保证安全性:
https://immich.yourdomain.com/share/JUckRMxlgpo7F9BpyqGk_cZEwDzaU_U5LU5_oNZp1ETIBa9dpQ0b5ghNm_22QVJfn3k
通过以上智能分类和共享功能,immich让你的相册管理和分享变得更加高效和便捷。无论是整理个人回忆还是与亲友分享美好瞬间,immich都能满足你的需求。更多功能细节可参考官方文档,开始你的高效相册管理之旅吧!
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00













