photonix
Photonix 是一款现代化的开源照片管理服务器,旨在帮助用户在家庭服务器上私有化部署个人影像库。它解决了传统相册难以从海量图片中快速定位特定内容的痛点,让用户能够通过手机、电脑等任意设备,随时随地高效检索和管理照片。
这款工具特别适合注重数据隐私、拥有大量本地照片储备的极客用户及家庭用户。虽然目前项目仍处于开发阶段,但其核心功能已颇具亮点:Photonix 内置了强大的机器学习算法,能够自动对照片进行物体识别、人脸检测、地理位置分析以及色彩特征提取。这意味着用户无需手动打标签,系统即可实现智能化的筛选与分类,例如直接搜索“海边的日落”或“穿红衣服的人”即可精准找到对应图片。
通过 Docker 容器化部署,Photonix 的安装与维护相对简便,且系统将数据库、缩略图缓存与实际照片文件分离存储,避免了数据污染。如果你正在寻找一个既能保护隐私,又具备智能整理能力的本地照片管理方案,Photonix 值得尝试。
使用场景
摄影师李明在家中服务器存储了数万张多年积累的作品,急需一种高效方式在不同设备上快速检索特定主题的照片。
没有 photonix 时
- 查找特定内容(如“海滩日落”或“戴眼镜的人物”)只能依靠人工回忆文件名或逐个文件夹翻阅,耗时极长。
- 照片分散在多个硬盘和云端账号中,缺乏统一入口,手机和电脑间切换查看极为不便。
- 无法按颜色、物体或地理位置进行智能筛选,大量相似照片混杂在一起,整理工作几乎停滞。
- 每次寻找素材都要手动打开大量图片确认内容,严重拖慢后期修图和创作效率。
- 家人或非技术人员完全无法独立使用这个庞大的照片库,协作分享困难重重。
使用 photonix 后
- 通过对象识别和人脸分析,直接搜索“狗”、“婚礼”或具体人名,秒级定位目标照片集合。
- 基于 Web 的界面让李明能在手机、平板或任何浏览器上无缝访问全部图库,随时随地调用素材。
- 利用色彩分析和位置感知功能,一键筛选“红色调”或“巴黎拍摄”的照片,灵感获取更直观。
- 系统自动导入并索引新照片,无需手动整理,后台机器学习算法持续优化分类准确度。
- 为家人创建独立账户,他们也能通过简单搜索找到想要的家庭合影,共享体验流畅自然。
photonix 将原本杂乱无章的本地照片库转变为智能化的视觉资产中心,极大释放了创作者的时间与灵感。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
Photonix 照片管理器
这是一个基于Web技术的照片管理应用。您可以在自己的家庭服务器上运行它,通过任何设备轻松从照片库中找到所需内容。智能筛选功能由物体识别、位置感知、色彩分析等算法自动实现。

该项目目前仍在开发中,尚未达到1.0版本的功能完整状态。如果您不介意使用尚有缺陷的版本,或希望参与贡献,请运行Docker镜像并试用一下。我们非常欢迎更多开发者加入!
社区与社交
请加入我们的讨论,并通过关注我们的社交媒体账号帮助提升项目知名度,您的支持将不胜感激 :)
赞助
如果您认为Photonix具有价值,或者认同我们的发展方向,我们诚挚地邀请您每月给予支持。
安装与运行
最简单的运行方式是使用Docker Compose,按照以下步骤使用预构建的镜像即可。
首先创建一个用于运行的新目录,并下载示例Docker Compose文件:
mkdir photonix
cd photonix
curl https://raw.githubusercontent.com/photonixapp/photonix/master/docker/docker-compose.example.yml > docker-compose.yml
然后为容器外存储的数据创建卷目录:
mkdir -p data/photos
最后启动Docker Compose,它会拉取并运行所需的Docker镜像:
docker-compose up
启动几秒钟后,您就可以在浏览器中访问http://localhost:8888/。
接下来您需要创建用户名、密码和相册。目前这一步骤需在命令行中完成,请打开一个新的终端窗口执行以下命令。将USERNAME替换为您自己的用户名:
docker-compose run photonix python photonix/manage.py createsuperuser --username USERNAME --email example@example.com
docker-compose run photonix python photonix/manage.py create_library USERNAME "My Library"
您可以将一些照片移动到data/photos文件夹中,它们应该会被立即检测并导入。测试完成后,您可以编辑docker-compose.yml文件中的卷挂载路径,将其改为您平时存放照片的位置,例如./data/photos。系统数据库、缩略图和其他缓存数据会单独存储,不会污染照片所在的目录。请务必自行做好备份,以防止意外发生。
升级
如果您使用的是预构建的Docker镜像,可以通过以下命令进行升级:
# 按Ctrl-C停止服务
docker-compose pull
docker-compose up
开发
项目中提供了一个Makefile以及独立的Docker Compose文件docker-compose.dev.yml,供您开发时使用。克隆仓库后,该配置会构建镜像、将代码以卷的形式挂载、实现JS更改的热重载并自动刷新浏览器,同时对大多数Python代码更改也会自动重启服务器。
git clone git@github.com:photonixapp/photonix.git
cd photonix
mkdir -p data/photos
make build
make start
如果遇到类似Error starting userland proxy: listen tcp 0.0.0.0:5432: bind: address already in use的错误,可能是您本地已存在PostgreSQL等服务监听默认端口。您可以通过编辑docker/docker-compose.dev.yml文件,将'5432:5432'改为'5433:5432'等方式,为Photonix的服务指定其他端口号。此方法同样适用于Redis或Web服务器端口。
若需进入Bash或Python交互式环境进行开发,可使用以下命令:
make shell
测试
项目使用PyTest作为测试框架,并用于创建测试固定装置。最简便的测试方式是在Docker容器内运行:
make test
版本历史
v0.24.02021/11/18v0.23.02021/09/28v0.22.02021/09/02v0.21.02021/09/01v0.20.02021/08/08v0.19.02021/08/08v0.18.02021/07/27v0.17.02021/07/22v0.16.02021/07/14v0.15.02021/07/14v0.14.02021/07/11v0.13.02021/07/08v0.12.02021/07/08v0.11.02021/06/22v0.10.02021/06/22v0.9.02021/06/17v0.8.02021/06/09v0.7.02021/06/09v0.6.02021/06/09v0.5.02021/06/09常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。