Immich에는 썸네일만 저장할 때 적용할 수 있는 신뢰할 만한 저장 공간 비율이 없으므로, 가족 라이브러리는 자산당 생성 데이터 용량을 측정하고 ML 모델을 위한 별도 공간을 확보해야 합니다.
2TB 규모의 가족 사진 아카이브라는 정보만으로는 Immich 썸네일 디렉터리가 얼마나 커질지 알 수 없습니다. 자산 수, 원본 해상도, 썸네일 설정, 동영상 구성, 활성화된 모델에 따라 생성 데이터 용량이 달라지기 때문입니다. 더 안전한 용량 산정 방법은 대표 샘플을 처리하고, 썸네일과 모델 캐시를 별도로 측정한 다음, 라이브러리 증가분을 예상하고, 하나의 비율을 보편적인 기준으로 간주하는 대신 운영 여유 공간을 추가하는 것입니다.
원본과 Immich 생성 저장 공간을 분리하세요
먼저 범위를 구분해야 합니다. 원본 사진과 동영상은 Immich 라이브러리를 지원하는 디스크 용량의 일부일 뿐입니다. 서버는 탐색과 호환성에 사용되는 생성 자산도 보관하며, 머신러닝 서비스는 다운로드한 모델 파일을 자체 캐시에 저장합니다. 이러한 범주는 증가 원인이 서로 다르므로, 이를 모호한 하나의 비율로 합치면 실제로 어떤 설정이나 작업이 공간을 소비하는지 파악하기 어려워집니다.
오랫동안 참고되어 온 Immich 커뮤니티 용량 산정 자료에 따르면 썸네일과 트랜스코딩된 동영상이 합쳐서 평균적으로 약 10~20%를 추가할 수 있습니다. 하지만 이 수치는 대략적인 참고 자료로만 유용합니다. 두 가지 생성 데이터 범주를 합친 값이므로 썸네일만의 비율로 제시해서는 안 됩니다. 동영상이 거의 없는 사진 중심의 가족 라이브러리는 동영상이 많은 아카이브와 전혀 다른 결과를 보일 수 있습니다.
추가 공간을 어디에 배치할지 결정할 때는 아키텍처도 중요합니다. ZimaSpace의 AI 사진 정리 관련 설명에서는 인덱싱과 생성 데이터가 원본 라이브러리를 대체하는 것이 아니라 원본 라이브러리를 지원하는 서비스로 다뤄집니다. 용량을 계획할 때는 하나의 물리 디스크를 공유하더라도 원본, 썸네일/미리보기 영역, 동영상 파생 데이터, 데이터베이스, ML 캐시를 각각 별도의 항목으로 관리하세요.
확장하기 전에 자산당 썸네일 비용을 측정하세요
가족 라이브러리에서 가장 다루기 쉬운 파일 1,000개가 아니라 대표성을 가진 일부를 선택하세요. 일반적인 사용 환경을 구성하는 여러 세대의 휴대폰 사진, 카메라 해상도, 인물 사진, 스크린샷, 파노라마 및 기타 이미지 유형을 포함해야 합니다. 썸네일 관련 작업이 완료될 때까지 기다린 뒤 처리된 자산 수를 기록하고 썸네일 디렉터리의 용량을 측정하세요. 측정한 바이트 수를 처리된 자산 수로 나누면 선택한 썸네일 및 미리보기 설정이 이미 반영된, 해당 환경에 맞는 계획 비율을 얻을 수 있습니다.
실제 설치 사례는 이러한 자체 측정 비율이 중요한 이유를 보여줍니다. 한 Immich 토론에서는 특정 시스템에서 썸네일 21GB와 인코딩된 동영상 58GB가 함께 사용된다고 보고했습니다. 이는 일화적인 사례이며 목표값이 아니지만, 생성 데이터 디렉터리마다 크기가 크게 다를 수 있으므로 원본 라이브러리의 테라바이트 단위 용량만으로 추정하지 말고 각각 별도로 측정해야 한다는 점을 보여줍니다.
예를 들어 대표 이미지 10,000개에서 썸네일과 미리보기가 12GB 생성되었다면 관측된 비율은 자산당 약 1.2MB입니다. 동일한 설정에서 이미지 60,000개 규모의 라이브러리를 예상하면 증가 여유 공간을 더하기 전 기준으로 약 72GB가 필요합니다. 썸네일 해상도나 품질을 변경하면 원본 파일이 그대로여도 기존 자산당 비율은 더 이상 유효하지 않으므로 샘플을 다시 실행하세요.
ML 모델 캐시는 사진 수보다 모델에 더 크게 좌우됩니다
머신러닝 저장 공간은 썸네일과 다르게 작동합니다. 모델 캐시는 주로 ML 서비스가 다운로드해 재사용하는 모델 파일을 보관하므로, 디스크 용량은 라이브러리에 사진이 20,000장 있는지 200,000장 있는지보다 어떤 스마트 검색 및 얼굴 인식 모델을 선택했는지에 더 크게 좌우됩니다. 라이브러리 크기가 커지면 처리량은 늘어나지만, 자산마다 모델 바이너리를 새로 복사해야 하는 것은 아닙니다.
최근 한 자체 호스팅 Immich 배포 사례에서는 머신러닝 서비스에 영구 모델 캐시를 마운트했으며, 해당 환경에서 사용한 모델 전체가 1GB 미만이었다고 보고했습니다. 이는 하나의 구성일 뿐 보장되는 수치는 아닙니다. 중요한 점은 지속성과 재사용입니다. 선택한 파일이 한 번 저장되면 일반적인 사진 수 증가는 모델 바이너리 용량을 배수로 늘리지 않습니다.
나중에 모델을 변경할 가능성이 있는 가족 서버라면 현재 관측되는 최소 캐시보다 넉넉한 계획 허용량을 잡는 것이 좋습니다. Immich 유지 관리자는 모델 선택에 따라 다르지만 일반적으로 약 10GB 정도의 저장 공간이면 충분하다고 제안했습니다. 이를 필수 용량이 아니라 보수적인 초기 허용량으로 보고, 첫 ML 작업이 완료된 후 실행 중인 구성에서 실제 캐시 크기로 대체하세요.
동영상 구성과 클라이언트 캐시는 사진만을 기준으로 한 추정을 벗어나게 할 수 있습니다
라이브러리에 상당한 양의 동영상이 포함되어 있거나 기기 로컬 앱 저장 공간을 확인하는 경우, 썸네일과 ML 용량만으로는 전체 저장 공간을 제대로 설명할 수 없습니다. 동영상 호환성을 위해 서버 측에 대용량 파생 데이터가 생성될 수 있으며, 휴대폰과 브라우저 캐시는 서버의 썸네일 디렉터리나 ML 모델 캐시에 포함되지 않는 클라이언트 저장 공간을 차지합니다. 이러한 수치를 섞으면 정상적인 썸네일 추정치가 크게 잘못된 것처럼 보일 수 있습니다.
대규모 라이브러리 사용자의 사례는 이 경계를 보여줍니다. 약 2.4TB의 라이브러리에 사진 179,000개와 동영상 19,000개가 있는 환경에서 썸네일과 트랜스코딩된 동영상을 포함한 서버 파생 데이터 822GB가 사용되었고, Android 앱에도 로컬로 수십 GB가 누적되었다고 보고되었습니다. 이는 일화적인 사례이지 용량 산정 규칙은 아니지만, 동영상과 클라이언트 캐시가 단순한 사진 전용 모델을 얼마나 크게 넘어설 수 있는지 보여줍니다.
측정할 때는 서버 썸네일/미리보기 데이터, 인코딩된 동영상, ML 모델 캐시, 데이터베이스, 클라이언트 로컬 캐시를 별도로 관리하세요. 썸네일 저장 공간이 예상보다 크다면 전체 Immich 데이터 트리가 아니라 썸네일 디렉터리 자체를 확인하세요. 인코딩된 동영상이 가장 큰 디렉터리라면 계획의 초점은 사진 인덱싱 오버헤드가 아니라 동영상 호환성과 트랜스코딩 정책으로 바뀐 것입니다.
샘플과 증가량을 기반으로 가족 저장 공간을 계산하세요
측정한 대표 자산당 썸네일 바이트 수, 향후 1~2년 동안 예상되는 이미지 수, 측정한 ML 모델 캐시 크기라는 세 가지 입력값을 사용하세요. 앞의 두 값을 곱하고 모델 캐시를 더한 다음, 재생성, 설정 변경, 일반적인 파일 시스템 증가를 위한 운영 여유 공간을 추가합니다. 여기서 20~25%의 여유 공간은 계획을 위한 경험적 기준일 뿐 Immich의 필수 요구 사항은 아닙니다. 디스크 여유가 부족한 사용자는 이 여유 공간이 항상 충분하다고 가정하지 말고 더 자주 측정해야 합니다.
보수적인 모델 캐시 상한은 모델 선택에 따라 다르지만 약 10GB면 일반적으로 충분하다는 유지 관리자의 안내에서 시작할 수 있습니다. 이를 10~20%의 썸네일+트랜스코딩 비율이 아니라 자체적으로 측정한 썸네일 용량과 결합하세요. 예상 썸네일 용량이 72GB이고 모델 허용량이 10GB, 여유 공간이 25%라면 계획상 확보해야 할 공간은 약 103GB입니다.
추정에 영향을 주는 변수가 바뀔 때마다 다시 계산하세요. 썸네일 해상도나 품질, 카메라 해상도의 큰 변화, 다른 ML 모델, 동영상의 급격한 증가, 자산을 업로드하는 가족 구성원의 상당한 증가 등이 해당합니다. 판단 기준은 간단합니다. 예상 생성 데이터 용량과 여유 공간의 합계가 사용할 고속 볼륨의 가용 공간에 가까워진다면, 라이브러리가 그 지점에 도달하기 전에 파생 데이터 경로를 옮기거나 용량을 추가하거나 관련 생성 설정을 낮추세요.
기술 및 AI 허브
더 읽어보기

오픈 모델이 프런티어 AI를 따라잡고 있습니다—2026년은 로컬 AI가 충분히 좋아지는 해가 될까요?
오픈 모델은 더 많은 로컬 AI 작업을 처리할 수 있을 만큼 성능이 좋아지고 있으며, 최첨단 클라우드 모델은 가장 어려운 추론 및 에이전트 작업에 여전히...

NVIDIA PAIR가 홈 네트워크를 로컬 AI 클러스터로 바꿉니다—이제 대형 GPU 서버가 하나 필요할까요?
NVIDIA PAIR는 로컬 AI 요청을 여러 대의 PC에 분산해 컴퓨팅을 더욱 탄력적으로 활용할 수 있게 하며, 하나의 홈 서버가 데이터를 유지하고 상태를 지속적으로 보존할...

Immich는 왜 원격 연결보다 LAN에서 더 빠르게 느껴질까요?
LAN 요청은 일반적으로 더 짧고 지연 시간이 낮은 경로를 사용합니다. 원격 액세스를 사용하면 WAN 용량 제한이 발생하고 DNS, TLS, 프록시, VPN 또는 릴레이 홉이...

