Nowe zdjęcia zwykle stają się dostępne w wyszukiwarce po zakończeniu przetwarzania w tle, ale zatrzymane zadania i filtry wyszukiwania mogą powodować podobne objawy braku wyników.
Telefon zakończył przesyłanie wakacyjnego albumu na rodzinny serwer, jednak wyszukiwanie plaży zwraca tylko starsze zdjęcia. Brakujące wyniki mogą czekać na analizę, mogły nie przejść wcześniejszego etapu przetwarzania albo zostały wykluczone przez bieżące zapytanie. Rozróżnienie tych stanów jest ważniejsze niż ocenianie całego importu na podstawie jednego wyszukiwania, które nie zwróciło wyników.
Przesłane zdjęcie nadal może czekać na pojawienie się w wyszukiwarce
Zaakceptowane przesłanie, widoczny kafelek na osi czasu i ukończony rekord wyszukiwania semantycznego to różne etapy. Praca w tle pozwala serwerowi przyjmować żądania bez synchronicznego kończenia każdego kroku analizy. To zwiększa elastyczność, ale oznacza też, że sam licznik przesłanych plików nie informuje rodziny, kiedy każde nowe zdjęcie będzie pasować do zapytania w języku naturalnym.
Oddzielne kolejki zadań sprawiają, że to rozróżnienie staje się widoczne. Deweloper, który stworzył wizualizator kolejki Immich, pokazuje oczekujące, aktywne i ukończone zadania wraz z wykresami tempa przetwarzania. Istotna nie jest sama dodatkowa aplikacja, lecz fakt, że kilka działań przetwarzających ma niezależny postęp, więc spokojny okres przesyłania nie musi oznaczać ukończenia biblioteki.
Dla przykładowej kolejki 12 000 oczekujących kwalifikujących się zadań przetwarzanych ze stałą szybkością 100 na minutę potrzeba około 120 minut po zakończeniu napływu nowych zadań. Jeśli co minutę dochodzi kolejnych 80, kolejka zmniejsza się netto tylko o 20 zadań. Rzeczywiste zadania różnią się kosztem, więc te obliczenia wyjaśniają zachowanie zaległości, a nie przewidują czasu ukończenia przetwarzania w Immich.
Trzy różne stany mogą wyglądać jak to samo opóźnienie
Rozróżnij trzy stany: kolejkę celowo wstrzymaną, kolejkę działającą powoli oraz zadania wielokrotnie kończące się niepowodzeniem, zanim powstanie wymagany wynik. W pierwszym przypadku zadania nie mają uprawnień do uruchomienia; w drugim przepustowość jest niewystarczająca względem tempa napływu; w trzecim czas tracony jest na konkretny błąd. Duża liczba oczekujących zadań może wystąpić we wszystkich trzech przypadkach.
Zgłoszony limit czasu ekstrakcji metadanych ilustruje trzeci stan, ale nie dowodzi ogólnego ograniczenia sprzętowego. Zgłaszający obserwował 120-sekundowe niepowodzenia dotyczące filmów w bibliotece opartej na NFS, podczas gdy ekstrakcja tych samych plików po stronie hosta przebiegała szybko. Ten kontrast wskazuje na rozbieżność w ścieżce przetwarzania; nie dowodzi, że każda pamięć NAS ani każdy duży import będzie działać w ten sposób.
Jeśli liczba oczekujących zadań maleje, a liczba niepowodzeń pozostaje stabilna, opóźnione pokrycie jest zgodne z opróżnianiem zaległości. Jeśli liczba nie maleje, najpierw rozróżnij wstrzymaną pracę od aktywnych błędów, zanim uznasz system za przeciążony. To granica klasyfikacji, a nie zalecenie czyszczenia kolejek, ponownego uruchamiania wszystkich usług ani ponownego przetwarzania całej rodzinnej kolekcji.
Zakres wyszukiwania może przypominać niedokończone indeksowanie
Po ustaleniu stanu przetwarzania nie zmieniaj konta, zakresu albumu, filtra daty ani zapytania. Wyszukiwanie z innego konta domowego może zmienić kwalifikujące się wyniki nawet na tym samym serwerze. Zapytanie semantyczne szereguje również podobieństwo, zamiast gwarantować dokładny wykaz, więc pojedynczy brakujący wynik wizualny sam w sobie nie dowodzi niedokończonego indeksowania.
Brakujące podglądy HEIC wprowadzają kolejną niejednoznaczność: oryginał może być obecny, podczas gdy jego pochodna wyświetlana jest niedostępna. Na tę ścieżkę mogą wpływać format, działanie dekodera lub określony profil obrazu. Brak kafelka i brak wektora wyszukiwania to różne obserwacje, nawet jeśli użytkownik napotyka oba problemy w przypadku tego samego zdjęcia.
Wyjaśnienie dotyczące zwykłej zaległości przestaje obowiązywać, gdy ta sama niewielka grupa konsekwentnie kończy się niepowodzeniem po ukończeniu przetwarzania pozostałych plików. Z kolei pomyślne wyszukanie znanego zasobu przy słabym dopasowaniu semantycznym wskazuje raczej na trafność zapytania lub działanie modelu. Nie importuj ponownie oryginałów tylko dlatego, że pierwsze sformułowanie wyszukiwania ich nie znalazło.
Użyj małej grupy, aby odróżnić oczekiwanie od zatrzymania
Wybierz niewielki zestaw niedawno zaimportowanych zasobów z rozpoznawalnymi datami i zróżnicowaną zawartością oraz starszy zestaw, o którym wiadomo, że działa poprawnie. Zapisz, kiedy każdy oryginał został zaakceptowany, kiedy otworzył się jego podgląd, kiedy ukończono odpowiednie zadania i czy stałe zapytanie go zwraca. Powtarzaj pomiary w zapisanych odstępach, nie zmieniając modeli ani nie uruchamiając ponownego przetwarzania całej biblioteki.
Planowanie importu może celowo odraczać pracę w tle. Wydanie immich-go wprowadziło wstrzymywanie zadań podczas przesyłania, aby uniknąć równoczesnych konfliktów aktualizacji metadanych. Jest to dowód konkretnej zasady dotyczącej importu zbiorczego, a nie dowód, że natywna aplikacja mobilna wstrzymuje zadania w ten sam sposób; zapisz, który importer i która wersja faktycznie utworzyły badaną grupę.
Interpretuj rosnące liczniki ukończenia przy stabilnych wynikach starszych plików jako nadrabianie zaległości, powtarzające się niepowodzenia tych samych plików jako problem z przetwarzaniem, a różne wyniki na różnych kontach jako kwestię zakresu. Jeśli postęp się zatrzyma, zgłoś problem wraz z tymi obserwacjami i szczegółami wersji. Dobra diagnoza zawęża etap, na którym występuje awaria, bez usuwania dowodów ani jednoczesnej zmiany kilku zmiennych.
Centrum Technologii i Sztucznej Inteligencji
Więcej do przeczytania

Otwarte modele doganiają czołówkę AI — czy 2026 będzie rokiem, w którym lokalne AI stanie się wystarczająco dobre?
Otwarte modele stają się wystarczająco dobre do obsługi większej liczby lokalnych zadań AI, podczas gdy chmurowe modele czołowe pozostają przydatne w przypadku najtrudniejszych zadań...

NVIDIA PAIR zamienia Twoją sieć domową w lokalny klaster AI — czy nadal potrzebujesz jednego dużego serwera GPU?
NVIDIA PAIR rozdziela lokalne zadania AI między wiele komputerów, zwiększając elastyczność mocy obliczeniowej, podczas gdy jeden domowy serwer może zachować trwałość danych i stanu.

Dlaczego Immich działa szybciej w sieci LAN niż przez połączenia zdalne?
Żądania w sieci LAN zwykle korzystają z krótszej ścieżki o mniejszych opóźnieniach. Zdalny dostęp wiąże się z ograniczeniami przepustowości sieci WAN i może dodawać...

