Immich : rechercher ses photos avec une IA locale

Immich, l'alternative auto-hébergée à Google Photos, permet de retrouver une photo en tapant une description (« chien sur la plage », « gâteau d'anniversaire ») plutôt qu'un nom de fichier. Cette recherche photo par IA s'appuie sur un modèle CLIP qui tourne sur votre serveur, dans le conteneur de machine learning d'Immich. Ce guide explique comment elle fonctionne, comment choisir un modèle multilingue pour chercher en français, quelles erreurs surveiller et ce qui sort réellement de votre réseau. La procédure décrite suit la documentation officielle ; elle n'a pas été rejouée sur une instance de test pour ce guide.
#Recherche photo IA dans Immich : le principe
La fonction s'appelle Smart Search dans la documentation d'Immich (« recherche intelligente » ou recherche par contexte dans l'interface). Elle ne lit pas vos photos à la volée au moment de la requête. Elle repose sur deux opérations distinctes, toutes deux confiées au service immich-machine-learning.
- 01Indexation des imagesPour chaque photo, l'encodeur d'images du modèle CLIP calcule un vecteur numérique (un embedding) qui résume son contenu visuel. Ce vecteur est stocké dans la base de données d'Immich. C'est le travail de la tâche « Smart Search » visible dans l'administration ; sur une grande photothèque, elle peut durer longtemps.
- 02Encodage de la requêteQuand vous tapez une phrase, l'encodeur de texte du même modèle la transforme à son tour en vecteur.
- 03ComparaisonImmich renvoie les photos dont le vecteur est le plus proche de celui de votre phrase. Il n'y a ni génération de texte, ni « compréhension » au sens d'un chatbot : c'est une recherche par similarité dans un espace commun images-texte.
Conséquence directe : le texte et les images doivent avoir été encodés par le même modèle. Si vous changez de modèle, toutes les photos doivent être réindexées, sinon les vecteurs anciens et nouveaux ne sont plus comparables.
#CLIP n'est pas un assistant vision
Ton ChatGPT privé et gratuit sur ta machine en 1 heure — LM Studio, Ollama, Open WebUI, tes documents, sans cloud.
- Espace en ligne à vie
- PDF + fichiers
- Remboursé 30 j
On confond souvent la recherche CLIP d'Immich et les modèles « vision » qu'on fait tourner avec Ollama (Qwen3-VL, Gemma, etc.). Ce sont deux outils différents, qui répondent à deux besoins différents.
- Ce que fait CLIP dans Immich
- Classer vos photos par proximité avec une phrase. Le résultat est une liste d'images triées, pas une réponse rédigée. Le modèle est petit et l'indexation se fait une fois, puis la recherche est rapide.
- Ce que fait un assistant vision
- Décrire une image, répondre à une question sur son contenu, lire du texte (OCR), comparer deux images. Il génère du texte, image par image, et coûte bien plus cher en calcul et en mémoire.
- Ce que CLIP ne sait pas faire
- Répondre à « combien de personnes sur cette photo ? », raconter une scène, lire de façon fiable un document photographié, ou compter. Il donne un score de ressemblance, rien de plus.
- Ce qu'Immich n'intègre pas nativement
- Un LLM vision qui rédigerait des légendes ou dialoguerait avec votre photothèque. Des projets tiers existent, mais ils ne font pas partie d'Immich et ne sont pas couverts ici.
Si votre besoin est de retrouver « la photo du tableau blanc de mardi », CLIP suffit souvent. Si votre besoin est d'extraire le texte de ce tableau ou de le résumer, il faut un modèle vision, par exemple via Ollama, sur une image que vous lui envoyez explicitement.
#Prérequis
- Une instance Immich fonctionnelle
- Installée avec le docker-compose.yml officiel, qui inclut le service immich-machine-learning. Si vous l'avez retiré de votre fichier compose, la recherche intelligente ne fonctionnera pas.
- Un compte administrateur
- Le choix du modèle et le lancement des tâches d'indexation se font dans l'administration du serveur.
- De la mémoire et du temps
- Un modèle CLIP plus gros demande plus de RAM et indexe plus lentement. Nous ne publions pas de chiffres de durée : ils dépendent du modèle, du nombre de photos, du CPU ou du GPU, et nous n'avons pas de mesure documentée à vous donner.
- Accélération matérielle (optionnelle)
- Immich documente une accélération du machine learning (CUDA pour NVIDIA, OpenVINO pour Intel, ROCm pour AMD, ARM NN et RKNN pour certaines cartes ARM). Elle n'est pas obligatoire : le CPU suffit, plus lentement.
- Une sauvegarde récente
- Changer de modèle ne touche pas à vos fichiers, mais relancer des tâches lourdes sur un serveur domestique est un bon moment pour vérifier que la sauvegarde de la base et des originaux est à jour.
Pour vérifier que le service de machine learning tourne, depuis le dossier qui contient votre docker-compose.yml :
#Activer la recherche photo IA et choisir un modèle multilingue
Le modèle par défaut indiqué par la documentation d'Immich est ViT-B-32__openai, un CLIP entraîné principalement sur des légendes en anglais. Il fonctionne, mais une requête en français donne en général des résultats moins pertinents que la même requête en anglais. La documentation recommande d'utiliser un modèle multilingue si vous cherchez dans une autre langue que l'anglais.
- 01Ouvrir les réglages de machine learningDans Immich, ouvrez Administration, puis Paramètres, puis la section Machine Learning. Vérifiez que le machine learning est activé et que l'URL du service pointe bien vers votre conteneur (par défaut, le service immich-machine-learning du fichier compose).
- 02Choisir le modèle CLIPDans la sous-section Smart Search, remplacez le nom du modèle. Les modèles proposés sont publiés par l'équipe Immich sur Hugging Face, et la documentation renvoie à une liste qui indique pour chacun sa taille, ses besoins en mémoire et s'il est multilingue. Les familles multilingues citées sont notamment nllb-clip (par exemple nllb-clip-base-siglip__v1, nllb-clip-large-siglip__v1) et XLM-Roberta (par exemple XLM-Roberta-Large-Vit-B-16Plus). Copiez le nom exact depuis la liste officielle : une faute de frappe empêche le téléchargement.
- 03EnregistrerAu prochain besoin, le conteneur ML télécharge le modèle depuis Hugging Face puis le garde dans son cache (volume model-cache du compose officiel). Le premier appel peut donc être lent, ou échouer si le serveur n'a pas accès à Internet.
- 04Relancer l'indexation de toute la photothèqueDans Administration, ouvrez les tâches (Jobs). Sur la ligne Smart Search, lancez le traitement sur toutes les photos (« All »), et pas seulement sur celles qui manquent (« Missing ») : les vecteurs calculés avec l'ancien modèle ne sont plus compatibles. Suivez l'avancement dans la même page et dans les journaux du conteneur.
- 05Tester avec quelques requêtes connuesChoisissez trois ou quatre photos dont vous connaissez le contenu, cherchez-les en français et vérifiez qu'elles remontent. C'est votre seul vrai test : la pertinence dépend de votre photothèque, et nous ne pouvons pas vous la garantir à distance.
Quel modèle choisir ? La documentation ne désigne pas un « meilleur » modèle universel. Le compromis est classique : un modèle plus gros (variantes large) promet une meilleure pertinence mais consomme plus de mémoire et indexe plus lentement ; un modèle base est plus léger. Sur un petit serveur ou un NAS sans GPU, commencez par une variante base multilingue ; si la pertinence vous déçoit et que la machine a de la marge, essayez une variante plus grosse, en sachant qu'il faudra tout réindexer.
#Rechercher ses photos en français
Une fois l'indexation terminée, la recherche se fait depuis la barre de recherche de l'application web ou mobile. Selon la version, l'interface propose plusieurs types de recherche : contexte (la recherche CLIP), nom de fichier, description, et dans les versions récentes texte reconnu par OCR. Pour une recherche par description, restez sur le mode contexte.
- Décrivez ce qu'on voit
- « vélo rouge contre un mur », « coucher de soleil sur la mer », « enfant qui souffle des bougies ». CLIP réagit à des objets, des scènes, des couleurs, des ambiances.
- Évitez ce que l'image ne montre pas
- « vacances 2019 chez Paul » ne correspond à rien de visible. Pour la date, le lieu ou la personne, utilisez les filtres.
- Combinez avec les filtres
- Le panneau de filtres permet de restreindre par personnes (reconnaissance faciale, une autre fonction du même conteneur ML), lieu, appareil, dates et type de média. Une requête courte plus deux filtres bat souvent une longue phrase.
- Reformulez
- Si « chat » donne trop de résultats, précisez : « chat noir endormi sur un canapé ». Si rien ne remonte, simplifiez. Testez aussi l'anglais : si l'anglais marche nettement mieux, votre modèle est probablement monolingue.
- Ne confondez pas avec la recherche de texte
- Le mode contexte ne lit pas le texte des photos. Pour retrouver une capture d'écran par son contenu écrit, utilisez la recherche OCR si votre version la propose, ou la recherche par nom de fichier ou description.
Les résultats sont triés par similarité et il n'y a pas de seuil « correspond / ne correspond pas » : la recherche renvoie toujours quelque chose, même pour une requête absurde. Les premiers résultats sont les plus proches ; plus on descend, moins ils sont pertinents.
#Confidentialité : ce qui reste chez vous
C'est l'argument principal d'une recherche photo par IA auto-hébergée, mais il mérite d'être formulé précisément. Ce guide décrit l'architecture documentée ; il ne constitue pas un audit de votre installation et ne garantit pas qu'aucune donnée ne sort de votre réseau.
- Les calculs
- Dans la configuration officielle, l'encodage des photos et des requêtes est fait par le conteneur immich-machine-learning, sur votre machine. Les embeddings sont stockés dans votre base PostgreSQL.
- Le téléchargement des modèles
- Les poids des modèles sont téléchargés depuis Hugging Face lors de leur premier usage. Ce trafic sortant est normal ; il ne contient pas vos photos. Une fois le modèle en cache, il n'est plus retéléchargé tant que vous gardez le volume.
- Un ML déporté
- L'URL du service de machine learning est réglable : on peut faire tourner le conteneur ML sur une autre machine (un PC avec GPU, par exemple). Dans ce cas, vos photos transitent vers cette machine. Gardez-la sur votre réseau local ou derrière un VPN, jamais exposée directement sur Internet.
- Les autres fonctions
- Les cartes, la vérification de version ou d'autres réglages peuvent contacter des services externes. Ils sont indépendants de la recherche CLIP ; passez en revue les paramètres serveur si vous visez un fonctionnement sans connexion sortante.
- Désactiver
- Le machine learning, ou la seule recherche intelligente, peut être désactivé dans les paramètres. Vos photos restent accessibles ; vous perdez seulement la recherche par description.
#Erreurs fréquentes et dépannage
- La recherche ne renvoie rien ou une erreur
- Le conteneur ML est arrêté, injoignable ou l'URL dans les paramètres est fausse. Vérifiez docker compose ps et les journaux d'immich-machine-learning.
- Échec du téléchargement du modèle
- Nom de modèle mal orthographié, pas d'accès à Hugging Face, ou disque plein. Les journaux du conteneur ML indiquent en général lequel.
- Le conteneur ML redémarre en boucle
- Souvent un manque de mémoire avec un gros modèle, ou une image d'accélération (par exemple -cuda) qui ne correspond pas au matériel. Revenez à un modèle plus petit ou à l'image CPU pour isoler le problème.
- Résultats médiocres après changement de modèle
- La tâche Smart Search n'a été lancée que sur les photos manquantes, ou elle n'est pas terminée. Relancez-la sur toutes les photos.
- Résultats médiocres en français, corrects en anglais
- Le modèle actif est monolingue (par exemple le défaut ViT-B-32__openai). Passez à un modèle multilingue et réindexez.
- Nouvelles photos introuvables
- L'indexation des nouveaux fichiers passe par la file de tâches. Si elle est en pause ou saturée, les photos récentes n'ont pas encore de vecteur. Vérifiez la page des tâches.
#Limites et sources
Ce guide ne publie aucun temps d'indexation, aucune consommation mémoire mesurée ni aucun score de pertinence : nous n'avons pas de mesure documentée (matériel, version, modèle, taille de photothèque) à vous présenter. Les ordres de grandeur que vous trouverez en ligne dépendent fortement de ces paramètres ; le seul repère fiable est un test sur votre propre serveur, avec quelques requêtes dont vous connaissez la réponse.
Immich évolue vite. Les intitulés de menus, la liste des modèles disponibles et les types de recherche changent d'une version à l'autre. Les éléments ci-dessus s'appuient sur la page « Searching » de la documentation officielle, consultée par la rédaction le 30 octobre 2026 ; ils n'ont pas été revérifiés le jour de publication. En cas de divergence, la documentation de votre version fait foi : docs.immich.app/features/searching/.
#Pour aller plus loin
La recherche CLIP retrouve des photos ; pour les décrire, les interroger ou en extraire du texte, il faut un modèle vision. Ces guides du site prolongent ce sujet.
- LLM multimodal vision en local : analyser des images avec Ollama
- Le guide voisin : décrire une image, faire de l'OCR, interroger une photo avec un modèle vision local. Le complément naturel à la recherche CLIP.
- Qwen3-VL en local avec Ollama
- Un modèle vision précis pour analyser en détail les photos que la recherche Immich vous a permis de retrouver.
- BGE-M3 : des embeddings qui parlent français
- Le même principe d'embeddings multilingues appliqué au texte, pour comprendre pourquoi un modèle monolingue pénalise les requêtes en français.
Un retour, une erreur, une précision ? Faites-nous signe, ça améliore le guide pour tout le monde.