Immich: buscar tus fotos con una IA locale

Immich, la alternativa autoalojada a Google Photos, permite encontrar una foto escribiendo una descripción («perro en la playa», «pastel de cumpleaños») en lugar de un nombre de archivo. Esta búsqueda de fotos con IA se basa en un modelo CLIP que se ejecuta en tu servidor, en el contenedor de machine learning de Immich. Esta guía explica cómo funciona, cómo elegir un modelo multilingüe para buscar en francés, qué errores vigilar y qué sale realmente de tu red. El procedimiento descrito sigue la documentación oficial; no se ha reproducido en una instancia de prueba para esta guía.
#Búsqueda de fotos con IA en Immich: el principio
La función se llama Smart Search en la documentación de Immich («búsqueda inteligente» o búsqueda por contexto en la interfaz). No lee tus fotos sobre la marcha en el momento de la consulta. Se basa en dos operaciones distintas, ambas a cargo del servicio immich-machine-learning.
- 01Indexación de las imágenesPara cada foto, el codificador de imágenes del modelo CLIP calcula un vector numérico (un embedding) que resume su contenido visual. Este vector se almacena en la base de datos de Immich. Es el trabajo de la tarea «Smart Search» visible en la administración; en una fototeca grande, puede tardar mucho.
- 02Codificación de la consultaCuando escribes una frase, el codificador de texto del mismo modelo la transforma a su vez en un vector.
- 03ComparaisonImmich devuelve las fotos cuyo vector está más cerca del de tu frase. No hay generación de texto ni «comprensión» en el sentido de un chatbot: es una búsqueda por similitud en un espacio común de imágenes y texto.
Consecuencia directa: el texto y las imágenes deben haberse codificado con el mismo modelo. Si cambias de modelo, todas las fotos deben reindexarse; de lo contrario, los vectores antiguos y los nuevos ya no son comparables.
#CLIP no es un asistente de visión
Aprovecha nuestra experiencia y un recorrido guiado para crear tu asistente local y usar tu IA en el día a día.
- Espacio en línea de por vida
- PDF + archivos
- Reembolsado 30 d
A menudo se confunde la búsqueda CLIP de Immich con los modelos de «visión» que se ejecutan con Ollama (Qwen3-VL, Gemma, etc.). Son dos herramientas diferentes, que responden a dos necesidades diferentes.
- Lo que hace CLIP en Immich
- Ordenar tus fotos por proximidad a una frase. El resultado es una lista de imágenes ordenadas, no una respuesta redactada. El modelo es pequeño y la indexación se hace una vez; después, la búsqueda es rápida.
- Lo que hace un asistente de visión
- Describir una imagen, responder a una pregunta sobre su contenido, leer texto (OCR), comparar dos imágenes. Genera texto, imagen por imagen, y cuesta mucho más en cómputo y memoria.
- Lo que CLIP no sabe hacer
- Responder a «¿cuántas personas hay en esta foto?», describir una escena, leer de forma fiable un documento fotografiado o contar. Da una puntuación de similitud, nada más.
- Lo que Immich no integra de forma nativa
- Un LLM de visión que redacte descripciones o converse con tu fototeca. Existen proyectos de terceros, pero no forman parte de Immich y no se tratan aquí.
Si lo que necesitas es encontrar «la foto de la pizarra blanca del martes», CLIP suele bastar. Si lo que necesitas es extraer el texto de esa pizarra o resumirlo, necesitas un modelo de visión, por ejemplo mediante Ollama, sobre una imagen que le envíes explícitamente.
#Prerrequisitos
- Una instancia de Immich funcional
- Instalada con el docker-compose.yml oficial, que incluye el servicio immich-machine-learning. Si lo has quitado de tu archivo compose, la búsqueda inteligente no funcionará.
- Una cuenta de administrador
- La elección del modelo y el lanzamiento de las tareas de indexación se hacen en la administración del servidor.
- Memoria y tiempo
- Un modelo CLIP más grande requiere más RAM e indexa más despacio. No publicamos cifras de duración: dependen del modelo, del número de fotos, de la CPU o la GPU, y no tenemos mediciones documentadas que ofrecerte.
- Aceleración por hardware (opcional)
- Immich documenta una aceleración del machine learning (CUDA para NVIDIA, OpenVINO para Intel, ROCm para AMD, ARM NN y RKNN para ciertas placas ARM). No es obligatoria: la CPU basta, aunque más lentamente.
- Una copia de seguridad reciente
- Cambiar de modelo no afecta a tus archivos, pero volver a lanzar tareas pesadas en un servidor doméstico es un buen momento para comprobar que la copia de seguridad de la base de datos y de los originales está al día.
Para comprobar que el servicio de machine learning está en ejecución, desde la carpeta que contiene tu docker-compose.yml:
#Activar la búsqueda de fotos con IA y elegir un modelo multilingüe
El modelo predeterminado que indica la documentación de Immich es ViT-B-32__openai, un CLIP entrenado principalmente con descripciones en inglés. Funciona, pero una consulta en francés suele dar resultados menos pertinentes que la misma consulta en inglés. La documentación recomienda usar un modelo multilingüe si buscas en un idioma distinto del inglés.
- 01Abrir los ajustes de machine learningEn Immich, abre Administración, luego Ajustes y después la sección Machine Learning. Comprueba que el machine learning está activado y que la URL del servicio apunta a tu contenedor (por defecto, el servicio immich-machine-learning del archivo compose).
- 02Elegir el modelo CLIPEn la subsección Smart Search, sustituye el nombre del modelo. Los modelos disponibles los publica el equipo de Immich en Hugging Face, y la documentación remite a una lista que indica para cada uno su tamaño, sus requisitos de memoria y si es multilingüe. Entre las familias multilingües citadas están nllb-clip (por ejemplo nllb-clip-base-siglip__v1, nllb-clip-large-siglip__v1) y XLM-Roberta (por ejemplo XLM-Roberta-Large-Vit-B-16Plus). Copia el nombre exacto de la lista oficial: un error tipográfico impide la descarga.
- 03GrabarLa próxima vez que lo necesite, el contenedor de ML descarga el modelo desde Hugging Face y luego lo guarda en su caché (volumen model-cache del compose oficial). Por eso, la primera llamada puede ser lenta, o fallar si el servidor no tiene acceso a Internet.
- 04Relanzar la indexación de toda la fototecaEn Administración, abre las tareas (Jobs). En la fila Smart Search, ejecuta el procesamiento en todas las fotos («All») y no solo en las que faltan («Missing»): los vectores calculados con el modelo anterior ya no son compatibles. Sigue el progreso en la misma página y en los registros del contenedor.
- 05Probar con algunas consultas conocidasElige tres o cuatro fotos cuyo contenido conozcas, búscalas en francés y comprueba que aparecen en los resultados. Es tu única prueba real: la relevancia depende de tu fototeca, y no podemos garantizártela a distancia.
¿Qué modelo elegir? La documentación no señala un «mejor» modelo universal. El equilibrio es el clásico: un modelo más grande (variantes large) promete una mayor relevancia, pero consume más memoria e indexa más despacio; un modelo base es más ligero. En un servidor pequeño o un NAS sin GPU, empieza con una variante base multilingüe; si la relevancia te decepciona y la máquina tiene margen, prueba una variante más grande, teniendo en cuenta que habrá que reindexarlo todo.
#Buscar tus fotos en francés
Una vez terminada la indexación, la búsqueda se hace desde la barra de búsqueda de la aplicación web o móvil. Según la versión, la interfaz ofrece varios tipos de búsqueda: contexto (la búsqueda CLIP), nombre de archivo, descripción y, en las versiones recientes, texto reconocido por OCR. Para buscar por descripción, quédate en el modo contexto.
- Describe lo que se ve
- «bicicleta roja contra una pared», «puesta de sol sobre el mar», «niño soplando velas». CLIP responde a objetos, escenas, colores y ambientes.
- Evita lo que la imagen no muestra
- «vacaciones 2019 en casa de Paul» no corresponde a nada visible. Para la fecha, el lugar o la persona, usa los filtros.
- Combínala con los filtros
- El panel de filtros permite acotar por personas (reconocimiento facial, otra función del mismo contenedor de ML), lugar, dispositivo, fechas y tipo de contenido. Una consulta corta más dos filtros suele funcionar mejor que una frase larga.
- Reformulez
- Si «gato» da demasiados resultados, precisa: «gato negro dormido en un sofá». Si no aparece nada, simplifica. Prueba también en inglés: si el inglés funciona claramente mejor, tu modelo probablemente es monolingüe.
- No la confundas con la búsqueda de texto
- El modo contexto no lee el texto de las fotos. Para encontrar una captura de pantalla por su contenido escrito, usa la búsqueda OCR si tu versión la ofrece, o la búsqueda por nombre de archivo o por descripción.
Los resultados se ordenan por similitud y no hay un umbral de «coincide / no coincide»: la búsqueda siempre devuelve algo, incluso para una consulta absurda. Los primeros resultados son los más cercanos; cuanto más bajas, menos pertinentes son.
#Privacidad: lo que se queda en tu casa
Es el argumento principal de una búsqueda de fotos con IA autoalojada, pero conviene formularlo con precisión. Esta guía describe la arquitectura documentada; no constituye una auditoría de tu instalación ni garantiza que ningún dato salga de tu red.
- Los cálculos
- En la configuración oficial, la codificación de las fotos y de las consultas la realiza el contenedor immich-machine-learning, en tu máquina. Los embeddings se almacenan en tu base de datos PostgreSQL.
- La descarga de los modelos
- Los pesos de los modelos se descargan desde Hugging Face la primera vez que se usan. Este tráfico saliente es normal; no contiene tus fotos. Una vez que el modelo está en caché, no se vuelve a descargar mientras conserves el volumen.
- Un ML remoto
- La URL del servicio de machine learning es configurable: puedes ejecutar el contenedor de ML en otra máquina (un PC con GPU, por ejemplo). En ese caso, tus fotos se envían a esa máquina. Mantenla en tu red local o detrás de una VPN, nunca expuesta directamente a Internet.
- Las demás funciones
- Los mapas, la comprobación de versión u otros ajustes pueden contactar con servicios externos. Son independientes de la búsqueda CLIP; revisa los ajustes del servidor si buscas un funcionamiento sin conexiones salientes.
- Desactivar
- El machine learning, o solo la búsqueda inteligente, puede desactivarse en los ajustes. Tus fotos siguen accesibles; solo pierdes la búsqueda por descripción.
#Errores frecuentes y solución de problemas
- La búsqueda no devuelve nada o da un error
- El contenedor de ML está detenido o inaccesible, o la URL de los ajustes es incorrecta. Revisa docker compose ps y los registros de immich-machine-learning.
- Error al descargar el modelo
- Nombre de modelo mal escrito, sin acceso a Hugging Face o disco lleno. Los registros del contenedor de ML suelen indicar cuál es la causa.
- El contenedor de ML se reinicia en bucle
- A menudo, falta de memoria con un modelo grande, o una imagen de aceleración (por ejemplo -cuda) que no corresponde al hardware. Vuelve a un modelo más pequeño o a la imagen de CPU para aislar el problema.
- Resultados mediocres después de cambiar de modelo
- La tarea Smart Search solo se lanzó sobre las fotos faltantes, o no ha terminado. Vuelve a lanzarla sobre todas las fotos.
- Resultados mediocres en francés, correctos en inglés
- El modelo activo es monolingüe (por ejemplo, el predeterminado ViT-B-32__openai). Cambia a un modelo multilingüe y vuelve a indexar.
- Fotos nuevas que no aparecen
- La indexación de los archivos nuevos pasa por la cola de tareas. Si está en pausa o saturada, las fotos recientes todavía no tienen vector. Revisa la página de tareas.
#Limitaciones y fuentes
Esta guía no publica ningún tiempo de indexación, ningún consumo de memoria medido ni ninguna puntuación de relevancia: no tenemos ninguna medición documentada (hardware, versión, modelo, tamaño de la fototeca) que presentarte. Los órdenes de magnitud que encontrarás en internet dependen mucho de estos parámetros; la única referencia fiable es una prueba en tu propio servidor, con algunas consultas cuya respuesta conozcas.
Immich evoluciona rápido. Los nombres de los menús, la lista de modelos disponibles y los tipos de búsqueda cambian de una versión a otra. Lo anterior se basa en la página «Searching» de la documentación oficial, consultada por la redacción el 30 de octubre de 2026; no se ha vuelto a verificar el día de la publicación. En caso de discrepancia, prevalece la documentación de tu versión: docs.immich.app/features/searching/.
#Para ir más allá
La búsqueda CLIP encuentra fotos; para describirlas, hacerles preguntas o extraer texto de ellas, necesitas un modelo de visión. Estas guías del sitio amplían el tema.
- LLM multimodal de visión en local: analizar imágenes con Ollama
- La guía relacionada: describir una imagen, hacer OCR y hacerle preguntas a una foto con un modelo de visión local. El complemento natural de la búsqueda CLIP.
- Qwen3-VL en local con Ollama
- Un modelo de visión preciso para analizar en detalle las fotos que la búsqueda de Immich te ha permitido encontrar.
- BGE-M3: embeddings que hablan francés
- El mismo principio de embeddings multilingües aplicado al texto, para entender por qué un modelo monolingüe penaliza las consultas en francés.
¿Un comentario, un error, una precisión? Avísanos, eso mejora la guía para todos.