Ein Wiki privater Natur

Nextcloud Recognize

Gesichtserkennung einrichten

Nextcloud Recognize: Gesichtserkennung einrichten

Recognize ist eine Nextcloud-App, die Bilder automatisch klassifiziert: Objekte, Landschaften, Gesichter. Die Ergebnisse landen in der App Memories unter dem Menüpunkt "Personen". Das klingt einfacher als es ist.

Was wird benötigt

Installation

Recognize und Memories werden im Nextcloud App Store aktiviert. Recognize allein reicht nicht, weil es kein eigenes UI mitbringt. Memories ist die Oberfläche, in der die erkannten Personen und Tags angezeigt werden.

Nach der Installation in Memories unter Einstellungen den Pfad der Zeitleiste auf / setzen, damit alle Bilder des Benutzers berücksichtigt werden.

Konfiguration prüfen

Recognize braucht zwei Dinge, die nach der Installation nicht automatisch gesetzt sind.

Node.js-Pfad

php occ config:app:get recognize node_binary

Wenn der Pfad auf ein nicht existierendes Verzeichnis zeigt (z.B. .../apps/recognize/bin/node), muss er korrigiert werden:

php occ config:app:set recognize node_binary --value="$(which node)"

Modelle aktivieren

Ohne aktivierte Modelle passiert gar nichts, und es gibt auch keine Fehlermeldung:

php occ config:app:get recognize faces.enabled
php occ config:app:get recognize imagenet.enabled

Wenn kein Output kommt, sind die Modelle deaktiviert:

php occ config:app:set recognize faces.enabled --value="true"
php occ config:app:set recognize imagenet.enabled --value="true"

Weitere Modelle nach Bedarf: movinet.enabled (Videos), musicnn.enabled (Musik), landmarks.enabled (Sehenswürdigkeiten).

Modelle herunterladen

php occ recognize:download-models

Die Modelle landen in node_modules/@vladmandic/face-api/model/ innerhalb des App-Verzeichnisses, nicht in einem separaten models/-Ordner.

Klassifizierung starten

php occ recognize:classify

Der Befehl läuft synchron. Bei tausenden Bildern dauert das Stunden. Zu erkennen dass er wirklich arbeitet: Node.js-Prozesse tauchen unter ps aux auf, und in der Datenbank wachsen die Einträge:

SELECT COUNT(*) FROM oc_recognize_face_detections;
SELECT COUNT(*) FROM oc_recognize_face_clusters;

Das Clustering passiert parallel zur Klassifizierung automatisch. Nach Abschluss kann es manuell nochmal angestoßen werden:

php occ recognize:cluster-faces

Stolpersteine

Queue bleibt leer

Wenn recognize:classify in Sekunden durchläuft ohne etwas zu tun, ist die Queue leer. Das passiert wenn der StorageCrawlJob wegen eines Datenbankfehlers (dirty table reads) keine Einträge anlegen konnte.

Prüfen:

SELECT COUNT(*) FROM oc_recognize_queue_faces;

Wenn 0, kann die Queue manuell gefüllt werden. Storage-ID und Root-ID des Benutzers ermitteln:

SELECT s.numeric_id, f.fileid, f.path
FROM oc_storages s
JOIN oc_filecache f ON f.storage = s.numeric_id
WHERE s.id LIKE '%benutzername%' AND f.path = 'files';

Queue füllen (storage_id und root_id aus der obigen Abfrage einsetzen):

INSERT INTO oc_recognize_queue_faces (file_id, storage_id, root_id, `update`)
SELECT f.fileid, f.storage, ROOT_ID, 0
FROM oc_filecache f
JOIN oc_mimetypes m ON f.mimetype = m.id
WHERE f.storage = STORAGE_ID
AND m.mimetype LIKE 'image/%';

Danach recognize:classify erneut starten.

Node.js startet nicht

Testen ob der Classifier direkt lauffähig ist:

sudo -u www-data /usr/bin/node /pfad/zu/nextcloud/apps/recognize/src/classifier_faces.js - 2>&1

TensorFlow-Meldungen und ein ENOENT-Fehler (wegen fehlendem stdin-Input) sind normal. Wenn stattdessen Cannot find module kommt, stimmt der node_binary-Pfad nicht.

Karte in Memories zeigt 403-Fehler

Memories lädt Kartenkacheln von tile.openstreetmap.org. Bei selbst gehosteten Instanzen fehlt der Referer-Header, OSM blockt die Anfragen. Der Tile-Server ist in Version 7.8.2 hardcoded in PageController.php und lässt sich nicht per occ config ändern. Etwas herauszoomen lässt den Fehler verschwinden. Im Einzelbild-Fotobetrachter funktioniert die Karte problemlos.

Ergebnis

Nach der Klassifizierung erscheint in Memories der Menüpunkt "Personen". Die erkannten Cluster können dort benannt und bei Bedarf zusammengeführt oder getrennt werden. Falsch zugeordnete Gesichter lassen sich einzeln entfernen.

Bei einer Sammlung von ca. 27.000 Bildern (ein Benutzer) wurden nach einem vollständigen Durchlauf rund 37.000 Gesichtsdetektionen und 248 Personen-Cluster gefunden. Die Laufzeit betrug mehrere Stunden auf einem Hetzner-Server mit 62 GB RAM.


~Die Stolpersteine in diesem Artikel wurden nicht allein durch eigene Recherche gefunden. Die Fehlersuche, insbesondere die leere Queue, der falsche Node-Pfad und die deaktivierten Modelle, lief im Dialog mit Claude (Anthropic). Die Lösungsschritte wurden gemeinsam erarbeitet und hier dokumentiert.~