给绿联NAS塞了个“贾维斯”！智能分析+向量搜索，找图比翻书还快

NAS、键盘、路由器······年轻就要多折腾，我是爱折腾的熊猫，今天又给大家分享最近折腾的内容了，关注是对我最大的支持，阿里嘎多

引言

绿联NAS作为目前熊猫工作文件以及各种素材和壁纸的存储中心，一直承担的就是工作需求多一点，DXP6800 Pro的盘位足够多，同时i5-1235U的处理器兼顾了性能和能耗，既保证了我的各种本地项目的运转，在十多个Docker全开且硬盘不休眠的情况下也能有不错的功耗表现。

在经历过多次更新之后，从最初的“毛坯房”直接进化成了现在的“精装小洋房”，颇有一种万丈高楼平地起的既视感。自家原生应用在稳步推进，应用中心也开始敞开大门，接纳各路第三方大神的优秀项目，生态圈子越扩越大。

随着AI越来越强大，熊猫一直在想能不能直接把NAS中的图片交给AI来托管，不仅仅是做到人物、宠物以及场景等识别，而是来点更深度的视觉解构：把照片的色调、构图、分辨率甚至调色风格都给“扒”得明明白白。然后根据这些分析，自动打标签、写描述、归好类，这才是我想象中“贾维斯”级别的真智能。

项目介绍

前两天看到一款非常厉害的开源项目——PixelPunk，一个功能非常强大的资源管理平台，一款基于AI和向量搜索的智能图像管理，支持多云存储、企业级安全与灵活分享，再加上现代化的UI界面和开放API，不管是做内容平台、媒体库还是搞企业知识管理，用它都非常顺手。

PixelPunk虽说是刚开源的项目，但功能性已经非常强大了，完全已经到了能投入使用的阶段，PixelPunk目前在Github开源，地址为https://github.com/CooperJiang/PixelPunk，同时你也可以去官方查看他的官方文档：https://pixelpunk.cc/。

项目部署

众所周知，绿联的DXP6800和DXP8800系列都预留了PCIe插槽，这就给硬件扩展留足了后路。而视觉识别和向量模型这两使用在线多少会涉及隐私问题，虽然熊猫觉得也没谁会闲得无聊专门来追踪你的数据，但既然咱手里有条件本地部署，那干嘛还要把数据往外送？直接上本地大模型，既能享受AI的便利，又能把隐私攥在自己手里，这才是成年人的“全都要”。

当然，如果你手里有雷电显卡扩展坞，那么其实用DXP4800系列以及全闪480T其实也能外接显卡来调用本地大模型，目前绿联的DXP4800系列、DXP6800系列、DXP8800系列以及全闪NAS480T都带有雷电扩展口。

PixelPunk的部署并不难，项目涉及到了主程序、MySQL数据库、向量库以及Redis缓存，通过compose我们可以一键配置好对应的项目变量。打开绿联Docker中的项目，选择创建新项目。

复制粘贴以下代码，其中涉及到的环境变量、端口以及映射文件夹需要你根据自身的NAS环境去更改，避免端口冲突等问题。

version: '3.8'

services:
  # PixelPunk 主应用
  pixelpunk:
    image: snine98/pixelpunk:latest
    container_name: pixelpunk
    ports:
      - "9555:9520"
    volumes:
      - ./data:/app/data
      - ./logs:/app/logs
      - ./uploads:/app/uploads
    environment:
      - TZ=Asia/Shanghai
      - DEPLOY_MODE=compose
      - CONFIG_PRESET=true
      - APP_PORT=9520
    depends_on:
      mysql:
        condition: service_healthy
      qdrant:
        condition: service_started
      redis:
        condition: service_started
    restart: unless-stopped
    networks:
      - pixelpunk-network

  # MySQL 数据库
  mysql:
    image: mysql:8.0
    container_name: pixelpunk-mysql
    environment:
      MYSQL_ROOT_PASSWORD: root_password_change_me
      MYSQL_DATABASE: pixelpunk
      MYSQL_USER: pixelpunk
      MYSQL_PASSWORD: pixelpunk_pass
      TZ: Asia/Shanghai
    volumes:
      - ./data/mysql:/var/lib/mysql
    command: >
      --character-set-server=utf8mb4
      --collation-server=utf8mb4_unicode_ci
      --default-authentication-plugin=mysql_native_password
    restart: unless-stopped
    networks:
      - pixelpunk-network

  # Qdrant 向量数据库
  qdrant:
    image: qdrant/qdrant:latest
    container_name: pixelpunk-qdrant
    volumes:
      - ./data/qdrant:/qdrant/storage
    environment:
      - TZ=Asia/Shanghai
    restart: unless-stopped
    networks:
      - pixelpunk-network

  # Redis 缓存（可选）
  redis:
    image: redis:7-alpine
    container_name: pixelpunk-redis
    volumes:
      - ./data/redis:/data
    environment:
      - TZ=Asia/Shanghai
    command: redis-server --appendonly yes
    restart: unless-stopped
    networks:
      - pixelpunk-network

# 网络配置
networks:
  pixelpunk-network:
    driver: bridge

代码复制之后如果提示格式错误，那么可以将代码交给AI让其纠正格式，可能涉及平台修改了缩进等原因。存放路径新建文件夹pixelpunk进行存放，方便后续对文件进行管理。

确定所有内容无误之后点击立即部署，NAS会拉取镜像并启动容器，这时候在项目管理中能看到主程序以及附属程序都已经运行成功。

最后通过绿联的远程访问或者浏览器本地输入NASIP与主程序端口号就能访问项目了，首次访问会提示注册账号，首次注册的账号即为超级管理员。

项目使用

登录后台之后首先看到的是仪表盘，仪表盘会展示用户统计、文件统计、存储统计以及分享统计，同时下方会有上传趋势甚至AI服务和标签统计，能宏观看到整个项目中图片的打标进度和标签数等等。

首先说说该项目的AI智能化程度，这也是熊猫墙裂推荐的原因之一。

首先要使用AI进行打标、分类以及识别，我们要现在后台智能管理中去设置对应的模型以及API，其中智能配置需要用到多模态模型，而向量配置则是向量模型，这一点不能搞错了，模型支持自定义对接地址，如果是用的第三方非官方，并发数量切记不要开太高。

设置好模型之后，来到首页选择上传图片。再上传功能上，项目可选择对上传的图片进行水印添加和自动压缩，以体积更小质量降低不明显的文件。

图片上传之后回到后台，点击打标管理，这时候能看到未打标、进行中、已完成以及失败和忽略几个状态，新上传的会自动进行打标处理，如果模型配置正确，会在已完成中显示。

来到文件管理中，找到刚刚打标的图片，点击详情就能看到视觉分析后图片的所有信息了。信息包括AI生成的标签、描述、色调、尺寸、宽高比、分辨率以及构图和敏感度评分，识别的精准度和模型有关。

打标完成的图片会再次进入向量管理中，通过对标签、描述以及其他信息进行分析来建立向量数据库。项目支持对向量库的重建以及核对补齐。

建立好向量库之后就能在文件管理中进行自然语言的搜索了，例如这里我想要找到所有文件中的卡比壁纸直接搜索即可，项目也会显示搜索内容的相似度来供你参考，不过这个参考值还是取的比较低，当然这个和向量库的维度也有关。

在标签管理中也可以直接看到你所生成的所有标签，非常之多！！！不得不说AI还是比人工手动打标快多了，且如果模型不错，标签的精准度还是非常高的。

pixelpunk的数据除了能使用本地存储，也支持阿里云OSS、腾讯云COS、七牛云、又拍云、雨云以及WebDAV和S3存储等等，同时支持对存储的路径、权限等进行控制管理，方案非常不错。

pixelpunk也支持多用户管理，用户通过个人仪表盘可以对接项目的API用于图床、随机壁纸等等，同时也支持防盗链设置，UI也拥有多种的主题、布局与风格供用户修改，不管是对于后端的管理还是前端的用户，pixelpunk都做到了尽可能塞进足够多的功能。

写在最后

pixelpunk算是今年熊猫觉得最出色的项目之一了，项目的功能非常丰富，技术栈多达30个，总代码数量甚至来到了27万行，这对于一个图库项目来说算是非常庞大了。

整体体验下来感觉非常不错，不过目前最大的问题就是视觉模型如果用在线的API，那么对于Token的消耗非常之大，熊猫实测400张图片消耗Toekn数量达到了300多万的级别，平均单张图片都在上万的Toekn消耗。

如果手头有不错的显卡，个人建议还是搭配绿联的雷电或PCie接口使用本地模型进行计算，速度上可能会比在线模型慢很多，但不需要考虑Toekn的消耗，同时对于隐私保护也会更好。双十二期间绿联目前也有非常大的优惠力度，目前熊猫同款绿联DXP 6800Pro到手价5000出头，如果预算不够，那么DXP4800 Pro目前只需要2000多，性价比非常高了。