Ollama Modelle

Wir empfehlen, ein Vision Modell zu wählen, das Geschwindigkeit, Genauigkeit und Zuverlässigkeit gut ausbalanciert. Drei Modellfamilien erfüllen diese Kriterien und können wir empfehlen — Gemma 4, Qwen3-VL und Qwen 3.5:

Modell	Anwendungsfall	Anmerkungen
Gemma 4	Standard-Generierung von Bildunterschriften und Labels auf Englisch	Leichte, zuverlässige JSON-Ausgabe; guter Standard. Für eine nicht‑englische Bibliothek keine gute Wahl — siehe Sprachunterstützung.
Qwen3-VL	Fortgeschrittene Bilderkennung und Reasoning (OCR, komplexe Prompts)	Beste Motiv‑Abdeckung in unserem Benchmark, wenn der Prompt eine Anzahl an Labels vorgibt. Verwende einen -instruct‑Tag.
Qwen 3.5	Leichtgewichtige Alternative für Captions und Labels	Starke Ergebnisse mit dem eingebauten Prompt bei weniger als der Hälfte der Prompt‑Tokens von Qwen3-VL. Kein -instruct‑Tag nötig.

Gemma 4 ist in Bezug auf Performance sehr konsistent; Fehler treten nur selten auf. Für sehr lange oder komplexe Prompts und Captions ist es jedoch weniger geeignet. Für die meisten Anwendungsfälle empfehlen wir die Standard‑Variante gemma4:latest (aktuell ein Alias für gemma4:e4b). Die kleinere Variante gemma4:e2b ist spürbar schneller und liefert sogar mehr Labels pro Bild, bei etwas geringerer Motiv‑Abdeckung — eine gute Wahl, wenn Tempo und Label‑Anzahl wichtiger sind als das eine treffendste Motiv. Wenn du bereits Gemma 3 konfiguriert hast, funktioniert das weiterhin – Gemma 4 ist ein Drop‑in‑Ersatz mit vergleichbarer Latenz (ca. 2 Sekunden für die Label‑Generierung auf einer NVIDIA RTX 4060 in unseren Tests).

Schwächer ist Gemma 4 beim Erkennen von Motiven, bei denen es sich nicht sicher ist: Statt allgemein zu bleiben, rät es selbstbewusst. In unserem Benchmark bezeichneten beide Varianten einen Gepard als "Leopard" — bei jedem Durchlauf und in jeder getesteten Sprache, also auch auf Deutsch. Das ist kein Übersetzungsproblem, sondern eine Fehlerkennung: Das Modell meint tatsächlich das falsche Tier. Ebenso wurde eine Pinguinkolonie als "Robben" beschrieben und ein Skispringer als Snowboarder. Wenn deine Bibliothek viele Tieraufnahmen oder andere weniger verbreitete Motive enthält, ist das der Grund, stattdessen Qwen3-VL oder Qwen 3.5 in vergleichbarer Größe auszuprobieren.

Qwen3‑VL verhält sich in den kleineren 2b‑ und 4b‑Varianten weniger vorhersehbar; Leistung und Fehlerrate können stark schwanken – es sei denn, du steuerst es wie in den Beispielen weiter unten. Die Standardversion qwen3-vl:latest (8b) funktioniert im Allgemeinen ohne größere Anpassungen gut. Die Label‑Generierung auf einer NVIDIA RTX 4060 dauert typischerweise 2–3 Sekunden und ist damit in etwa vergleichbar mit Gemma 4.

Qwen 3.5 ist die leichtere der beiden Qwen‑Optionen und benötigt keinen speziellen Tag: qwen3.5:4b verhält sich bereits wie ein Instruct‑Build, erzeugt Captions in etwa einer Sekunde und hält mehrwortige Label‑Namen nahe null. Mit dem eingebauten Label‑Prompt erreichte es die höchste Motiv‑Abdeckung aller von uns gemessenen selbst gehosteten Modelle, und es kodiert ein 720‑px‑Bild in weniger als der Hälfte der Prompt‑Tokens von Qwen3-VL, was es an einem abgerechneten Endpunkt spürbar günstiger macht. Sobald der Prompt eine Label‑Anzahl vorgibt, zieht Qwen3-VL wieder vorbei — wähle also Qwen 3.5 für ein leichtes, günstiges Setup und Qwen3-VL, wenn die Motiv‑Abdeckung am wichtigsten ist. Beachte, dass die 2b‑ und 9b‑Varianten bei Labels beide deutlich schlechter abschnitten als 4b — größer ist hier nicht besser.

Wie bei allen Qwen‑Modellen müssen für beide die strikten Options und das Prompt‑Schema "AT MOST N labels" beibehalten werden — ohne sie erzeugen sie zu viele Tokens und die JSON‑Antwort wird abgeschnitten.

Die Performance hängt außerdem von deiner Hardware ab, und die Rangfolge kann sich damit ändern. Unsere Werte stammen von einer einzelnen NVIDIA RTX 4060 — betrachte sie als Ausgangspunkt, nicht als Urteil, und probiere die Kandidaten auf deiner eigenen Maschine aus. Ein Grund für die Verschiebung: Was ein Bild an Prompt‑Tokens kostet, unterscheidet sich zwischen den Modellfamilien um mehr als das Fünffache. Eine Maschine, die das Bild langsam kodiert — ohne GPU, mit in den System‑RAM ausgelagerten Layern oder mit einer GPU ohne Flash Attention — bestraft daher ein Modell mit schwerem Vision‑Encoder wie Qwen3-VL weit stärker als ein leichtes wie Gemma 4, selbst wenn beide auf einer schnellen GPU nah beieinander liegen.

Wenn du sowohl Captions als auch Labels erzeugst, verwende dasselbe Modell für beides, damit Ollama nicht zwischen Modellen hin‑ und herschalten muss.

Ohne GPU‑Beschleunigung sind Ollama‑Modelle deutlich langsamer und benötigen zwischen 10 Sekunden und über einer Minute pro Bild. Das kann in Ordnung sein, wenn du nur wenige Bilder verarbeiten möchtest oder Wartezeiten akzeptabel sind.

Reasoning bei Thinking-Modellen deaktivieren

Viele aktuelle Vision-Modelle – die Qwen3.5-Familie, qwen3-vl:* und andere – sind Thinking- bzw. Reasoning-Modelle. Bei aktiviertem Reasoning geben neuere Ollama-Versionen dieses im Ergebnis aus: Captions beginnen mit Text wie "The user wants a concise description of the provided image…" und das Label-JSON lässt sich nicht mehr parsen. Setze Service.Think: "false" für diese Modelle (wie in den Beispielen unten), um die Reasoning-Ausgabe abzuschalten – auf PhotoPrism 260601 und älter ist dies erforderlich, damit das Reasoning nicht in Captions und Kategorien landet. Spätere Releases deaktivieren das Ollama-Reasoning standardmäßig, sodass es dort eher eine Absicherung als eine Voraussetzung ist; es bleibt überall harmlos, weshalb die Beispiele es immer enthalten. Aktiviere Reasoning nur bewusst wieder mit Service.Think: "true".

Bei Qwen3-VL zusätzlich einen -instruct‑Tag verwenden

Service.Think: "false" hält das Reasoning aus der Ausgabe heraus. Es hindert einen Reasoning‑Build aber nicht daran, es überhaupt zu erzeugen — der Aufwand bleibt also größtenteils bestehen. Gemessen an qwen3-vl:4b mit deaktiviertem Reasoning: rund 414 Ausgabe‑Tokens und 6,6 Sekunden für eine Caption aus zwölf Wörtern, während qwen3-vl:4b-instruct eine längere Caption in etwa 1,2 Sekunden mit 24 Tokens lieferte. Der Reasoning‑Build gab außerdem 21 % mehrwortige Label‑Namen zurück, gegenüber 0 % beim Instruct‑Build. Betrachte das Flag als Korrektheits‑Absicherung und den Tag als Performance‑Entscheidung — das sind zwei getrennte Dinge.

Das gilt speziell für Qwen3-VL. qwen3.5:4b braucht keinen -instruct‑Tag: Schon mit dem normalen Tag antwortete es in etwa einer Sekunde mit 21 Ausgabe‑Tokens und unter 2 % mehrwortigen Label‑Namen. Gemma 4 ist kein Reasoning‑Modell und davon ohnehin nicht betroffen.

Sprachunterstützung

Für andere Sprachen als Englisch sollten die Basisanweisungen im Prompt auf Englisch bleiben; ergänze nur die gewünschte Sprache (z.B. "Respond in German"). Das funktioniert für Caption‑ und Label‑Prompts gleichermaßen und ist zuverlässiger, als die Anweisungen selbst zu übersetzen.

Labels und Captions getrennt prüfen

Ein Modell kann die gewünschte Sprache für Captions befolgen und sie bei Kategorien stillschweigend ignorieren. In unseren Tests lieferte gemma4:e2b korrekte arabische und hebräische Captions, gab die Labels aber bei jeder Anfrage auf Englisch zurück — auch bei Deutsch, ohne Fehlermeldung und ohne Eintrag im Log.

Die richtige Schrift bedeutet außerdem nicht, dass der Inhalt stimmt. Ein 4B‑Modell erzeugte flüssiges Hebräisch, benannte darin aber das falsche Motiv und beschrieb das Foto eines Elefanten als "der Löwe zerquetscht die Vögel".

Prüfe also beide Modelltypen — und prüfe den Inhalt, nicht nur das Alphabet. Erzeuge ein paar Bilder mit photoprism vision run -m labels --count 1 --force sowie -m caption und lies die Ergebnisse.

Die Unterstützung schwankt stark je nach Modell und folgt weder der Größe noch der allgemeinen Qualität. Gehostete Modelle beherrschten Deutsch, Arabisch und Hebräisch deutlich besser als jedes von uns gemessene selbst gehostete Modell, das in 8 GB VRAM passt. Unter den selbst gehosteten Optionen war Gemma 4 bei nicht‑englischen Kategorien am schwächsten, obwohl es unser empfohlener Standard für Englisch ist — eine nicht‑englische Bibliothek ist also einer der Fälle, in denen sich Qwen3-VL oder ein Cloud‑Modell zu testen lohnt.

Normalisierung der Label‑Namen

Sprachmodelle liefern Label‑Namen in der Form, die der Prompt nahelegt. PhotoPrism vereinheitlicht sie deshalb vor dem Speichern. Die Eigenschaft Normalize eines Labels-Modells legt fest, wie:¹

Wert	ferris wheel wird gespeichert als	Verhalten
(nicht gesetzt)	Engine-Standard	phrase für gehostete Modelle, sonst single-word.
single-word	Ferris	Reduziert auf das erste Token, das im Label‑Vokabular auflösbar ist, sonst auf das erste Token.
phrase	Ferris Wheel	Behält die Wortgruppe und gleicht sie samt Singularform zuerst als Ganzes gegen das Vokabular ab, sodass aus sea lions Sea Lion wird.
false	Ferris Wheel	Behält exakt das, was das Modell zurückgegeben hat, ohne Vokabular‑Zuordnung — carousel bleibt Carousel und wird nicht zu Theme Park.

Ein Name in einer nicht-lateinischen Schrift bleibt in jedem Modus vollständig erhalten, auch unter single-word — die Einstellung kann ihn nicht zusammenziehen.

off, none, no und disabled werden als Aliase für false akzeptiert.

Nur der Name hängt vom Modus ab. Schwellenwerte für Confidence und Topicality, Kategorien und Prioritäten gelten in allen Modi gleich, ein wenig aussagekräftiger Name wie background wird also weiterhin verworfen. Was sich ändert, ist die gefundene Vokabular‑Regel: ski-lift erbt den strengeren ski-Schwellenwert, wenn es zu Ski reduziert wird, und den allgemeinen Schwellenwert, wenn es als Ski Lift erhalten bleibt.

Die Standardwerte unterscheiden sich aus einem gemessenen Grund. Jeder mehrteilige Label‑Name, den die gehosteten Modelle in unserem Benchmark zurückgaben, war ein echtes Kompositum — 0–2,1 % aller Labels. Sie behalten Wortgruppen daher standardmäßig bei. Modelle, die in 8 GB VRAM passen, lieferten 3–19 % mehrteilige Namen und mischten echte Komposita mit Füllwörtern wie city_name, text_on_sign und photo list — sie bleiben deshalb bei single-word, und die Rate mehrteiliger Namen lohnt einen Blick, bevor du ein Modell auf phrase umstellst.

Namen in einer anderen Schrift sind automatisch geschützt. Das Label‑Vokabular ist englisch. Einen Namen ohne lateinische Buchstaben in Token zu zerlegen, kann daher nichts treffen und kürzt nur das Motiv weg — aus dem arabischen حمار وحشي (Zebra) würde حمار (Esel), aus dem hebräischen גלגל ענק (Riesenrad) würde גלגל (Rad). PhotoPrism behält solche Namen deshalb auch unter single-word vollständig bei; für eine arabische, hebräische, chinesische, japanische, koreanische, griechische oder kyrillische Bibliothek musst du dafür nichts einstellen.

Maßgeblich ist die Schrift, nicht die Sprache: Ein Name in lateinischer Schrift lässt sich weiterhin Token für Token auflösen, und das dabei behaltene Hauptwort ist meist das richtige — aus dem spanischen noria gigante wird Noria, also weiterhin ein Riesenrad. Ein Name, der Schriften mischt, folgt der konfigurierten Einstellung, sodass شاطئ beach über das Vokabular zu Beach aufgelöst wird. Für eine deutsche Bibliothek ist es damit eine echte Abwägung und keine Notwendigkeit: single-word behält das Hauptwort, phrase das vollständige Kompositum — bei deutschen Komposita, die ohnehin oft ein einzelnes Wort sind (Riesenrad), fällt der Unterschied ohnehin kaum ins Gewicht.

Um zusammengesetzte Namen zu behalten, setze Normalize: phrase am Modell und verwende einen System-Prompt, der keine Einzelwort-Substantive verlangt — sonst liefert das Modell kaum je eine Wortgruppe, die erhalten bleiben könnte:

Models:
- Type: labels
  Model: qwen3-vl:4b-instruct
  Engine: ollama
  Normalize: phrase
  Service:
    Uri: http://ollama:11434/api/generate
    Think: "false"

Temperature, TopK und TopP

Wenn du die Optionen Temperature, TopK und TopP bei Ollama Modellen setzt, kannst du Zufälligkeit und Kreativität generativer Large Language Modelle gezielt steuern:

Parameter	Effect on Output	When to Use
Temperature	Adjusts overall randomness	Control creativity without limiting vocabulary
TopK	Restricts choices to most probable tokens	Prevent rare or irrelevant tokens
TopP	Adapts vocabulary size based on confidence	Dynamic control over diversity

Techniken kombinieren

Diese Methoden lassen sich kombinieren, um das Ausgabe‑Verhalten weiter zu verfeinern, zum Beispiel:

• Temperature + TopK: steuert die Zufälligkeit, während nur die wahrscheinlichsten Tokens gewählt werden.
• Temperature + TopP: regelt die Kreativität über die Temperatur und begrenzt gleichzeitig dynamisch den Token‑Raum.

Zusätzlich kannst du MinP setzen, um Tokens mit sehr geringer Wahrscheinlichkeit auszuschließen – typischerweise seltene Labels oder seltsame Formulierungen, die du für Klassifizierungsaufgaben nicht möchtest.

Caption Prompts

Mit den meisten Modellen erzeugt folgender Prompt prägnante Captions mit genau einem Satz:

Create a caption with exactly one sentence in the active voice that describes the main visual content. Begin with the main subject and clear action. Avoid text formatting, meta-language, and filler words.

Beispiel: A sleek pool extends over a dramatic cliffside overlooking turquoise waters.

Für detailliertere Bildbeschreibungen kannst du diesen Prompt verwenden (bis zu drei Sätze):

Write a descriptive caption in 3 sentences or fewer that captures the essence of the visual content. Avoid text formatting, meta-language, and filler words. Do not start captions with phrases such as "This image", "The picture", or "Here are". Begin with the subject(s), then describe the surroundings, and finally add atmosphere (e.g., time of day). If possible, include the subject's gender and general age group.

Beispiel: A gray cat with a fluffy coat is lounging on a cushion, its eyes closed in a peaceful slumber. The background features a blurred view of trees and a blue sky, suggesting it's daytime. The cat's relaxed posture and the serene outdoor setting create a tranquil and cozy atmosphere.

Für andere Sprachen sollten die Basisanweisungen im Prompt auf Englisch bleiben; ergänze nur die gewünschte Sprache (z.B. "Respond in German") und prüfe das Ergebnis wie unter Sprachunterstützung beschrieben.

Halte Prompts so kurz wie möglich. Übermäßig lange Prompts erhöhen die Halluzinationsrate und die Latenz.

Konfigurations Beispiele

Die folgenden Beispiele kannst du direkt in deiner vision.yml verwenden. Die Datei liegt im Verzeichnis storage/config. Mehr erfahren ›.

Wie viele Labels zu erwarten sind

Der eingebaute Label‑Prompt gibt bewusst keine Anzahl vor. Eine kurze Liste zuverlässiger Labels ist nützlicher — und günstiger — als eine lange: Die Anzahl wirkt sich auf die Datenbank, die API‑Antwort und die Oberfläche aus, die sie laden und darstellen muss, und ein Modell, das ein Bild schlecht erfasst, liefert vor allem Rauschen, wenn man mehr von ihm verlangt.

Wie viele du bekommst, hängt daher vom Modell ab und ist kein Verfehlen einer Vorgabe. In unserem Benchmark gaben gehostete Modelle sieben bis zwölf Labels pro Bild von sich aus zurück, Modelle mit 8 GB VRAM ein bis vier — beim selben Prompt.

Du kannst eine Anzahl anfordern — siehe das Qwen3-VL Label‑Beispiel weiter unten —, aber betrachte das als Feineinstellung pro Modell, die du überprüfst, nicht als Behebung eines Mangels. Sie verdoppelt die Label‑Latenz ungefähr und erhöht den Anteil mehrteiliger Namen bei jedem Modell, das nicht ohnehin bei null lag. Ob diese verloren gehen, hängt vom Normalisierungs-Modus des Modells ab.

Gemma 4: Labels

Models:
- Type: labels
  Model: gemma4:latest
  Engine: ollama
  Run: auto
  Service:
    Uri: http://ollama:11434/api/generate
    Think: "false"

Warum das funktioniert:

• Engine: Verwendet sinnvolle Standardwerte für Resolution, Format, Prompt und Options (720 px‑Thumbnails, JSON‑Prompts für Labels). Ein eigener Prompt ist nicht notwendig.
• Run: auto läuft automatisch nach der Indexierung und durch geplante Jobs. Kann zusätzlich manuell ausgeführt werden ￫ Run Modes.
• Model: gemma4:latest ist aktuell ein Alias für gemma4:e4b und lieferte in unserem Benchmark rund drei Labels pro Bild mit abgestufter Topicality, mit der besseren Motiv‑Abdeckung der beiden Varianten. Wechsle zu gemma4:e2b, wenn du Tempo und ein etwas größeres Label‑Set bevorzugst — es kam im Schnitt auf vier bis fünf Labels pro Bild bei geringfügig schlechterer Abdeckung.

Gemma 4: Caption

Models:
- Type: caption
  Model: gemma4:latest
  Engine: ollama
  Run: auto
  Prompt: >
    Create a caption with exactly one sentence in the active voice that
    describes the main visual content. Begin with the main subject and
    clear action. Avoid text formatting, meta-language, and filler words.
  Service:
    Uri: http://ollama:11434/api/generate
    Think: "false"

Warum das funktioniert:

• Engine: Verwendet 720 px‑Thumbnails und sinnvolle Standardwerte für Format, Prompt und Options. Ein eigener Prompt ist nicht erforderlich, aber möglich.
• Run: auto läuft automatisch nach der Indexierung und durch geplante Jobs. Kann zusätzlich manuell ausgeführt werden ￫ Run Modes.
• Prompt: Nutzt den eingebauten Standard‑Prompt. Für andere Sprachen ergänze beispielsweise "Respond in German".

Qwen3-VL: Labels

Models:
- Type: labels
  Model: qwen3-vl:4b-instruct
  Engine: ollama
  Run: on-demand
  Prompt: |
    Analyze the image and return JSON label objects with name, confidence (0-1), and topicality (0-1):
    - Return AT MOST 3 labels.
    - Each label name MUST be a single-word noun in canonical singular form.
    - Do NOT repeat the same label name more than once.
    - Do NOT add any fields other than name, confidence, topicality.
    - Do NOT output any text before or after the JSON.
  Options:
    Seed: 3407           # Modell-Standard, siehe https://github.com/QwenLM/Qwen3-VL
    Temperature: 0.01    # geringe Zufälligkeit, weniger Halluzinationen
    TopK: 40             # berücksichtigt nur die Top ~40 Token
    TopP: 0.9            # schneidet das Ende der Verteilung ab
    MinP: 0.05           # verwirft seltene Token
    TypicalP: 1.0        # effektiv deaktiviert
    RepeatLastN: 128     # schaut zurück, um Wiederholungen zu vermeiden
    RepeatPenalty: 1.2   # Strafe zur Vermeidung einfacher Schleifen
    NumPredict: 512      # verhindert ausufernde Ausgaben
  Service:
    Uri: http://ollama:11434/api/generate
    Think: "false"

Warum das funktioniert:

• Model: qwen3-vl:4b-instruct ist eine leichtere Qwen3‑VL‑Variante. Alternativ kannst du huihui_ai/qwen3-vl-abliterated:4b-instruct, qwen3-vl:latest oder andere Varianten ausprobieren.
• Engine: Wendet sinnvolle Standardwerte für Resolution, Format und Options an.
• Run: on-demand erlaubt manuelle Läufe, Ausführungen durch den Metadata‑Worker und geplante Jobs ￫ Run Modes.
• Prompt: Begrenzte Latenz, keine Wiederholungen und klare Kontrolle über Art und Anzahl der zurückgegebenen Labels. Für andere Sprachen siehe Sprachunterstützung.
• Return AT MOST 3 labels: Eine bewusste Obergrenze und der Grund, warum die strikten Options nicht aus dem Ruder laufen. Sie ist zugleich restriktiv: In unserem Benchmark lieferte qwen3-vl:4b-instruct mit diesem Prompt rund drei Labels pro Bild, mit einer Vorgabe von 8–15 dagegen rund zehn, wobei die Motiv‑Abdeckung von 75 % auf 97 % stieg. Wenn du reichhaltigere Labels möchtest, erhöhe die Obergrenze — und rechne mit etwa der zwei‑ bis dreifachen Latenz. Den Zuwachs bei der Abdeckung solltest du dabei einordnen: Sie misst die Trefferquote, belohnt also das Benennen des erwarteten Motivs und erkennt kein zusätzliches, falsches Label. Ein Modell, das um mehr Labels gebeten wird, schneidet teilweise allein durch Raten besser ab.
• single-word noun in canonical singular form: Behalte diese Anweisung bei, sofern du nicht zusätzlich Normalize: phrase setzt. Mit der Standard-Normalisierung für selbst gehostete Modelle wird ein zusammengesetzter Name auf ein einzelnes Token reduziert — meist das falsche: ferris wheel wird als Ferris gespeichert, amusement park als Park. Siehe Normalisierung der Label‑Namen.
• Seed: Sorgt für stabile, reproduzierbare Labels. Im Beispiel wird der Default‑Seed der instruct‑Variante verwendet.
• Temperature, TopP und TopK: Erzwingen eher häufige, hochwahrscheinliche Wörter statt kreativer Synonyme.
• MinP: Schließt unwahrscheinliche Tokens aus, also jene seltenen Labels und merkwürdigen Formulierungen, die du für Klassifizierung nicht brauchst.
• RepeatLastN und RepeatPenalty: Stellen sicher, dass Labels eindeutig bleiben, indem Wiederholungen vermieden werden.
• NumPredict: Begrenzt die maximale Ausgabelänge, um Endloswiederholungen zu vermeiden.

Qwen3-VL: Caption

Models:
- Type: caption
  Model: qwen3-vl:4b-instruct
  Engine: ollama
  Run: on-schedule
  System: You are an image captioning assistant.
  Prompt: |
    Write one or two concise sentences that describe the main subject, key actions, and setting of the image:
    - Describe only what is clearly visible in the image; do not invent names, ages, or backstories.
    - Use natural, fluent language without bullet points or lists.
    - Do NOT start with phrases like "The image shows" or "In this picture".
    - Do NOT mention camera settings, image quality, filters, or art style unless they are essential to understanding the content.
    - Do NOT include quotation marks around the caption.
    - Respond with the caption text only, and nothing else.
  Options:
    Seed: 3407           # Modell-Standard, siehe https://github.com/QwenLM/Qwen3-VL
    Temperature: 0.25    # reduziert Zufälligkeit für weniger Halluzinationen
    TopK: 20             # entspricht dem Modell-Standard
    TopP: 0.8            # entspricht dem Modell-Standard
    MinP: 0.05           # schneidet sehr unwahrscheinliche, seltsame Token ab
    TypicalP: 1.0        # effektiv deaktiviert; TopP/MinP dominieren
    RepeatLastN: 64      # kurze Historie für 1–2 Sätze
    RepeatPenalty: 1.1   # Strafe gegen Schleifen ohne den Sprachfluss zu stören
    NumPredict: 128      # verhindert ausufernde Ausgaben
  Service:
    Uri: http://ollama:11434/api/generate
    Think: "false"

Warum das funktioniert:

• Model: Die Verwendung von qwen3-vl:4b-instruct für Labels und Captions vermeidet zeitaufwändige Modellwechsel in Ollama. Alternativ kannst du huihui_ai/qwen3-vl-abliterated:4b-instruct, qwen3-vl:latest oder andere Varianten testen.
• Engine: Wendet sinnvolle Standardwerte für Resolution, Format und Options an.
• Run: on-schedule erlaubt manuelle Läufe und geplante Jobs ￫ Run Modes.
• System: Weist das Modell an, Bilder in natürlicher Sprache zu beschreiben.
• Prompt: Fordert ein oder zwei Sätze an, die Motiv, Handlung und Umgebung beschreiben, und verbietet Meta‑Formulierungen wie "The image shows…", Listen und Zusatzkommentare. So entstehen saubere Alt‑Text‑ähnliche Captions, die direkt in UIs angezeigt werden können. Regeln wie "describe only what is clearly visible" und "do not invent names/ages/backstories" reduzieren Halluzinationen und halten die Beschreibungen sachlich.
• Seed: Sorgt für stabile, reproduzierbare Captions für dasselbe Bild‑/Prompt‑Paar – nützlich beim Indexieren oder erneuten Generieren. Für mehr Varianz kannst du den Seed weglassen oder variieren.
• Temperature und MinP: Entfernen den "langen Schwanz" sehr unwahrscheinlicher Tokens (ungewöhnliche Wörter, Bruchstücke) und halten die Auswahl nahe an den wahrscheinlichsten Formulierungen. So erhältst du eher einfache, verlässliche Captions als kreative Umschreibungen.
• TopK und TopP: Erhöhen Stabilität und senken das Halluzinationsrisiko im Caption‑Kontext.
• RepeatPenalty und RepeatLastN: Verhindern Wiederholungen, ohne den natürlichen Sprachfluss zu stören.
• NumPredict: Hoch genug für ein bis zwei Sätze, aber niedrig genug, um Abschweifungen zu vermeiden.

Nutzungs Tipps

Run Modes

Um unerwartete Kosten zu vermeiden – insbesondere beim Testen neuer Modelle oder Prompts – setze Run: manual und führe die Modelle manuell aus, z.B. mit photoprism vision run -m caption oder photoprism vision run -m labels. Run: auto führt das Modell automatisch aus, nachdem die Indexierung abgeschlossen ist, um den Import nicht auszubremsen. Gleichzeitig bleiben manuelle und geplante Ausführungen möglich.

Learn more ›

Existierende Kategorien ersetzen

Um Kategorien, die vom eingebauten Klassifizierungsmodell erstellt wurden, zu entfernen, kann folgender Befehl in einem Terminal ausgeführt werden

photoprism vision reset -m labels -s image

bevor neue Kategorien mit Ollama erstellt werden

photoprism vision run -m labels

Learn more ›

Troubleshooting

Konfiguration überprüfen

Wenn Probleme auftreten, prüfe zuerst, wie PhotoPrism deine vision.yml‑Konfiguration geladen hat. Das geht mit folgendem Befehl:

docker compose exec photoprism photoprism vision ls

Der Befehl gibt die Einstellungen aller unterstützten und konfigurierten Modelltypen aus. Vergleiche das Ergebnis mit deiner vision.yml‑Datei, um zu bestätigen, dass die Konfiguration korrekt geladen wurde, und um Parsing‑Fehler oder Fehlkonfigurationen zu erkennen.

Test Runs durchführen

Die folgenden Terminal‑Befehle führen jeweils einen einzelnen Lauf für den angegebenen Modelltyp aus:

photoprism vision run -m labels --count 1 --force
photoprism vision run -m caption --count 1 --force

Wenn du nicht die erwarteten Ergebnisse erhältst oder Fehler bemerkst, kannst du die Befehle erneut mit aktiviertem Trace‑Log‑Modus ausführen, um Anfrage und Antwort zu untersuchen:

photoprism --log-level=trace vision run -m labels --count 1 --force
photoprism --log-level=trace vision run -m caption --count 1 --force

---

1. Verfügbar in unseren Preview-Builds und dem kommenden stabilen Release. Frühere Versionen reduzieren einen Label-Namen immer auf ein einzelnes Wort und ignorieren diese Einstellung. ↩