Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

--- it:server:nextcloud [2025/01/01 10:55] – [Požadavky a instalace] Petr Nosek
+++ it:server:nextcloud [2025/01/15 14:10] (aktuální) – [Nextcloud] Petr Nosek
@@ Řádek 2: / Řádek 2: @@
 Při instalaci Nextcloudu v Dockeru jsem se rozhodl zdokumentovat postup a zároveň sdílet zkušenosti s problémy, na které jsem narazil. Použití Dockeru je často výhodné pro snadnou správu kontejnerů, ale i zde je potřeba věnovat pozornost několika detailům.
+===== Přístup přes WebDAV =====
+Přístup k datům přes WebDAV může být ideální jak přes KODI nebo i v Ubuntu se lze takto připojit k přichystanému serveru. Hledal jsem, jestli je potřeba něco udělat v nastavení nextcloudu, ale není potřeba.
+Zde je [[https://docs.nextcloud.com/server/30/user_manual/en/files/access_webdav.html|návod, jak na WebDAV]].
+V mém případě stačí pracovat s URL:
+<code>
+davs://example.com/remote.php/dav/files/USERNAME/
+</code>
 ===== Problémy s náhledy a přehráváním videí =====
@@ Řádek 48: / Řádek 61: @@
 => 'OC\\Preview\\MP4',
 => 'OC\\Preview\\AVI',
+=> 'OC\\Preview\\HEIC',
+=> 'OC\\Preview\\HEIF',
+=> 'OC\\Preview\\EMF',
 ),
 </code>
@@ Řádek 91: / Řádek 107: @@
-===== Úprava EXIF dat =====
+===== Nastavení mobilní aplikace pro synchronizaci =====
-Nextcloud třídí fotografie podle EXIF dat, což zajišťuje správné řazení dle času pořízení. Pokud však některé fotografie EXIF data nemají, Nextcloud je automaticky zatřídí podle data nahrání. Abych zajistil správné třídění i u těchto fotografií, bylo nutné změnit jejich EXIF data.
+Při používání mobilní aplikace Nextcloud jsem se setkal s několika problémy při synchronizaci. Proto jsem se rozhodl sepsat postup, jak aplikaci nastavit od začátku. Tento postup je možné použít i v případě, že něco nefunguje správně.
-Pro tento účel jsem použil nástroj **ExifTool** společně s vlastním skriptem, který umožňuje rychlou úpravu EXIF dat přímo z příkazové řádky. Skript funguje tak, že nastaví datum a čas do EXIF atributů fotografie.
+. **Vymazání dat aplikace**
+Pokud máte aplikaci Nextcloud již nainstalovanou v telefonu, postupujte takto:
+  * Přejděte do **Nastavení** → **Aplikace** a vyhledejte aplikaci Nextcloud.
+  * Klikněte na **Úložiště a mezipaměť**.
+  * Zvolte možnost **Vymazat mezipaměť** a následně **Vymazat úložiště**.
+Tento krok vyresetuje všechna lokální nastavení aplikace. Data na serveru i multimediální data v telefonu zůstanou zachována. Tento postup pomáhá odstranit případné chyby v synchronizaci způsobené nesprávnými daty uloženými v systému.
+{{:it:server:pasted:20250101-230911.png?400}}
+{{:it:server:pasted:20250101-231015.png?400}}
+. **Nové přihlášení a nastavení synchronizace**
+Spusťte aplikaci znovu, projděte přihlašovacím procesem a přejděte do menu s nastavením automatického nahrávání. Nastavte následující parametry:
+   * **Vzdálená položka** - Vyberte složku na serveru, kam chcete soubory nahrávat.
+   * **Nahrávat pouze přes neúčtované Wi-Fi připojení** - Pokud chcete synchronizovat pouze přes Wi-Fi, zaškrtněte tuto možnost.
+   * **Také nahrát už existující soubory** - Tuto volbu doporučuji vždy zaškrtnout. Pokud ji nevyberete, budou se nahrávat pouze nově vytvořené soubory (např. fotografie a videa). Spouštěčem nahrávání v tomto případě bude vytvoření nového souboru. Pokud zaškrtnete tuto možnost, nahrají se i všechny existující soubory. Tato volba je relevantní pouze při prvotním nahrávání. Po nahrání všech dat se již tato volba nepoužívá, protože následné synchronizace budou probíhat pouze pro nové soubory.
+   * **Co udělat, pokud soubor už existuje?** - Zvolte možnost **Přeskočit nahrávání**. Tím se zabrání vzniku duplicit, protože pokud soubor již na serveru existuje, aplikace jej vynechá a přejde k dalšímu souboru.
+{{:it:server:pasted:20250101-231211.png?400}}
 ===== Úprava EXIF dat =====
@@ Řádek 181: / Řádek 223: @@
 ===== Instalace Face Recognition v Nextcloudu =====
-Při hledání řešení pro rozpoznávání obličejů v Nextcloudu jsem narazil na plugin **Face Recognition**, který je dostupný na [[https://github.com/matiasdelellis/facerecognition|GitHubu]]. Instalace samotného pluginu v Nextcloudu však nestačí, protože v Docker kontejneru chybí potřebné knihovny, které plugin vyžaduje.
+Plugin **Face Recognition** slouží k rozpoznávání obličejů na fotografiích v Nextcloudu. Je dostupný na GitHubu: [[https://github.com/matiasdelellis/facerecognition|Face Recognition]]. Instalace v administrátorském rozhraní Nextcloudu však nestačí, zejména pokud Nextcloud běží v Dockeru. Pro správné fungování je potřeba do Dockeru přidat další knihovny.
-Na stránce [[https://github.com/matiasdelellis/facerecognition/wiki/Docker|Docker Wiki pluginu]] jsem našel návod na instalaci potřebných knihoven. Bohužel se mi zatím nepodařilo knihovny zkompilovat. Možná je problém v architektuře, protože se pokouším plugin zprovoznit na zařízení **Raspberry Pi 4** s 32bitovým operačním systémem.
+==== Úprava Dockerfile ====
-Plánuji se k tomuto problému vrátit později a vyzkoušet další možnosti, jak knihovny úspěšně nainstalovat a plugin zprovoznit.
+Pro instalaci Face Recognition jsem vytvořil vlastní **Dockerfile** s čerpáním z oficiální dokumentace: [[https://github.com/matiasdelellis/facerecognition/wiki/Docker|Docker Wiki]]. Dokumentace však není aktualizovaná, a proto jsem ji musel upravit a doplnit. Zde je moje aktuální verze:
+<code bash>
+#
+# Use a temporary image to compile and test the libraries
+#
+FROM nextcloud:apache as builder
+# Build and install dlib on builder
+RUN apt-get update ; \
+    apt-get install -y build-essential wget cmake libx11-dev libopenblas-dev
+ARG DLIB_BRANCH=v19.19
+RUN wget -c -q https://github.com/davisking/dlib/archive/$DLIB_BRANCH.tar.gz \
+    && tar xf $DLIB_BRANCH.tar.gz \
+    && mv dlib-* dlib \
+    && cd dlib/dlib \
+    && mkdir build \
+    && cd build \
+    && cmake -DBUILD_SHARED_LIBS=ON -DCMAKE_BUILD_TYPE=Release .. \
+    && make \
+    && make install
+# Build and install PDLib on builder
+ARG PDLIB_BRANCH=master
+RUN apt-get install unzip
+RUN wget -c -q https://github.com/matiasdelellis/pdlib/archive/$PDLIB_BRANCH.zip \
+    && unzip $PDLIB_BRANCH \
+    && mv pdlib-* pdlib \
+    && cd pdlib \
+    && phpize \
+    && ./configure \
+    && make \
+    && make install
+# Enable PDlib on builder
+# If necesary take the php settings folder uncommenting the next line
+# RUN php -i | grep "Scan this dir for additional .ini files"
+RUN echo "extension=pdlib.so" > /usr/local/etc/php/conf.d/pdlib.ini
+# Install bzip2 needed to extract models
+RUN apt-get install -y libbz2-dev
+RUN docker-php-ext-install bz2
+# Test PDlib instalation on builder
+RUN apt-get install -y git
+RUN git clone https://github.com/matiasdelellis/pdlib-min-test-suite.git \
+    && cd pdlib-min-test-suite \
+    && make
+ARG EXT_DIR
+RUN EXT_DIR=$(php -i | grep -oP "^extension_dir => \K[^ ]+") && \
+    echo $EXT_DIR > /tmp/ext_dir.txt && \
+    cp $EXT_DIR/pdlib.so /tmp/
+#
+# If pass the tests, we are able to create the final image.
+#
+# Vyjdeme z oficiálního obrazu Nextcloud
+FROM nextcloud:apache
+# Přepneme na uživatele root pro instalaci balíčků
+#USER root
+# Nainstalujeme ffmpeg
+RUN apt-get update && apt-get install --no-install-recommends -y ffmpeg libimage-exiftool-perl && \
+    apt-get clean && rm -rf /var/lib/apt/lists/*
+# Install dependencies to image
+RUN apt-get update ; \
+    apt-get install -y libopenblas-dev libopenblas0 libbz2-dev
+RUN docker-php-ext-install bz2
+# Install dlib and PDlib to image
+COPY --from=builder /usr/local/lib/libdlib.so* /usr/local/lib/
+# If is necesary take the php extention folder (/usr/local/lib/php/extensions/no-debug-non-zts-20180731) uncommenting the next line
+# RUN php -i | grep extension_dir
+#COPY --from=builder /usr/local/lib/php/extensions/no-debug-non-zts-20180731/pdlib.so /usr/local/lib/php/extensions/no-debug-non-zts-20180731/
+COPY --from=builder /usr/local/lib/php/extensions/no-debug-non-zts-20220829/pdlib.so /usr/local/lib/php/extensions/no-debug-non-zts-20220829/
+COPY --from=builder /tmp/ext_dir.txt /tmp/ext_dir.txt
+COPY --from=builder /tmp/pdlib.so /tmp/pdlib.so
+# Extract the correct path and copy the extension
+RUN EXT_DIR=$(cat /tmp/ext_dir.txt) && \
+    cp /tmp/pdlib.so $EXT_DIR/
+# Enable PDlib on final image
+RUN echo "extension=pdlib.so" > /usr/local/etc/php/conf.d/pdlib.ini
+# Pdlib is already installed now on final image without all build dependencies.
+# You could test again if everything is correct, uncommenting the next lines.
+#
+# RUN apt-get install -y git wget
+# RUN git clone https://github.com/matiasdelellis/pdlib-min-test-suite.git \
+#    && cd pdlib-min-test-suite \
+#    && make
+#
+# At this point you meet all the dependencies to install the application
+# You can skip this step and install the application from the application store
+#
+#ARG FR_BRANCH=master
+#RUN apt-get install -y wget unzip nodejs npm
+#RUN wget -c -q -O facerecognition https://github.com/matiasdelellis/facerecognition/archive/$FR_BRANCH.zip \
+#  && unzip facerecognition \
+#  && mv facerecognition-*  /usr/src/nextcloud/facerecognition \
+#  && cd /usr/src/nextcloud/facerecognition \
+#  && make
+# Node.js for Recognize
+# https://xavier.arnaus.net/blog/install-nodejs-20-into-a-raspberry-pi-4
+RUN apt-get update && apt-get install -y \
+    ca-certificates \
+    curl \
+    gnupg && \
+    curl -fsSL https://deb.nodesource.com/gpgkey/nodesource-repo.gpg.key | gpg --dearmor -o /usr/share/keyrings/nodesource.gpg && \
+    echo "deb [signed-by=/usr/share/keyrings/nodesource.gpg] https://deb.nodesource.com/node_20.x nodistro main" | tee /etc/apt/sources.list.d/nodesource.list && \
+    apt-get update && \
+    apt-get install -y nodejs && \
+    apt-get clean && rm -rf /var/lib/apt/lists/*
+</code>
+Kromě toho jsem do Docker Compose souboru přidal environment proměnnou:
+<code yaml>
+environment:
+  - PHP_MEMORY_LIMIT=1024M
+</code>
+==== Nastavení a spuštění ====
+Po sestavení a spuštění Nextcloudu:
+<code bash>
+docker-compose build nextcloud
+docker-compose up -d nextcloud
+</code>
+Jsem provedl následující kroky:
+. **Výpis dostupných modelů pro rozpoznávání**:
+<code bash>
+docker exec -u 33 -it nextcloud php /var/www/html/occ face:setup
+</code>
+. **Nastavení přidělené RAM paměti**:
+<code bash>
+docker exec -u 33 -it nextcloud php /var/www/html/occ face:setup -M 1073741824
+</code>
+. **Výběr konkrétního modelu**:
+<code bash>
+docker exec -u 33 -it nextcloud php /var/www/html/occ face:setup -m 3
+</code>
+Více informací o jednotlivých modelech: https://github.com/matiasdelellis/facerecognition/wiki/Models#model-4
+Mezi jednotlivými modely lze kdykoli přepínat. Pokud chci použít model 4, musím nejdříve nainstaslovat model 1, 3 a pak je možné nainstalovat model 4.
+Když přepnu mezi jednotlivými modely, tak každý model má svoje uložená data. Takže například pokud si vytrénuju model 4 a chci provést migraci dat na model 3, tak nejprve přepnu na model 3, a pak mohu provést migraci:
+<code bash>
+docker exec -u 33 -it nextcloud php /var/www/html/occ face:setup -m 3
+docker exec -u 33 -it nextcloud php /var/www/html/occ face:migrate -m 4 -u admin
+docker exec -u 33 -it nextcloud php /var/www/html/occ face:background_job -u admin
+</code>
+Po migraci je potřeba znovu vytvořit clustery. Migrace říká, že chci do současného modelu přenést data z modelu 4.
+Pokud chci vyresetovat data, musím být v konkrétním modelu a mohu data vyresetovat takto:
+<code bash>
+docker exec -u 33 -it nextcloud php /var/www/html/occ face:reset --model -u admin
+</code>
+==== Řešení problémů ====
+Při pokusu o skenování obličejů jednoho uživatele:
+<code bash>
+docker exec -u 33 -it nextcloud php /var/www/html/occ face:background_job -u nc_admin -t 900
+</code>
+jsem narazil na problém s dočasnými soubory. Problém jsem vyřešil takto:
+. V administrátorském menu Nextcloudu jsem šel do sekce **Rozpoznávání obličejů**.
+. Nastavil jsem posuvník pro velikost dočasných souborů.
+. Uložil změnu kliknutím na tlačítko vedle posuvníku.
+Tento krok je poměrně neintuitivní, protože nastavení se bez potvrzení neuloží, což vedlo k mnoha pokusům a omylům.
+{{:it:server:pasted:20250101-151318.png}}
+A ještě je potřeba pro uživatele povolit rozpoznávání obličejů.
+{{:it:server:pasted:20250101-151436.png}}
+==== Nastavení cronu pro kontinuální skenování obličejů ====
+Pro kontinuální skenování obličejů je potřeba nastavit úlohu na pozadí jako pravidelný cron úkol. Plugin **Face Recognition** byl navržen tak, aby postupně analyzoval fotografie a výsledky zobrazoval uživatelům průběžně. Dokumentace k tomuto nastavení je dostupná zde: [[https://github.com/matiasdelellis/facerecognition/wiki/Schedule-Background-Task|Schedule Background Task]].
+Před konfigurací cronu je důležité zajistit, že veškeré nastavení Face Recognition funguje správně a že máte jasně definované:
+  * **Interval spouštění úlohy**: Jak často se má úloha spustit.
+  * **Doba běhu úlohy**: Maximální doba, po kterou může úloha běžet, aby nedošlo k překrývání více instancí.
+V následujícím příkladu je úloha nastavena na spuštění každých 30 minut s maximální dobou běhu 15 minut:
+<code>
+*/30 *  *  *  * docker exec -u 33 -it nextcloud php /var/www/html/occ face:background_job -t 900
+</code>
+Tento příkaz:
+  * ***/30**: Spouští úlohu každých 30 minut.
+  * **docker exec**: Spouští příkaz uvnitř Docker kontejneru, kde běží Nextcloud.
+  * **php /var/www/html/occ face:background_job**: Spouští úlohu rozpoznávání obličejů.
+  * **-t 900**: Nastavuje maximální dobu běhu na 900 sekund (15 minut).
+==== Ignorování adresářů ====
+Pokud nechcete, aby byl určitý adresář procházen při rozpoznávání, můžete do něj přidat příslušné soubory:
+    .nomedia: Pro úplné vyloučení z rozpoznávání.
+Například pro ignorování všech souborů v cestě `path/to/your/folder/*` přidejte soubor `path/to/your/folder/.nomedia`
+Vycházím z [[https://github.com/matiasdelellis/facerecognition/issues/446|této diskuse]], protože v dokumentaci pluginu jsem tuto informaci bohužel nenašel.
+==== Použití Face Recognition na externím modelu ====
+Jednou z pokročilých možností při využívání pluginu **Face Recognition** v Nextcloudu je použití externího modelu pro rozpoznávání obličejů. Tato varianta umožňuje provádět náročné výpočty na výkonnějším stroji, což ulehčí serveru s Nextcloudem (například Raspberry Pi). Externí model lze použít například pro zpracování velké databáze fotografií, zatímco nově přidané fotografie lze průběžně zpracovávat přímo na slabším zařízení. Dokumentace k této funkcionalitě je dostupná zde: [[https://github.com/matiasdelellis/facerecognition-external-model|Face Recognition External Model]].
+=== Výhody použití externího modelu ===
+Externí model umožňuje:
+  * Rozložit náročné úkoly na samostatný výkonnější server, čímž se sníží zátěž na server, kde běží Nextcloud.
+  * Paralelizovat zpracování velkých objemů fotografií.
+  * Flexibilitu při implementaci vlastních modelů pomocí oblíbených nástrojů strojového učení.
+=== Bezpečnostní úvahy ===
+Při použití externího modelu je nutné si uvědomit, že:
+  * Obrázky se přenášejí z Nextcloudu na externí server prostřednictvím POST požadavků.
+  * Obrázky jsou po analýze okamžitě smazány, ale během přenosu je nutné zajistit bezpečnost dat.
+  * Pokud je externí model provozován mimo lokální síť, doporučuje se použít HTTPS proxy pro ochranu dat.
+=== Konfigurace externího modelu ===
+. **Vytvoření API klíče**:
+<code bash>
+openssl rand -base64 32 > api.key
+cat api.key
+</code>
+Tento klíč bude použit pro ověřování komunikace mezi Nextcloudem a externím modelem.
+. **Spuštění externího modelu v Dockeru**:
+<code bash>
+docker run --rm -i -p 8080:5000 -v /path/to/api.key:/app/api.key --name facerecognition matiasdelellis/facerecognition-external-model:v0.2.0
+</code>
+Model je nyní dostupný na portu 8080.
+. **Ověření funkčnosti modelu**:
+<code bash>
+curl localhost:8080/welcome
+</code>
+Očekávaný výstup:
+<code>
+{"facerecognition-external-model":"welcome","model":3,"version":"0.2.0"}
+</code>
+. **Konfigurace Nextcloudu**:
+Nastavte externí model a API klíč pomocí OCC příkazů:
+<code bash>
+docker exec -u 33 -it nextcloud php /var/www/html/occ config:system:set facerecognition.external_model_url --value "192.168.1.123:8080"
+docker exec -u 33 -it nextcloud php /var/www/html/occ config:system:set facerecognition.external_model_api_key --value "NZ9ciQuH0djnyyTcsDhNL7so6SVrR01znNnv0iXLrSk="
+</code>
+. **Nastavení externího modelu**:
+<code bash>
+docker exec -u 33 -it nextcloud php /var/www/html/occ face:setup -m 5
+</code>
+Externí model je nyní připraven pro použití.
+=== Zpracování paralelních úloh ===
+Pro paralelní zpracování fotografií lze využít více vláken na externím serveru. Příklad skriptu pro import, analýzu a klastrování obličejů naleznete v dokumentaci nebo níže. Tento proces je vhodné spustit v nástroji jako tmux nebo screen, aby mohl běžet na pozadí.
+<code bash>
+#!/bin/bash
+set -o errexit
+dir=$(pwd)
+# your nextcloud path
+cd /var/www/nextcloud/html/
+sudo -u www-data php --define apc.enable_cli=1 ./occ face:stats
+echo -n "Select user for import & parallel processing:"
+read user
+echo ""
+echo "Enabling facerecognition for $user..."
+sudo -u www-data php --define apc.enable_cli=1 ./occ user:setting $user facerecognition enabled true
+echo "Done"
+echo "Synchronizing $user files..."
+sudo -u www-data php --define apc.enable_cli=1 ./occ face:background_job -u $user --sync-mode
+echo "Done"
+echo "Analyzing $user files..."
+# the upper number has to be lower or equal to the number of GUNICORN_WORKERS
+for i in {1..3}; do
+    sudo -u www-data php --define apc.enable_cli=1 ./occ face:background_job -u $user --analyze-mode &
+    pids[${i}]=$!
+done
+for pid in ${pids[*]}; do
+    wait $pid
+done
+echo "Done"
+echo "Calculating $user face clusters..."
+sudo -u www-data php --define apc.enable_cli=1 ./occ face:background_job -u user --cluster-mode
+echo "Done"
+cd $dir
+</code>
+Použití externího modelu přináší výhody při zpracování velkých datasetů, zejména na méně výkonných zařízeních, jako je Raspberry Pi.
+==== Další příkazy pro Face Recognition ====
+=== Face Analysis ===
+<code>
+occ face:background_job [-u|--user_id USER_ID] [-t|--timeout TIMEOUT] [--defer-clustering] [-M|--max_image_area MAX_IMAGE_AREA]
+</code>
+Tento příkaz je hlavním nástrojem pro analýzu fotografií:
+  * **Funkce**: Vyhledává obrázky, analyzuje je a třídí nalezené obličeje do skupin podobných osob (clustering).
+  * **Parametry**:
+    - **-u USER_ID**: Analyzuje pouze fotografie konkrétního uživatele. Uživatel musí analýzu povolit individuálně.
+    - **-t TIMEOUT**: Nastavuje maximální dobu (v sekundách), po kterou příkaz běží. Po uplynutí doby se příkaz zastaví a pokračuje při dalším spuštění.
+    - **-M MAX_IMAGE_AREA**: Omezuje maximální plochu obrázku (v pixelech²) pro zpracování, čímž snižuje paměťové nároky.
+    - **--defer-clustering**: Odkládá třídění obličejů na konec analýzy.
+Tento příkaz je doporučeno spustit manuálně před jeho zařazením do cron úlohy, aby se ověřila konfigurace a dostupné systémové prostředky.
+=== Vytváření alb v aplikaci Photos ===
+<code>
+occ face:sync-albums [-u|--user_id USER_ID]
+</code>
+  * **Funkce**: Vytváří alba v aplikaci Nextcloud Photos na základě rozpoznaných osob.
+  * **Parametry**:
+    - **-u USER_ID**: Synchronizuje alba pouze pro daného uživatele.
+  * **Poznámka**: Jakékoliv úpravy alb provedené v aplikaci Photos budou při dalším spuštění tohoto příkazu přepsány.
+=== Resetování informací ===
+<code>
+occ face:reset [--all] [--model] [--image-errors] [--clustering] [-u|--user_id USER_ID]
+</code>
+  * **Funkce**: Umožňuje resetovat databázi obličejů a souvisejících informací.
+  * **Parametry**:
+    - **--all**: Smaže všechny informace o obrázcích, obličejích a skupinách osob.
+    - **--model**: Resetuje aktuální model a nutí k nové analýze všech obrázků.
+    - **--clustering**: Resetuje pouze seskupování obličejů (clustering).
+    - **--image-errors**: Resetuje pouze obrázky, u kterých došlo k chybám při analýze.
+    - **-u USER_ID**: Resetuje data pouze pro konkrétního uživatele.
+=== Migrace modelů ===
+<code>
+occ face:migrate [-m|--model_id MODEL_ID] [-u|--user_id USER_ID]
+</code>
+  * **Funkce**: Migrace rozpoznaných obličejů mezi modely.
+  * **Parametry**:
+    - **-m MODEL_ID**: Určuje model, do kterého budou data migrována.
+    - **-u USER_ID**: Migruje data pouze pro daného uživatele.
+  * **Poznámka**: Jména osob nejsou přenesena a musí být znovu zadána uživatelem.
+=== Statistiky ===
+<code>
+occ face:stats [-u|--user_id USER_ID] [-j|--json]
+</code>
+  * **Funkce**: Poskytuje souhrn počtu obrázků, rozpoznaných obličejů a identifikovaných osob.
+  * **Parametry**:
+    - **-u USER_ID**: Vrací statistiky pouze pro konkrétního uživatele.
+    - **-j**: Výstup ve formátu JSON pro snadné zpracování jinými nástroji.
+=== Stav analýzy ===
+<code>
+occ face:progress
+</code>
+  * **Funkce**: Zobrazuje průběh analýzy a odhadem dobu potřebnou k dokončení.
+  * **Parametry**:
+    - **-j**: Výstup ve formátu JSON pro snadné zpracování jinými nástroji.
+Tyto příkazy pokrývají širokou škálu úloh a umožňují plně kontrolovat proces rozpoznávání obličejů v Nextcloudu. Pro optimální využití je důležité přizpůsobit parametry podle dostupných prostředků a potřeb konkrétního prostředí.
@@ Řádek 339: / Řádek 814: @@
 Plugin je dostupný na GitHubu: [[https://github.com/nextcloud/recognize|Recognize]].
+Velikosti modelů:
+  * Object recognition: 1GB
+  * Landmark recognition: 300MB
+  * Video action recognition: 50MB
+  * Music genre recognition: 50MB
 ==== Požadavky a instalace ====
@@ Řádek 380: / Řádek 861: @@
 Například pro ignorování všech souborů v cestě `path/to/your/folder/*` přidejte soubor `path/to/your/folder/.nomedia`.
+==== Nastavení tmpfs v docker-compose.yml ====
+**tmpfs** je speciální typ souborového systému, který uchovává data přímo v paměti (RAM) místo na disku. To znamená, že přístup k těmto datům je výrazně rychlejší, protože eliminuje potřebu čtení a zápisu na fyzický disk. Použití tmpfs může být užitečné zejména pro dočasné soubory, které nepotřebují trvalé uložení.
+=== Proč použít tmpfs v Nextcloudu ===
+Plugin **Recognize** dočasně ukládá soubory k rozpoznání do adresáře `/tmp`. Při použití Dockeru může být výhodné mapovat tento adresář do paměti pomocí tmpfs. Tím se zvyšuje rychlost zpracování souborů a zároveň se snižuje zatížení pevného disku.
+⚠️ **Pozor**: Pro použití tmpfs je důležité zajistit, že váš systém má dostatek volné RAM. V opačném případě mohou selhat veřejné nahrávky nebo práce s velkými soubory.
+=== Nastavení tmpfs v docker-compose.yml ===
+Pro přidání tmpfs do Docker Compose souboru jsem použil následující konfiguraci:
+<code yaml>
+services:
+  app:
+    image: nextcloud-apache
+    ...
+    volumes:
+      - type: tmpfs
+        target: /tmp
+        tmpfs:
+          mode: "1777" # Volitelně: nastavení oprávnění
+    ...
+</code>
+Tato konfigurace:
+  * Vytváří tmpfs svazek namapovaný na `/tmp`.
+  * Ukládá dočasná data přímo do paměti, což zrychluje zpracování.
+  * Nastavuje oprávnění pomocí volitelného parametru **mode**, kde `1777` zajišťuje, že adresář `/tmp` je zapisovatelný pro všechny uživatele.
+=== Výhody a omezení ===
+  * **Výhody**:
+    - Výrazně vyšší rychlost při práci s dočasnými soubory.
+    - Snížení opotřebení disku.
+  * **Omezení**:
+    - Velikost tmpfs je omezena velikostí dostupné RAM.
+    - Velké soubory nebo velké množství dočasných souborů mohou vést k vyčerpání paměti a selhání aplikace.
+Použití tmpfs je tedy skvělým řešením pro zvýšení výkonu, pokud máte dostatečné množství paměti a chcete minimalizovat zátěž pevného disku.
+==== Nastavení grafického rozhraní po instalaci ====
+{{:it:server:pasted:20250101-115816.png}}
+{{:it:server:pasted:20250101-115848.png}}
+Pro jistotu jsem ještě snížil prioritu procesu.
+{{:it:server:pasted:20250101-115915.png}}
+===== Řešení problému s připojením k databázi v Nextcloudu =====
+Při provozu Nextcloudu jsem narazil na chyby v logu související s připojením k databázovému serveru PostgreSQL. Záznamy v logu naznačovaly, že Nextcloud nemůže vytvořit nové připojení k databázi kvůli vyčerpání dostupných připojení. Chyba vypadala například takto:
+<code>
+OC\DB\Exceptions\DbalException: An exception occurred in the driver: SQLSTATE[08006] [7] connection to server at "postgres" (192.168.32.9), port 5432 failed: FATAL: remaining connection slots are reserved for roles with the SUPERUSER attribute
+</code>
+==== Interpretace chyby ====
+  * **Nedostatek dostupných připojení**: PostgreSQL omezuje počet současně aktivních připojení k databázovému serveru. Pokud je tento počet vyčerpán, zbývající sloty jsou rezervovány pro uživatele s atributem **SUPERUSER**. To znamená, že běžné uživatelské připojení (např. používané Nextcloudem) nemůže být vytvořeno.
+  * **Doctrine\DBAL\Exception**: Knihovna **Doctrine DBAL**, kterou Nextcloud využívá pro práci s databází, nemohla navázat připojení kvůli výše uvedenému problému.
+  * **SQLSTATE[08006]**: Tato chyba indikuje selhání připojení k databázovému serveru.
+==== Příčina ====
+Hlavní příčinou problému bylo nízké nastavení maximálního počtu připojení v PostgreSQL. Výchozí hodnota parametru `max_connections` byla příliš nízká pro požadavky aplikace.
+==== Řešení ====
+Pro vyřešení problému jsem zvýšil hodnotu parametru `max_connections` v konfiguračním souboru PostgreSQL:
+. Otevřete konfigurační soubor PostgreSQL (obvykle se nachází v `/etc/postgresql/<verze>/main/postgresql.conf`).
+. Najděte a upravte následující řádek:
+<code>
+max_connections = 300
+</code>
+Tato hodnota určuje maximální počet současně aktivních připojení. Zvýšení z výchozí hodnoty (obvykle 100) na 300 by mělo být dostatečné pro většinu menších a středně velkých instalací.
+. Restartujte PostgreSQL server, aby se změny projevily:
+<code bash>
+sudo systemctl restart postgresql
+</code>
+==== Doporučení ====
+Po úpravě konfiguračního souboru jsem problém znovu monitoroval. Dále je vhodné pravidelně kontrolovat přehled vytížení připojení a zajistit, že žádné procesy zbytečně nespotřebovávají připojení. To lze provést pomocí příkazů v PostgreSQL, například:
+<code sql>
+SELECT * FROM pg_stat_activity;
+</code>
+Tímto způsobem lze identifikovat potenciální problémy a optimalizovat přístup k databázi.
+===== Migrace dat na server Nextcloudu =====
+Při migraci dat na nový server Nextcloudu jsem původně postupoval velmi komplikovaně. Data jsem nejprve stáhl na svůj počítač a poté je přes webové rozhraní nahrával na nový server. Tento přístup byl ale pomalý a neefektivní. Nahrávání přes webové rozhraní jsem používal hlavně proto, aby se soubory správně zapsaly do databáze Nextcloudu.
+Začal jsem zvažovat, zda by bylo možné nahrávat soubory přímo do adresáře **nextcloud/data/uživatel/files** na serveru. Takový postup však vyžaduje další kroky, aby si server nahrané soubory oskenoval a zapsal je do databáze. Bez tohoto by mohlo dojít k problémům, kdy soubory nejsou viditelné přes webové rozhraní nebo synchronizační klienty.
+==== Doporučený postup ====
+. **Nahrajte soubory na server**
+Připojte se k serveru například pomocí **SCP**, **rsync** nebo jiného nástroje pro přenos souborů a nakopírujte je přímo do adresáře **nextcloud/data/uživatel/files**.
+. **Nastavte správná oprávnění**
+Po nahrání souborů nastavte správného vlastníka a oprávnění, aby Nextcloud mohl s těmito soubory pracovat. Typicky by soubory měly patřit uživateli a skupině webového serveru, například **www-data** na Debian/Ubuntu.
+Příklad příkazu:
+<code bash>
+chown -R www-data:www-data /cesta/k/nextcloud/data/uživatel/files
+</code>
+. **Spusťte synchronizaci souborů**
+Nextcloud poskytuje příkaz pro synchronizaci souborů a jejich zapsání do databáze:
+<code bash>
+docker exec -u 33 -it nextcloud php /var/www/html/occ files:scan uživatel
+</code>
+Nahraďte **uživatel** jménem uživatele, kterému patří nahrané soubory. Tento příkaz prohledá adresář **files** daného uživatele, zkontroluje změny a aktualizuje databázi.
+. **Zkontrolujte výsledek**
+Po dokončení synchronizace:
+   - Otevřete webové rozhraní Nextcloudu.
+   - Přihlaste se jako daný uživatel a ověřte, že jsou soubory viditelné a správně zařazené.
+==== Poznámky ====
+  * Přímý přenos souborů pomocí **rsync** je často rychlejší a efektivnější než stahování a nahrávání přes webové rozhraní.
+  * Tento postup doporučuji provádět mimo pracovní dobu, pokud server používá více uživatelů, aby se minimalizovalo zatížení serveru.