Infrastruktura Homelab

O projekcie

Miałem dość płacenia za subskrypcje SaaS i trzymania plików na losowych dyskach. Sprzedałem komputer gamingowy, kupiłem NAS i zbudowałem własną platformę self-hosted. Zdjęcia, kopie zapasowe, finanse, interfejs LLM, wszystko w Dockerze na moim sprzęcie. Układ rozrósł się do trzech maszyn: NAS na dane i kontenery, 12-letni desktop, którego nikt nie chciał, wyczyszczony i przerobiony na zdalną stację roboczą AI z Ubuntu, oraz laptop użyczający swojego GPU do inferencji ML przez LAN.

Dlaczego

Płaciłem co miesiąc za rzeczy, które mogłem sam postawić. Potrzebowałem maszyny na 86 tysięcy zdjęć z rozpoznawaniem twarzy, OCR i inteligentnym wyszukiwaniem. Wszystko prywatne, wszystko na moim sprzęcie. Jeden serwer zamiast pięciu kart z SaaS.

Cel

Nauczyć się, jak naprawdę działają kontenery, sieć i usługi self-hosted, budując platformę, którą mogę rozszerzać o cokolwiek mnie zainteresuje.

Co Potrafi

Wszystkie pliki w jednym miejscu, dostępne zdalnie 24/7 z mojego własnego serwera. Zdjęcia synchronizują się natychmiast z inteligentnym wyszukiwaniem, rozpoznawaniem twarzy w 0,3 sekundy zamiast 3,2 na CPU i wbudowanym OCR. 86 tysięcy zdjęć zaindeksowanych. Finanse osobiste śledzone na self-hostowanym panelu. Interfejs LLM na własnym sprzęcie. 12-letni desktop stojący w kącie, cicho uruchamiający agenty AI.

Galeria

Code

docker-compose.yml

# Unified bridge networknetworks:  app_network:    driver: bridge services:  immich-server:    image: ghcr.io/immich-app/immich-server:release    networks: [app_network]    volumes:      - /data/photos:/usr/src/app/upload    environment:      IMMICH_MACHINE_LEARNING_URL: "http://<GPU_HOST>:<ML_PORT>"      # ML inference offloaded to laptop (RTX 4060)   jellyfin:    image: jellyfin/jellyfin    networks: [app_network]    devices:      - /dev/dri:/dev/dri  # Intel QSV hardware transcoding

gpu-offload.md

# GPU Offload Pattern Problem: NAS has no GPU. ML inference (face detection,         image classification) is 10x slower on CPU. Solution: Split service into two hosts over LAN.   NAS                             Laptop  +----------------+              +--------------------+  | storage + API  |---- LAN ---->| ML runtime         |  | photos/videos  |   1 Gbps     | NVIDIA RTX 4060    |  +----------------+              | CUDA acceleration  |                                  +--------------------+ Config: IMMICH_MACHINE_LEARNING_URL=http://<GPU_HOST>:<ML_PORT> Result: Face detection 0.3s vs 3.2s (CPU).        Smart search indexing overnight: 50k photos in 4h vs 40h.

cloudflare-tunnel.yml

# Cloudflare Tunnel configtunnel: <tunnel-id>credentials-file: /etc/cloudflared/credentials.json ingress:  - hostname: sync.home.example    service: http://localhost:<port>   # Vault sync (CouchDB)  - hostname: agent.home.example    service: http://localhost:<port>   # AI Agent Gateway  - service: http_status:404           # catch-all deny # Zero open inbound ports.# Tunnel initiates outbound connection to Cloudflare edge.# Access policies enforced at Cloudflare (email OTP / service tokens).