Deployment

SnapOtter diterapkan sebagai stack Docker Compose 3 kontainer: image aplikasi SnapOtter, PostgreSQL 17, dan Redis 8. Image aplikasi mendukung linux/amd64 (dengan NVIDIA CUDA untuk akselerasi AI) dan linux/arm64 (CPU), sehingga berjalan secara native di server Intel/AMD, Mac Apple Silicon, dan perangkat ARM seperti Raspberry Pi 4/5. Akselerasi iGPU Intel/AMD melalui VA-API, Quick Sync, atau OpenCL saat ini tidak didukung untuk inferensi AI.

Lihat Docker Image untuk penyiapan GPU, contoh Docker Compose, dan penyematan versi.

Quick Start (CPU)

yaml

# docker-compose.yml - Copy this file and run: docker compose up -d
services:
  SnapOtter:
    image: snapotter/snapotter:latest    # or ghcr.io/snapotter-hq/snapotter:latest
    container_name: SnapOtter
    ports:
      - "1349:1349"                # Web UI + API
    volumes:
      - SnapOtter-data:/data           # AI models, user files (PERSISTENT)
      - SnapOtter-workspace:/tmp/workspace  # Temp processing files (can be tmpfs)
    environment:
      # --- Authentication ---
      - AUTH_ENABLED=true          # Set to false to disable login entirely
      - DEFAULT_USERNAME=admin     # First-run admin username
      - DEFAULT_PASSWORD=admin     # First-run admin password (you'll be forced to change it)

      # --- Database + Queue ---
      - DATABASE_URL=postgres://snapotter:snapotter@postgres:5432/snapotter
      - REDIS_URL=redis://redis:6379

      # --- Limits (set 0 for unlimited) ---
      # - MAX_UPLOAD_SIZE_MB=100   # Per-file upload limit in MB
      # - MAX_BATCH_SIZE=100       # Max files per batch request
      # - RATE_LIMIT_PER_MIN=1000  # API rate limit per IP, default shown (0 = disabled)
      # - MAX_USERS=0              # Max user accounts

      # --- Networking ---
      # - TRUST_PROXY=true         # Trust X-Forwarded-For headers (set false if not behind a proxy)

      # --- Bind mount permissions ---
      # - PUID=1000                # Match your host user's UID (run: id -u)
      # - PGID=1000                # Match your host user's GID (run: id -g)
    depends_on:
      postgres:
        condition: service_healthy
      redis:
        condition: service_healthy
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:1349/api/v1/health"]
      interval: 30s
      timeout: 5s
      start_period: 60s
      retries: 3
    shm_size: "2gb"            # Needed for Python ML shared memory
    logging:
      driver: json-file
      options:
        max-size: "10m"
        max-file: "3"

  postgres:
    image: postgres:17-alpine
    container_name: SnapOtter-postgres
    environment:
      POSTGRES_USER: snapotter
      POSTGRES_PASSWORD: snapotter     # Change this for non-local deployments
      POSTGRES_DB: snapotter
    volumes:
      - SnapOtter-pgdata:/var/lib/postgresql/data
    restart: unless-stopped
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U snapotter"]
      interval: 10s
      timeout: 5s
      retries: 12
      start_period: 15s

  redis:
    image: redis:8-alpine
    container_name: SnapOtter-redis
    command: ["redis-server", "--maxmemory-policy", "noeviction", "--appendonly", "yes"]
    volumes:
      - SnapOtter-redisdata:/data
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "redis-cli", "ping"]
      interval: 10s
      timeout: 5s
      retries: 12
      start_period: 10s

volumes:
  SnapOtter-data:       # Named volume - Docker manages permissions automatically
  SnapOtter-workspace:
  SnapOtter-pgdata:
  SnapOtter-redisdata:

bash

docker compose up -d

Aplikasi kemudian tersedia di http://localhost:1349.

Terkena batas laju Docker Hub? Ganti snapotter/snapotter:latest dengan ghcr.io/snapotter-hq/snapotter:latest untuk menarik dari GitHub Container Registry sebagai gantinya. Kedua registry menerima image yang sama pada setiap rilis.

Quick Start (NVIDIA CUDA)

Untuk akselerasi NVIDIA CUDA pada perkakas AI (penghapusan latar belakang, upscaling, penyempurnaan wajah, OCR):

yaml

# docker-compose-gpu.yml - Requires: NVIDIA GPU + nvidia-container-toolkit
# Install toolkit: https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html
services:
  SnapOtter:
    image: snapotter/snapotter:latest
    container_name: SnapOtter
    ports:
      - "1349:1349"
    volumes:
      - SnapOtter-data:/data
      - SnapOtter-workspace:/tmp/workspace
    environment:
      - AUTH_ENABLED=true
      - DEFAULT_USERNAME=admin
      - DEFAULT_PASSWORD=admin
      - DATABASE_URL=postgres://snapotter:snapotter@postgres:5432/snapotter
      - REDIS_URL=redis://redis:6379
    depends_on:
      postgres:
        condition: service_healthy
      redis:
        condition: service_healthy
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:1349/api/v1/health"]
      interval: 30s
      timeout: 5s
      start_period: 60s
      retries: 3
    shm_size: "2gb"                # Required for PyTorch CUDA shared memory
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all           # Or set to 1 for a specific GPU
              capabilities: [gpu]
    logging:
      driver: json-file
      options:
        max-size: "10m"
        max-file: "3"

  postgres:
    image: postgres:17-alpine
    container_name: SnapOtter-postgres
    environment:
      POSTGRES_USER: snapotter
      POSTGRES_PASSWORD: snapotter
      POSTGRES_DB: snapotter
    volumes:
      - SnapOtter-pgdata:/var/lib/postgresql/data
    restart: unless-stopped
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U snapotter"]
      interval: 10s
      timeout: 5s
      retries: 12
      start_period: 15s

  redis:
    image: redis:8-alpine
    container_name: SnapOtter-redis
    command: ["redis-server", "--maxmemory-policy", "noeviction", "--appendonly", "yes"]
    volumes:
      - SnapOtter-redisdata:/data
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "redis-cli", "ping"]
      interval: 10s
      timeout: 5s
      retries: 12
      start_period: 10s

volumes:
  SnapOtter-data:
  SnapOtter-workspace:
  SnapOtter-pgdata:
  SnapOtter-redisdata:

bash

docker compose -f docker-compose-gpu.yml up -d

Periksa deteksi CUDA di log:

bash

docker logs SnapOtter 2>&1 | head -20
# Look for: [gpu] CUDA available via torch

Persyaratan Perangkat Keras

Angka-angka ini berasal dari benchmark di berbagai sistem, mulai dari workstation amd64 modern dengan NVIDIA RTX 4070 hingga Raspberry Pi, menjalankan seluruh katalog perkakas pada masing-masing dan menyapu batas sumber daya Docker untuk menemukan batas bawah yang sebenarnya.

Referensi Singkat

Tingkat	Kasus Penggunaan	CPU	RAM	GPU	Penyimpanan
Minimum	Perkakas gambar, file, dan PDF ringan; satu pengguna; batch kecil	2 core	2 GB	Tidak ada	~7 GB
Direkomendasikan	Kelima modalitas termasuk video, PDF, dan AI di CPU; batch; beberapa pengguna	4 core	4 GB	Tidak ada	~25 GB
Penuh	Semuanya dengan kecepatan termasuk AI GPU; batch besar; banyak pengguna	6-8 core	8 GB	NVIDIA 8 GB+ VRAM (12 GB nyaman)	~35 GB

Arsitektur: hanya 64-bit (linux/amd64 atau linux/arm64). SnapOtter berjalan secara native di server Intel/AMD, Mac Apple Silicon, dan board ARM 64-bit termasuk Raspberry Pi 4 dan 5 (4-8 GB). SnapOtter tidak berjalan di ARM 32-bit (armv7/armhf), tidak ada image yang dibuat untuknya, maupun di board kelas 512 MB seperti Pi Zero, yang berada di bawah batas bawah memori (lihat di bawah).

Minimum (perkakas gambar, file, dan PDF ringan; tanpa AI)

Sumber Daya	Persyaratan
CPU	2 core
RAM	2 GB
Disk	~5.5 GB (image) + volume data
GPU	Tidak diperlukan

Semua 222 perkakas katalog non-AI, yaitu gambar (resize, crop, convert, compress, adjust, watermark), video (trim, mute, remux), audio (convert, normalize, trim), PDF (merge, split, compress, rotate, protect), konversi file, dan preset konversi khusus, berjalan pada perangkat keras sederhana. Sebagian besar operasi selesai jauh di bawah satu detik bahkan pada file besar: gambar 2.7 MB diubah ukurannya dalam ~0.05 d dan dikodekan ulang ke WebP dalam ~2 d.

Batas bawah memori itu nyata, dari penyapuan batas sumber daya Docker: 512 MB tidak dapat memulai stack (bahkan satu resize gambar pun dihentikan), 1 GB menangani operasi satu file tetapi batch multi-file kehabisan memori, dan 2 GB / 2 core adalah konfigurasi terkecil yang menangani batch dengan nyaman.

yaml

deploy:
  resources:
    limits:
      cpus: '2'
      memory: 2G

Satu-satunya pengecualian yang berat CPU adalah pengkodean ulang video. Operasi stream-copy (trim, mute, remux kontainer) instan, tetapi transcoding ke codec berbeda bergantung pada CPU. Klip 1080p / 45 detik yang dikodekan ulang ke VP9 (WebM) memakan waktu kira-kira ~40 d pada CPU modern yang cepat, ~45 d di Apple Silicon, ~80 d pada 4-core mobile lama, dan ~130 d pada server 4-core lama. Jika beban kerja Anda banyak video, prioritaskan core CPU dan kecepatan clock, atau naikkan batas cpus: kontainer. Compose yang disertakan membatasi aplikasi pada 4 core secara default (8 pada compose GPU).

Direkomendasikan (perkakas AI di CPU)

Sumber Daya	Persyaratan
CPU	4 core
RAM	4 GB
Disk	3 GB (image) + 24 GB (model AI) + workspace
GPU	Tidak diperlukan (fallback CPU)

Memasang bundle AI-lah yang mendorong RAM ke 4 GB. Tanpa AI terpasang, aplikasi menganggur di sekitar 360 MB; dengan ketujuh bundle terpasang aplikasi menahan ~2.6 GB resident, karena sidecar AI Python memuat model-modelnya di awal (penghapusan latar belakang, upscaling, OCR, transkripsi, deteksi wajah, restorasi) saat startup. Instalasi non-AI tetap ringan; instalasi AI membutuhkan ≥4 GB.

Sebagian besar perkakas AI sepenuhnya dapat digunakan di CPU; beberapa benar-benar menginginkan GPU. Diukur pada CPU 4-core modern:

Perkakas AI	Waktu CPU	Dapat digunakan di CPU?
Deteksi wajah (blur-faces, smart-crop, red-eye), noise-removal	di bawah 1 d	Ya
OCR, transkripsi, subtitle	1-3 d	Ya
Colorize, penyempurnaan wajah	~10 d	Ya
Penghapusan / penggantian / blur latar belakang	~29 d	Ya (Anda akan menunggu)
AI upscale (RealESRGAN)	~33 d kecil; menit pada gambar besar	Marginal, GPU sangat direkomendasikan
Restorasi foto (pipeline penuh)	beberapa menit	Tidak, butuh GPU atau CPU banyak-core yang cepat

SnapOtter sengaja tidak memasukkan unduhan model ini ke dalam image Docker. Bundle AI ditarik hanya ketika admin mengaktifkan perkakas terkait, disimpan di volume /data/ai yang persisten, dan dibagi oleh setiap perkakas yang bergantung pada stack model yang sama. Ini menjaga image kontainer akhir tetap kecil sekaligus tetap memungkinkan instalasi AI penuh mencapai angka penyimpanan yang lebih besar di bawah.

Beberapa perkakas bergantung pada lebih dari satu bundle bersama. Misalnya, Passport Photo membutuhkan background-removal dan face-detection; jika background-removal sudah terpasang, mengaktifkan Passport Photo hanya mengunduh bundle face-detection yang hilang. Penggunaan ulang yang sama berlaku di semua perkakas AI.

Ukuran unduhan model AI:

Bundle	Ukuran Disk
Penghapusan latar belakang	4-5 GB
Upscale + Penyempurnaan wajah + Penghapusan noise	5-6 GB
Deteksi wajah	200-300 MB
Object eraser + Colorize	1-2 GB
OCR	5-6 GB
Restorasi foto	4-5 GB
Semua bundle	~24 GB

yaml

deploy:
  resources:
    limits:
      cpus: '4'
      memory: 4G

Penuh (perkakas AI di NVIDIA CUDA)

Sumber Daya	Persyaratan
CPU	6-8 core (persiapan video + konkurensi berjalan di CPU bahkan dengan AI GPU)
RAM	8 GB
GPU	NVIDIA dengan 8+ GB VRAM (12 GB direkomendasikan)
Disk	~35 GB total

GPU NVIDIA (CUDA) secara dramatis mempercepat model AI yang berat. Diukur pada RTX 4070 vs CPU modern:

Perkakas AI	Peningkatan kecepatan dengan GPU	Catatan
AI upscale (RealESRGAN 2×)	~47×	Kemenangan terbesar, di bawah satu detik vs ~33 d (menit pada gambar besar)
Penyempurnaan wajah (CodeFormer)	~12×	~0.9 d vs ~11 d
Transkripsi (Whisper)	~4.5×
Penghapusan / penggantian / blur latar belakang	~4×	~7 d di GPU vs ~29 d di CPU
Colorize	~1.8×
OCR, deteksi wajah, red-eye, noise-removal	~1×	Sudah cepat di CPU, GPU tidak membantu
Restorasi foto	tidak ada	Bergantung CPU bahkan di GPU (0% utilisasi GPU); CPU cepat lebih penting daripada GPU di sini

Perkakas yang layak menggunakan GPU adalah upscale, penyempurnaan wajah, transkripsi, dan penghapusan latar belakang. Deteksi wajah, OCR, dan red-eye bergantung CPU dan sudah cepat, jadi GPU tidak menambah apa pun.

Penggunaan VRAM puncak mencapai 7.5 GB selama upscale dengan penyempurnaan wajah. GPU NVIDIA 6 GB bekerja untuk sebagian besar perkakas AI secara individual tetapi akan gagal pada upscale. VRAM 8-12 GB menangani semuanya.

Akselerasi iGPU Intel/AMD melalui VA-API, Quick Sync, atau OpenCL saat ini tidak didukung untuk inferensi AI. Memetakan /dev/dri ke dalam kontainer tidak mengaktifkan akselerasi AI GPU; SnapOtter akan menjalankan perkakas AI di CPU kecuali NVIDIA CUDA tersedia.

yaml

deploy:
  resources:
    limits:
      cpus: '4'
      memory: 8G
    reservations:
      devices:
        - driver: nvidia
          count: all
          capabilities: [gpu]

Pengguna Bersamaan

Permintaan resize gambar paralel terhadap kontainer aplikasi yang dibatasi 4-core secara default:

Permintaan Bersamaan	Rata-rata Waktu Respons	Kesalahan
1	0.4d	0
5	1.2d	0
10	2.1d	0

Waktu respons menurun secara sub-linear tanpa kesalahan saat pool worker menjadi jenuh. Menaikkan batas cpus: kontainer aplikasi (atau menggunakan host dengan lebih banyak core) mengangkat batas atas. Perhatikan bahwa job berat (transcode video, AI CPU) menahan satu worker selama durasi penuhnya, jadi ukur CPU sesuai jumlah job berat bersamaan yang Anda harapkan, bukan hanya jumlah permintaan.

Format Gambar yang Didukung

SnapOtter mendukung 55+ format input dan 14 format output, termasuk file RAW dari 20+ merek kamera, format profesional (PSD, EPS, OpenEXR, HDR), codec modern (JPEG XL, AVIF, HEIC, QOI), dan format ilmiah/gaming (FITS, DDS).

Lihat daftar format lengkap untuk detail setiap format yang didukung, decoder yang digunakan, dan kontrol kualitas yang tersedia.

Batasan yang Diketahui

Content-aware resize crash pada gambar besar (>5 MP) karena batasan pada binary caire. Bekerja baik dengan gambar yang lebih kecil.
HEIF decode memakan 13-23 detik. HEIC (varian Apple) jauh lebih cepat pada 0.3-0.9 detik.
OCR Jepang gagal di CPU karena bug MKLDNN PaddlePaddle. Bekerja di GPU.
Upscale kehabisan waktu di CPU untuk apa pun di luar gambar kecil. GPU diperlukan untuk penggunaan praktis.
CodeFormer penyempurnaan wajah jauh lebih lambat daripada GFPGAN (53d vs 2d di GPU). GFPGAN direkomendasikan untuk sebagian besar kasus penggunaan.

Volume

Mount / Volume	Tujuan	Diperlukan?
`/data` (app)	Model AI, venv Python, file pengguna	Ya, kehilangan file tanpanya
`/tmp/workspace` (app)	File pemrosesan sementara (dibersihkan otomatis)	Direkomendasikan
`SnapOtter-pgdata` (postgres)	Direktori data PostgreSQL (pengguna, pengaturan, pipeline, job)	Ya, kehilangan data tanpanya
`SnapOtter-redisdata` (redis)	File append-only Redis untuk antrean job yang durable	Direkomendasikan

Bind mount vs. named volume

Named volume (direkomendasikan), Docker mengelola izin secara otomatis:

yaml

volumes:
  - SnapOtter-data:/data

Bind mount, Anda mengelola izin. Atur PUID/PGID agar cocok dengan pengguna host Anda:

yaml

volumes:
  - ./SnapOtter-data:/data
environment:
  - PUID=1000    # Your host UID (run: id -u)
  - PGID=1000    # Your host GID (run: id -g)

Izin penyimpanan

SnapOtter menulis ke dua lokasi saat runtime: /data (file pengguna, log, model AI dan venv Python) dan /tmp/workspace (scratch pemrosesan sementara). Keduanya harus dapat ditulis oleh pengguna tempat kontainer berjalan. Jika salah satunya tidak, kontainer gagal cepat saat startup dengan pesan yang menyebutkan direktori, UID/GID yang berjalan, dan cara memperbaikinya, alih-alih boot "healthy" lalu gagal pada unggahan pertama dengan kesalahan samar.

Bagaimana izin ditangani bergantung pada cara kontainer diluncurkan:

Default (mulai sebagai root, turun ke snapotter), entrypoint mulai sebagai root, memperbaiki kepemilikan volume yang di-mount, lalu turun ke pengguna snapotter yang tidak berhak istimewa melalui gosu. Named volume bekerja tanpa konfigurasi. Untuk bind mount, atur PUID/PGID ke pengguna host Anda (di atas) agar file yang ditulisnya dimiliki oleh Anda.

Kubernetes / OpenShift (non-root melalui runAsUser), diluncurkan langsung sebagai pengguna non-root, kontainer tidak dapat chown volume sendiri, jadi orkestrator harus membuatnya dapat ditulis. Atur fsGroup:

yaml

securityContext:
  runAsUser: 999
  runAsGroup: 999
  fsGroup: 999        # makes mounted volumes writable by the pod

Direktori yang dapat ditulis pada image dimiliki oleh grup GID 0 dan dapat ditulis grup, sehingga pod yang berjalan dengan UID sembarang ditambah grup suplementer root (default OpenShift) dapat menulis tanpa chown.

TrueNAS Scale (dan penyiapan "UID asing" lainnya), TrueNAS menjalankan aplikasi sebagai pengguna non-root (sering 568:568) dan me-mount dataset host yang dimiliki oleh pengguna berbeda, sehingga baik entrypoint maupun fsGroup tidak membuatnya dapat ditulis dengan sendirinya. Pilih salah satu:

Jalankan aplikasi sebagai root (direkomendasikan), biarkan pengguna aplikasi tidak diatur atau atur ke 0, dan biarkan entrypoint default memperbaiki izin dan turun ke snapotter.
Jalankan sebagai UID 999, atur pengguna/grup aplikasi ke 999:999 (pengguna snapotter bawaan SnapOtter) agar cocok dengan kepemilikan image.

chown dataset host ke UID tempat kontainer berjalan, dari shell TrueNAS:

bash

# Gunakan UID dari kesalahan startup (atau jalankan `id` di dalam kontainer)
chown -R 568:568 /mnt/<pool>/<dataset>

Kesalahan startup menyebutkan UID persis yang harus digunakan, jadi jalur tercepat adalah memulai aplikasi sekali, membaca pesannya, lalu chown (atau menyesuaikan pengguna) sesuai kebutuhan.

Variabel Lingkungan

Variabel	Default	Deskripsi
`AUTH_ENABLED`	`true`	Aktifkan/nonaktifkan persyaratan login
`DEFAULT_USERNAME`	`admin`	Username admin awal
`DEFAULT_PASSWORD`	`admin`	Kata sandi admin awal (dipaksa ganti saat login pertama)
`MAX_UPLOAD_SIZE_MB`	`100`	Batas unggahan per file
`MAX_BATCH_SIZE`	`100`	Maksimum file per permintaan batch
`RATE_LIMIT_PER_MIN`	`1000`	Permintaan API per menit per IP (atur 0 untuk menonaktifkan)
`MAX_USERS`	`0` (tak terbatas)	Maksimum akun pengguna
`TRUST_PROXY`	`true`	Percayai header X-Forwarded-For dari reverse proxy
`PUID`	`999`	Jalankan sebagai UID ini (untuk izin bind mount)
`PGID`	`999`	Jalankan sebagai GID ini (untuk izin bind mount)
`LOG_LEVEL`	`info`	Verbositas log: fatal, error, warn, info, debug, trace
`CONCURRENT_JOBS`	`0` (otomatis)	Maksimum job pemrosesan AI paralel
`SESSION_DURATION_HOURS`	`168`	Masa berlaku sesi login (7 hari)
`CORS_ORIGIN`	(kosong)	Origin yang diizinkan dipisahkan koma, atau kosong untuk same-origin

Health Check

Kontainer menyertakan health check bawaan:

bash

# Check container health status
docker inspect --format='{{.State.Health.Status}}' SnapOtter

# Manual health check
curl http://localhost:1349/api/v1/health
# {"status":"healthy","version":"x.y.z"}

Reverse Proxy

SnapOtter mengatur TRUST_PROXY=true secara default sehingga pembatasan laju dan logging menggunakan IP klien sebenarnya dari header X-Forwarded-For.

Nginx

nginx

server {
    listen 80;
    server_name images.example.com;

    # Match MAX_UPLOAD_SIZE_MB (0 = nginx default 1M, so set high for unlimited)
    client_max_body_size 500M;

    location / {
        proxy_pass http://localhost:1349;
        proxy_http_version 1.1;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;

        # SSE support (batch progress, feature install progress)
        proxy_buffering off;
        proxy_read_timeout 300s;
    }
}

Nginx Proxy Manager

Tambahkan Proxy Host baru
Atur Domain Name ke domain Anda
Atur Scheme ke http, Forward Hostname ke SnapOtter (atau IP kontainer Anda), Forward Port ke 1349
Aktifkan dukungan WebSocket
Di bawah Advanced, tambahkan: client_max_body_size 500M; dan proxy_buffering off;

Traefik

yaml

# Add these labels to the SnapOtter service in docker-compose.yml
labels:
  - "traefik.enable=true"
  - "traefik.http.routers.snapotter.rule=Host(`images.example.com`)"
  - "traefik.http.routers.snapotter.entrypoints=websecure"
  - "traefik.http.routers.snapotter.tls.certresolver=letsencrypt"
  - "traefik.http.services.snapotter.loadbalancer.server.port=1349"
  # Increase upload limit (default 2MB is too low)
  - "traefik.http.middlewares.snapotter-body.buffering.maxRequestBodyBytes=524288000"
  - "traefik.http.routers.snapotter.middlewares=snapotter-body"

Caddy

txt

images.example.com {
    reverse_proxy localhost:1349 {
        flush_interval -1
        transport http {
            read_timeout 300s
            write_timeout 300s
        }
    }
}

flush_interval -1 menonaktifkan buffering respons, yang diperlukan untuk event progres SSE (pemrosesan batch, perkakas AI, instalasi fitur). Timeout yang diperpanjang memungkinkan unggahan file besar selesai tanpa Caddy menutup koneksi terlalu dini.

Cloudflare Tunnels

bash

cloudflared tunnel --url http://localhost:1349

Catatan: Cloudflare memiliki batas unggahan 100 MB pada paket gratis. Atur MAX_UPLOAD_SIZE_MB=100 agar cocok.

CI/CD

Repositori GitHub memiliki tiga workflow:

ci.yml, Berjalan otomatis pada setiap push dan PR. Melakukan lint, typecheck, test, build, dan memvalidasi image Docker (tanpa push).
release.yml, Dipicu secara manual melalui workflow_dispatch. Menjalankan semantic-release untuk membuat tag versi dan rilis GitHub, lalu membangun image Docker multi-arch (amd64 + arm64) dan mendorong ke Docker Hub (snapotter/snapotter) dan GitHub Container Registry (ghcr.io/snapotter-hq/snapotter).
deploy-docs.yml, Membangun situs dokumentasi ini dan menerapkannya ke Cloudflare Pages saat push ke main.

Untuk membuat rilis, buka Actions > Release > Run workflow di UI GitHub, atau jalankan:

bash

gh workflow run release.yml

Semantic-release menentukan versi dari riwayat commit. Tag Docker latest selalu menunjuk ke rilis terbaru.

Analitik

SnapOtter menyertakan analitik produk anonim (pola penggunaan perkakas, laporan kesalahan) untuk membantu menangkap bug dan meningkatkan fitur. Ini aktif secara default. File Anda, nama file, dan data pribadi tidak pernah menjadi bagian dari ini. SnapOtter bekerja normal dengan analitik dinonaktifkan.

Menonaktifkan analitik

Opt-out runtime adalah toggle admin satu klik. Buka Settings > System > Privacy dan matikan Anonymous Product Analytics. Analitik berhenti segera untuk seluruh instance, tanpa rebuild diperlukan.

Untuk image yang tidak akan pernah memancarkan analitik, atur hard-off build-time dengan mengkloning repositori dan membangun ulang:

bash

git clone https://github.com/snapotter-hq/SnapOtter.git
cd SnapOtter
docker compose -f docker/docker-compose.yml build --build-arg SNAPOTTER_ANALYTICS=off
docker compose -f docker/docker-compose.yml up -d

Atau tambahkan build arg ke docker-compose.yml Anda yang sudah ada:

yaml

services:
  snapotter:
    build:
      context: .
      dockerfile: docker/Dockerfile
      args:
        SNAPOTTER_ANALYTICS: "off"

Essentials

Optimization

Adjustments

Watermark & Overlay

Utilities

Layout

Format

AI Tools

Deployment

Quick Start (CPU)

Quick Start (NVIDIA CUDA)

Persyaratan Perangkat Keras

Referensi Singkat

Minimum (perkakas gambar, file, dan PDF ringan; tanpa AI)

Direkomendasikan (perkakas AI di CPU)

Penuh (perkakas AI di NVIDIA CUDA)

Pengguna Bersamaan

Format Gambar yang Didukung

Batasan yang Diketahui

Volume

Bind mount vs. named volume

Izin penyimpanan

Variabel Lingkungan

Health Check

Reverse Proxy

Nginx

Nginx Proxy Manager

Traefik

Caddy

Cloudflare Tunnels

CI/CD

Analitik

Menonaktifkan analitik

Deployment ​

Quick Start (CPU) ​

Quick Start (NVIDIA CUDA) ​

Persyaratan Perangkat Keras ​

Referensi Singkat ​

Minimum (perkakas gambar, file, dan PDF ringan; tanpa AI) ​

Direkomendasikan (perkakas AI di CPU) ​

Penuh (perkakas AI di NVIDIA CUDA) ​

Pengguna Bersamaan ​

Format Gambar yang Didukung ​

Batasan yang Diketahui ​

Volume ​

Bind mount vs. named volume ​

Izin penyimpanan ​

Variabel Lingkungan ​

Health Check ​

Reverse Proxy ​

Nginx ​

Nginx Proxy Manager ​

Traefik ​

Caddy ​

Cloudflare Tunnels ​

CI/CD ​

Analitik ​

Menonaktifkan analitik ​

Deployment

Quick Start (CPU)

Quick Start (NVIDIA CUDA)

Persyaratan Perangkat Keras

Referensi Singkat

Minimum (perkakas gambar, file, dan PDF ringan; tanpa AI)

Direkomendasikan (perkakas AI di CPU)

Penuh (perkakas AI di NVIDIA CUDA)

Pengguna Bersamaan

Format Gambar yang Didukung

Batasan yang Diketahui

Volume

Bind mount vs. named volume

Izin penyimpanan

Variabel Lingkungan

Health Check

Reverse Proxy

Nginx

Nginx Proxy Manager

Traefik

Caddy

Cloudflare Tunnels

CI/CD

Analitik

Menonaktifkan analitik