Dağıtım

SnapOtter, 3 konteynerli bir Docker Compose yığını olarak dağıtılır: SnapOtter uygulama imajı, PostgreSQL 17 ve Redis 8. Uygulama imajı linux/amd64 (AI hızlandırması için NVIDIA CUDA ile) ve linux/arm64 (CPU) mimarilerini destekler, bu nedenle Intel/AMD sunucularda, Apple Silicon Mac'lerde ve Raspberry Pi 4/5 gibi ARM cihazlarda yerel olarak çalışır. VA-API, Quick Sync veya OpenCL üzerinden Intel/AMD iGPU hızlandırması şu anda AI çıkarımı için desteklenmemektedir.

GPU kurulumu, Docker Compose örnekleri ve sürüm sabitleme için Docker İmajı sayfasına bakın.

Hızlı Başlangıç (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

Uygulama daha sonra http://localhost:1349 adresinde kullanılabilir olur.

Docker Hub hız sınırları mı? Bunun yerine GitHub Container Registry'den çekmek için snapotter/snapotter:latest ifadesini ghcr.io/snapotter-hq/snapotter:latest ile değiştirin. Her iki kayıt defteri de her sürümde aynı imajı alır.

Hızlı Başlangıç (NVIDIA CUDA)

AI araçlarında (arka plan kaldırma, ölçek büyütme, yüz iyileştirme, OCR) NVIDIA CUDA hızlandırması için:

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

Günlüklerde CUDA algılamasını kontrol edin:

bash

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

Donanım Gereksinimleri

Bu sayılar, NVIDIA RTX 4070'li modern bir amd64 iş istasyonundan Raspberry Pi'ye kadar çeşitli sistemlerde yapılan kıyaslamalardan gelmektedir; her birinde tüm araç kataloğu çalıştırılmış ve gerçek alt sınırı bulmak için Docker kaynak limitleri taranmıştır.

Hızlı Referans

Seviye	Kullanım Senaryosu	CPU	RAM	GPU	Depolama
Minimum	Görsel, dosya ve hafif PDF araçları; tek kullanıcı; küçük gruplar	2 çekirdek	2 GB	Yok	~7 GB
Önerilen	Video, PDF ve CPU üzerinde AI dahil beş modalitenin tamamı; gruplar; birkaç kullanıcı	4 çekirdek	4 GB	Yok	~25 GB
Tam	GPU AI dahil her şey hızlı; büyük gruplar; çok kullanıcı	6-8 çekirdek	8 GB	NVIDIA 8 GB+ VRAM (12 GB rahat)	~35 GB

Mimari: yalnızca 64-bit (linux/amd64 veya linux/arm64). SnapOtter, Intel/AMD sunucularda, Apple Silicon Mac'lerde ve Raspberry Pi 4 ve 5 (4-8 GB) dahil 64-bit ARM kartlarında yerel olarak çalışır. 32-bit ARM (armv7/armhf) üzerinde çalışmaz (bunun için imaj oluşturulmamıştır) ve bellek alt sınırının altında kalan Pi Zero gibi 512 MB sınıfı kartlarda da çalışmaz (aşağıya bakın).

Minimum (görsel, dosya ve hafif PDF araçları; AI yok)

Kaynak	Gereksinim
CPU	2 çekirdek
RAM	2 GB
Disk	~5,5 GB (imaj) + veri birimi
GPU	Gerekli değil

222 AI olmayan katalog aracının tamamı - görsel (yeniden boyutlandırma, kırpma, dönüştürme, sıkıştırma, ayarlama, filigran), video (kırpma, sessize alma, remux), ses (dönüştürme, normalleştirme, kırpma), PDF (birleştirme, bölme, sıkıştırma, döndürme, koruma), dosya dönüştürmeleri ve özel dönüştürme ön ayarları - mütevazı donanımlarda çalışır. Çoğu işlem büyük bir dosyada bile bir saniyenin çok altında tamamlanır: 2,7 MB'lık bir görsel ~0,05 sn içinde yeniden boyutlandırılır ve ~2 sn içinde WebP'ye yeniden kodlanır.

Bellek alt sınırı gerçektir; Docker kaynak limiti taramasından: 512 MB yığını başlatamaz (tek bir görsel yeniden boyutlandırması bile sonlandırılır), 1 GB tek dosya işlemlerini idare eder ancak çok dosyalı bir grup belleği tüketir ve 2 GB / 2 çekirdek, grupları rahatça idare eden en küçük yapılandırmadır.

yaml

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

Tek CPU yoğun istisna video yeniden kodlamadır. Akış kopyalama işlemleri (kırpma, sessize alma, konteyner remux) anlıktır, ancak farklı bir codec'e kod dönüştürme CPU'ya bağlıdır. VP9'a (WebM) yeniden kodlanan 1080p / 45 saniyelik bir klip, hızlı modern bir CPU'da kabaca ~40 sn, Apple Silicon'da ~45 sn, eski bir mobil 4 çekirdekli işlemcide ~80 sn ve eski bir 4 çekirdekli sunucuda ~130 sn sürer. İş yükünüz video ağırlıklıysa, CPU çekirdeklerine ve saat hızına öncelik verin veya konteynerin cpus: limitini yükseltin; birlikte gelen compose, uygulamayı varsayılan olarak 4 çekirdekle sınırlar (GPU compose'da 8).

Önerilen (CPU üzerinde AI araçları)

Kaynak	Gereksinim
CPU	4 çekirdek
RAM	4 GB
Disk	3 GB (imaj) + 24 GB (AI modelleri) + çalışma alanı
GPU	Gerekli değil (CPU yedeği)

RAM'i 4 GB'a çıkaran şey AI paketlerini kurmaktır. Hiç AI kurulu değilken uygulama yaklaşık 360 MB'de boşta durur; yedi paketin tamamı kuruluyken ~2,6 GB yerleşik tutar, çünkü Python AI yardımcı işlemi modellerini (arka plan kaldırma, ölçek büyütme, OCR, transkripsiyon, yüz algılama, restorasyon) başlangıçta önceden yükler. AI olmayan kurulumlar hafif kalır; AI kurulumları ≥4 GB gerektirir.

Çoğu AI aracı CPU'da gayet kullanılabilir; birkaçı gerçekten bir GPU ister. Modern bir 4 çekirdekli CPU üzerinde ölçülmüştür:

AI Aracı	CPU Süresi	CPU'da Kullanılabilir mi?
Yüz algılama (yüz bulanıklaştırma, akıllı kırpma, kırmızı göz), gürültü giderme	1 sn'nin altında	Evet
OCR, transkripsiyon, altyazılar	1-3 sn	Evet
Renklendirme, yüz iyileştirme	~10 sn	Evet
Arka plan kaldırma / değiştirme / bulanıklaştırma	~29 sn	Evet (beklersiniz)
AI ölçek büyütme (RealESRGAN)	küçükte ~33 sn; büyük görsellerde dakikalar	Sınırda - GPU şiddetle önerilir
Fotoğraf restorasyonu (tam ardışık düzen)	birkaç dakika	Hayır - GPU veya hızlı çok çekirdekli bir CPU gerektirir

SnapOtter bu model indirmelerini kasıtlı olarak Docker imajına gömmez. AI paketleri yalnızca bir yönetici ilgili aracı etkinleştirdiğinde çekilir, kalıcı /data/ai biriminde saklanır ve aynı model yığınına bağımlı her araç tarafından paylaşılır. Bu, son konteyner imajını küçük tutarken, tam bir AI kurulumunun aşağıdaki daha büyük depolama sayılarına ulaşmasına da izin verir.

Bazı araçlar birden fazla paylaşılan pakete bağımlıdır. Örneğin, Pasaport Fotoğrafı hem background-removal hem de face-detection gerektirir; background-removal zaten kuruluysa, Pasaport Fotoğrafı'nı etkinleştirmek yalnızca eksik face-detection paketini indirir. Aynı yeniden kullanım tüm AI araçlarında geçerlidir.

AI model indirme boyutları:

Paket	Disk Boyutu
Arka plan kaldırma	4-5 GB
Ölçek büyütme + Yüz iyileştirme + Gürültü giderme	5-6 GB
Yüz algılama	200-300 MB
Nesne silici + Renklendirme	1-2 GB
OCR	5-6 GB
Fotoğraf restorasyonu	4-5 GB
Tüm paketler	~24 GB

yaml

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

Tam (NVIDIA CUDA üzerinde AI araçları)

Kaynak	Gereksinim
CPU	6-8 çekirdek (video hazırlığı + eşzamanlılık, GPU AI ile bile CPU üzerinde çalışır)
RAM	8 GB
GPU	8+ GB VRAM'li NVIDIA (12 GB önerilir)
Disk	toplam ~35 GB

Bir NVIDIA GPU (CUDA), ağır AI modellerini önemli ölçüde hızlandırır. Modern bir CPU'ya karşı RTX 4070 üzerinde ölçülmüştür:

AI Aracı	GPU ile Hızlanma	Notlar
AI ölçek büyütme (RealESRGAN 2×)	~47×	En büyük kazanç - ~33 sn'ye karşı bir saniyenin altında (büyük görsellerde dakikalar)
Yüz iyileştirme (CodeFormer)	~12×	~11 sn'ye karşı ~0,9 sn
Transkripsiyon (Whisper)	~4,5×
Arka plan kaldırma / değiştirme / bulanıklaştırma	~4×	CPU'da ~29 sn'ye karşı GPU'da ~7 sn
Renklendirme	~1,8×
OCR, yüz algılama, kırmızı göz, gürültü giderme	~1×	CPU'da zaten hızlı - bir GPU yardımcı olmaz
Fotoğraf restorasyonu	yok	GPU'da bile CPU'ya bağlı (%0 GPU kullanımı); burada hızlı bir CPU bir GPU'dan daha önemlidir

GPU'ya değecek araçlar ölçek büyütme, yüz iyileştirme, transkripsiyon ve arka plan kaldırmadır. Yüz algılama, OCR ve kırmızı göz CPU'ya bağlıdır ve zaten hızlıdır, bu nedenle bir GPU hiçbir şey katmaz.

Pik VRAM kullanımı, yüz iyileştirmeli ölçek büyütme sırasında 7,5 GB'a ulaşır. 6 GB'lık bir NVIDIA GPU çoğu AI aracında ayrı ayrı çalışır ancak ölçek büyütmede başarısız olur. 8-12 GB VRAM her şeyi idare eder.

VA-API, Quick Sync veya OpenCL üzerinden Intel/AMD iGPU hızlandırması şu anda AI çıkarımı için desteklenmemektedir. /dev/dri öğesini konteynere eşlemek AI GPU hızlandırmasını etkinleştirmez; NVIDIA CUDA mevcut olmadıkça SnapOtter AI araçlarını CPU üzerinde çalıştırır.

yaml

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

Eşzamanlı Kullanıcılar

Varsayılan 4 çekirdekle sınırlı uygulama konteynerine karşı paralel görsel yeniden boyutlandırma istekleri:

Eşzamanlı İstekler	Ort. Yanıt Süresi	Hatalar
1	0,4sn	0
5	1,2sn	0
10	2,1sn	0

Yanıt süresi, iş parçacığı havuzu doyduğunda hatasız olarak alt-doğrusal bir şekilde bozulur. Uygulama konteynerinin cpus: limitini yükseltmek (veya daha fazla çekirdeğe sahip bir ana bilgisayar kullanmak) tavanı yükseltir. Ağır işlerin (video kod dönüştürme, CPU AI) tüm süreleri boyunca bir iş parçacığını tuttuğunu unutmayın, bu nedenle CPU'yu yalnızca istek sayısına göre değil, beklenen eşzamanlı ağır iş sayınıza göre boyutlandırın.

Desteklenen Görsel Formatları

SnapOtter, 20+ kamera markasından RAW dosyaları, profesyonel formatlar (PSD, EPS, OpenEXR, HDR), modern codec'ler (JPEG XL, AVIF, HEIC, QOI) ve bilimsel/oyun formatları (FITS, DDS) dahil olmak üzere 55+ giriş formatı ve 14 çıkış formatı destekler.

Desteklenen her format, kullanılan kod çözücü ve mevcut kalite kontrolleri hakkında ayrıntılar için tam format listesine bakın.

Bilinen Sınırlamalar

İçeriğe duyarlı yeniden boyutlandırma, caire ikili dosyasındaki bir sınırlama nedeniyle büyük görsellerde (>5 MP) çöker. Daha küçük görsellerle sorunsuz çalışır.
HEIF kod çözme 13-23 saniye sürer. HEIC (Apple'ın çeşidi) 0,3-0,9 saniye ile çok daha hızlıdır.
OCR Japonca, bir PaddlePaddle MKLDNN hatası nedeniyle CPU'da başarısız olur. GPU'da çalışır.
Ölçek büyütme, küçük görseller dışındaki her şey için CPU'da zaman aşımına uğrar. Pratik kullanım için GPU gereklidir.
CodeFormer yüz iyileştirme, GFPGAN'dan önemli ölçüde daha yavaştır (GPU'da 53sn'ye karşı 2sn). Çoğu kullanım senaryosu için GFPGAN önerilir.

Birimler

Bağlama / Birim	Amaç	Gerekli mi?
`/data` (uygulama)	AI modelleri, Python venv, kullanıcı dosyaları	Evet - onsuz dosya kaybı
`/tmp/workspace` (uygulama)	Geçici işleme dosyaları (otomatik temizlenir)	Önerilir
`SnapOtter-pgdata` (postgres)	PostgreSQL veri dizini (kullanıcılar, ayarlar, ardışık düzenler, işler)	Evet - onsuz veri kaybı
`SnapOtter-redisdata` (redis)	Dayanıklı iş kuyrukları için Redis salt-ekleme dosyası	Önerilir

Bağlama noktaları vs. adlandırılmış birimler

Adlandırılmış birimler (önerilir) - Docker izinleri otomatik olarak yönetir:

yaml

volumes:
  - SnapOtter-data:/data

Bağlama noktaları - İzinleri siz yönetirsiniz. Ana bilgisayar kullanıcınızla eşleşecek şekilde PUID/PGID ayarlayın:

yaml

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

Depolama izinleri

SnapOtter çalışma zamanında iki konuma yazar: /data (kullanıcı dosyaları, günlükler, AI modelleri ve Python venv) ve /tmp/workspace (geçici işleme çalışma alanı). Her ikisi de konteynerin çalıştığı kullanıcı tarafından yazılabilir olmalıdır. Herhangi biri değilse, konteyner başlangıçta hızlıca başarısız olur ve dizini, çalışan UID/GID'yi ve nasıl düzeltileceğini belirten bir mesaj verir; "sağlıklı" olarak önyükleme yapıp ardından ilk yüklemede şifreli bir hatayla başarısız olmak yerine.

İzinlerin nasıl işlendiği, konteynerin nasıl başlatıldığına bağlıdır:

Varsayılan (root olarak başlar, snapotter kullanıcısına düşer) - giriş noktası root olarak başlar, bağlanan birimlerin sahipliğini düzeltir, ardından gosu aracılığıyla ayrıcalıksız snapotter kullanıcısına düşer. Adlandırılmış birimler yapılandırma gerektirmeden çalışır. Bağlama noktaları için, yazdığı dosyaların size ait olması için PUID/PGID ayarını ana bilgisayar kullanıcınıza ayarlayın (yukarıda).

Kubernetes / OpenShift (runAsUser aracılığıyla root olmayan) - doğrudan root olmayan bir kullanıcı olarak başlatıldığında, konteyner birimleri kendisi chown yapamaz, bu nedenle orkestratör onları yazılabilir yapmalıdır. fsGroup ayarlayın:

yaml

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

İmajın yazılabilir dizinleri GID 0 tarafından grup sahipliğinde ve grup tarafından yazılabilir, bu nedenle rastgele bir UID artı root ek grubu (OpenShift varsayılanı) ile çalışan bir pod, chown olmadan yazabilir.

TrueNAS Scale (ve diğer "yabancı UID" kurulumları) - TrueNAS, uygulamaları root olmayan bir kullanıcı olarak (genellikle 568:568) çalıştırır ve farklı bir kullanıcıya ait ana bilgisayar veri kümelerini bağlar, bu nedenle ne giriş noktası ne de fsGroup onları kendi başına yazılabilir yapar. Birini seçin:

Uygulamayı root olarak çalıştırın (önerilir) - uygulamanın kullanıcısını ayarlamadan bırakın veya 0 olarak ayarlayın ve varsayılan giriş noktasının izinleri düzeltmesine ve snapotter kullanıcısına düşmesine izin verin.
UID 999 olarak çalıştırın - uygulamanın kullanıcısını/grubunu 999:999 (SnapOtter'ın yerleşik snapotter kullanıcısı) olarak ayarlayın, böylece imajın sahipliğiyle eşleşir.

chown ana bilgisayar veri kümesini konteynerin çalıştığı UID'ye, TrueNAS kabuğundan:

bash

# Başlangıç hatasındaki UID'yi kullanın (veya konteyner içinde `id` çalıştırın)
chown -R 568:568 /mnt/<pool>/<dataset>

Başlangıç hatası kullanılacak tam UID'yi belirtir, bu nedenle en hızlı yol uygulamayı bir kez başlatmak, mesajı okumak, ardından buna göre chown (veya kullanıcıyı ayarlamak) yapmaktır.

Ortam Değişkenleri

Değişken	Varsayılan	Açıklama
`AUTH_ENABLED`	`true`	Oturum açma gereksinimini etkinleştir/devre dışı bırak
`DEFAULT_USERNAME`	`admin`	Başlangıç yönetici kullanıcı adı
`DEFAULT_PASSWORD`	`admin`	Başlangıç yönetici parolası (ilk oturum açmada zorunlu değişiklik)
`MAX_UPLOAD_SIZE_MB`	`100`	Dosya başına yükleme limiti
`MAX_BATCH_SIZE`	`100`	Grup isteği başına maksimum dosya
`RATE_LIMIT_PER_MIN`	`1000`	IP başına dakikada API isteği (devre dışı bırakmak için 0 ayarlayın)
`MAX_USERS`	`0` (sınırsız)	Maksimum kullanıcı hesabı
`TRUST_PROXY`	`true`	Ters proxy'den gelen X-Forwarded-For başlıklarına güven
`PUID`	`999`	Bu UID olarak çalıştır (bağlama noktası izinleri için)
`PGID`	`999`	Bu GID olarak çalıştır (bağlama noktası izinleri için)
`LOG_LEVEL`	`info`	Günlük ayrıntı düzeyi: fatal, error, warn, info, debug, trace
`CONCURRENT_JOBS`	`0` (otomatik)	Maksimum paralel AI işleme işi
`SESSION_DURATION_HOURS`	`168`	Oturum açma oturumu ömrü (7 gün)
`CORS_ORIGIN`	(boş)	Virgülle ayrılmış izin verilen kaynaklar veya aynı kaynak için boş

Sağlık Kontrolü

Konteyner yerleşik bir sağlık kontrolü içerir:

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"}

Ters Proxy

SnapOtter, hız sınırlaması ve günlüğe kaydetmenin X-Forwarded-For başlıklarından gerçek istemci IP'sini kullanması için varsayılan olarak TRUST_PROXY=true ayarlar.

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

Yeni bir Proxy Host ekleyin
Domain Name'i alan adınıza ayarlayın
Scheme'i http, Forward Hostname'i SnapOtter (veya konteyner IP'niz), Forward Port'u 1349 olarak ayarlayın
WebSocket desteğini etkinleştirin
Advanced altında şunları ekleyin: client_max_body_size 500M; ve 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, SSE ilerleme olayları (grup işleme, AI araçları, özellik kurulumları) için gerekli olan yanıt arabelleğe almayı devre dışı bırakır. Uzatılmış zaman aşımları, Caddy'nin bağlantıyı erken kapatmadan büyük dosya yüklemelerinin tamamlanmasına izin verir.

Cloudflare Tunnels

bash

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

Not: Cloudflare'in ücretsiz planlarda 100 MB yükleme limiti vardır. Eşleştirmek için MAX_UPLOAD_SIZE_MB=100 ayarlayın.

CI/CD

GitHub deposunda üç iş akışı vardır:

ci.yml - Her push ve PR'de otomatik olarak çalışır. Lint, tip kontrolü, testler, derleme yapar ve Docker imajını doğrular (push yapmadan).
release.yml - workflow_dispatch aracılığıyla manuel olarak tetiklenir. Bir sürüm etiketi ve GitHub sürümü oluşturmak için semantic-release çalıştırır, ardından çok mimarili bir Docker imajı (amd64 + arm64) derler ve Docker Hub'a (snapotter/snapotter) ve GitHub Container Registry'ye (ghcr.io/snapotter-hq/snapotter) push yapar.
deploy-docs.yml - Bu dokümantasyon sitesini derler ve main üzerine push yapıldığında Cloudflare Pages'e dağıtır.

Bir sürüm oluşturmak için GitHub arayüzünde Actions > Release > Run workflow bölümüne gidin veya şunu çalıştırın:

bash

gh workflow run release.yml

Semantic-release, sürümü commit geçmişinden belirler. latest Docker etiketi her zaman en son sürüme işaret eder.

Analitik

SnapOtter, hataları yakalamaya ve özellikleri iyileştirmeye yardımcı olmak için anonim ürün analitiği (araç kullanım kalıpları, hata raporları) içerir. Varsayılan olarak açıktır. Dosyalarınız, dosya adlarınız ve kişisel verileriniz asla bunun bir parçası değildir. SnapOtter, analitik devre dışıyken normal şekilde çalışır.

Analitiği devre dışı bırakma

Çalışma zamanı vazgeçme, tek tıklamalık bir yönetici geçişidir. Settings > System > Privacy bölümünü açın ve Anonymous Product Analytics'i kapatın. Yeniden derleme gerekmeden tüm örnek için hemen durur.

Asla analitik yayamayan bir imaj için, depoyu klonlayarak ve yeniden derleyerek derleme zamanı kesin kapatmayı ayarlayın:

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

Veya derleme argümanını mevcut docker-compose.yml dosyanıza ekleyin:

yaml

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

Essentials

Optimization

Adjustments

Watermark & Overlay

Utilities

Layout

Format

AI Tools

Dağıtım

Hızlı Başlangıç (CPU)

Hızlı Başlangıç (NVIDIA CUDA)

Donanım Gereksinimleri

Hızlı Referans

Minimum (görsel, dosya ve hafif PDF araçları; AI yok)

Önerilen (CPU üzerinde AI araçları)

Tam (NVIDIA CUDA üzerinde AI araçları)

Eşzamanlı Kullanıcılar

Desteklenen Görsel Formatları

Bilinen Sınırlamalar

Birimler

Bağlama noktaları vs. adlandırılmış birimler

Depolama izinleri

Ortam Değişkenleri

Sağlık Kontrolü

Ters Proxy

Nginx

Nginx Proxy Manager

Traefik

Caddy

Cloudflare Tunnels

CI/CD

Analitik

Analitiği devre dışı bırakma

Dağıtım ​

Hızlı Başlangıç (CPU) ​

Hızlı Başlangıç (NVIDIA CUDA) ​

Donanım Gereksinimleri ​

Hızlı Referans ​

Minimum (görsel, dosya ve hafif PDF araçları; AI yok) ​

Önerilen (CPU üzerinde AI araçları) ​

Tam (NVIDIA CUDA üzerinde AI araçları) ​

Eşzamanlı Kullanıcılar ​

Desteklenen Görsel Formatları ​

Bilinen Sınırlamalar ​

Birimler ​

Bağlama noktaları vs. adlandırılmış birimler ​

Depolama izinleri ​

Ortam Değişkenleri ​

Sağlık Kontrolü ​

Ters Proxy ​

Nginx ​

Nginx Proxy Manager ​

Traefik ​

Caddy ​

Cloudflare Tunnels ​

CI/CD ​

Analitik ​

Analitiği devre dışı bırakma ​

Dağıtım

Hızlı Başlangıç (CPU)

Hızlı Başlangıç (NVIDIA CUDA)

Donanım Gereksinimleri

Hızlı Referans

Minimum (görsel, dosya ve hafif PDF araçları; AI yok)

Önerilen (CPU üzerinde AI araçları)

Tam (NVIDIA CUDA üzerinde AI araçları)

Eşzamanlı Kullanıcılar

Desteklenen Görsel Formatları

Bilinen Sınırlamalar

Birimler

Bağlama noktaları vs. adlandırılmış birimler

Depolama izinleri

Ortam Değişkenleri

Sağlık Kontrolü

Ters Proxy

Nginx

Nginx Proxy Manager

Traefik

Caddy

Cloudflare Tunnels

CI/CD

Analitik

Analitiği devre dışı bırakma