+ "Smart media tagging and face recognition with on-premises machine learning models.\nThis app goes through your media collection and adds fitting tags, automatically categorizing your photos and music.\n\n* 📷 👪 Recognizes faces from contact photos\n* 📷 🏔 Recognizes animals, landscapes, food, vehicles, buildings and other objects\n* 📷 🗼 Recognizes landmarks and monuments\n* 👂 🎵 Recognizes music genres\n* 🎥 🤸 Recognizes human actions on video\n\n⚡ Tagging works via Nextcloud's Collaborative Tags\n * 👂 listen to your tagged music with the audioplayer app\n * 📷 view your tagged photos and videos with the photos app\n\nModel sizes:\n\n * Object recognition: 1GB\n * Landmark recognition: 300MB\n * Video action recognition: 50MB\n * Music genre recognition: 50MB\n\n## Ethical AI Rating\n### Rating for Photo object detection: 🟢\n\nPositive:\n* the software for training and inference of this model is open source\n* the trained model is freely available, and thus can be run on-premises\n* the training data is freely available, making it possible to check or correct for bias or optimise the performance and CO2 usage.\n\n### Rating for Photo face recognition: 🟢\n\nPositive:\n* the software for training and inference of this model is open source\n* the trained model is freely available, and thus can be run on-premises\n* the training data is freely available, making it possible to check or correct for bias or optimise the performance and CO2 usage.\n\n### Rating for Video action recognition: 🟢\n\nPositive:\n* the software for training and inferencing of this model is open source\n* the trained model is freely available, and thus can be ran on-premises\n* the training data is freely available, making it possible to check or correct for bias or optimise the performance and CO2 usage.\n\n## Ethical AI Rating\n### Rating Music genre recognition: 🟡\n\nPositive:\n* the software for training and inference of this model is open source\n* the trained model is freely available, and thus can be run on-premises\n\nNegative:\n* the training data is not freely available, limiting the ability of external parties to check and correct for bias or optimise the model’s performance and CO2 usage.\n\nLearn more about the Nextcloud Ethical AI Rating [in our blog](https://nextcloud.com/blog/nextcloud-ethical-ai-rating/).\n\nAfter installation, you can enable tagging in the admin settings.\n\nRequirements:\n- php 7.4 and above\n- App \"collaborative tags\" enabled\n- For native speed:\n - Processor: x86 64-bit (with support for AVX instructions)\n - System with glibc (usually the norm on Linux; FreeBSD, Alpine linux and thus also the official Nextcloud Docker container and Nextcloud AIO are *not* such systems)\n- For sub-native speed (using WASM mode)\n - Processor: x86 64-bit, arm64, armv7l (no AVX needed)\n - System with glibc or musl (incl. Alpine linux and thus also the official Nextcloud Docker container and also Nextcloud AIO)\n- ~4GB of free RAM (if you're cutting it close, make sure you have some swap available)\n\nThe app does not send any sensitive data to cloud providers or similar services. All processing is done on your Nextcloud machine, using Tensorflow.js running in Node.js." : "Okos médiacímkézés és arcfelismerés helyben futtatott gépi tanulási modellekkel.\nAz alkalmazás végigmegy a médiagyűjteményén és hozzáadja a megfelelő címkéket, automatikusan kategorizálva a fényképeit és zenéit.\n\n* 📷 👪 Felismeri az arcokat a névjegyképek alapján\n* 📷 🏔 Felismert az állatokat, tájakat, ételeket, járműveket, épületeket és más tárgyakat\n* 📷 🗼 Felismeri a látnivalókat és műemlékeket\n* 👂 🎵 Felismeri a zenei stílusokat\n* 🎥 🤸 Felismeri az emberi tevékenységeket a videókon\n\n⚡ A címkézés a Nextcloud együttműködési címkéi használatával működik\n* 👂 hallgassa meg a címkézett zenéit a Zenelejátszó alkalmazásban\n* 📷 tekintse meg a címkézett fényképeit és videóit a Fényképek alkalmazásban\n\nModellméretek:\n\n* Tárgyfelismerés: 1GB\n* Műemlék-felismerés: 300MB\n* Tevékenységek felismerése a videókban: 50MB\n* Zenei stílusok felismerése: 50MB\n\n## Etikus MI-értékelés\n### Fényképes tárgyfelismerés értékelése: 🟢\n\nPozitív:\n* a betanítási és következtetési modell nyílt forráskódú,\n* a betanított modell szabadon elérhető, így helyileg is futtatható,\n* a tanítási adatok szabadon elérhetőek, így az elfogultsága ellenőrizhető vagy javítható, a teljesítmény és a CO2-használat pedig optimalizálható.\n\n### Fényképes arcfelismerés értékelése: 🟢\n\nPozitív:\n* a betanítási és következtetési modell nyílt forráskódú,\n* a betanított modell szabadon elérhető, így helyileg is futtatható,\n* a tanítási adatok szabadon elérhetőek, így az elfogultsága ellenőrizhető vagy javítható, a teljesítmény és a CO2-használat pedig optimalizálható.\n\n### Tevékenységek felismerése a videókban: 🟢\n\nPozitív:\n* a betanítási és következtetési modell nyílt forráskódú\n* a betanított modell szabadon elérhető, így helyileg is futtatható\n* a tanítási adatok szabadon elérhetőek, így az elfogultsága ellenőrizhető vagy javítható, a teljesítmény és a CO2-használat pedig optimalizálható.\n\n## Etikus MI-értékelés\n### Zenei stílusok felismerése: 🟡\n\nPozitív:\n* a betanítási és következtetési modell nyílt forráskódú\n* a betanított modell szabadon elérhető, így helyileg is futtatható\n\nNegatív:\n* a tanítási adatok nem érhetők el szabadon, így a külső felek korlátozottan ellenőrizhetik vagy javíthatják ki az elfogultságát, és optimalizálhatják a modell teljesítményét és CO2-használatát.\n\nTudjon meg többet a Nextcloud Etikus MI-értékeléséről [a blogunkban](https://nextcloud.com/blog/nextcloud-ethical-ai-rating/).\n\nA telepítés után a címkézést a rendszergazdai beállításokban kapcsolhatja be.\n\nKövetelmények:\n- PHP 7.4 vagy feletti verzió\n- Bekapcsolt „Együttműködési címkék” alkalmazás\n- Natív sebességhez:\n- Processzor: 64 bites x86 (az AVX utasítások támogatásával)\n- Rendszer glibc programkönyvtárral (a Linux rendszerek általában ilyenek; viszont a FreeBSD, az Alpine Linux és így a hivatalos Nextcloud Docker-konténer, valamint a Nextcloud AIO csomag *nem* ilyen rendszerek)\n- Natívnál alacsonyabb sebességhez (WASM-mód használatával)\n- Processor: 64 bites x86, arm64, armv7l (az AVX nem szükséges)\n- Rendszer glibc vagy musl programkönyvtárral (beleértve az Alpine Linuxot is, és így a hivatalos Nextcloud Docker-konténert és a Nextcloud AIO csomagot)\n- ~4 GB szabad RAM (ha ez szűk lehet, akkor legyen elérhető cserehelye)\n\nAz alkalmazás nem küld semmilyen érzékeny adatot felhő- vagy hasonló szolgáltatások felé. Az összes feldolgozás a Nextcloud gépén történik, Node.js-en futó Tensorflow.js használatával.",
0 commit comments