PixlStash Rezension: Selbst gehosteter Bildbibliotheks-Manager mit lokaler KI-Verschlagwortung

PixlStash wird auf allen drei Desktop-Systemen als Desktop-App mit Doppelklick-Installation geliefert, ein Terminal ist nicht nötig. Die Dateien hängen an der aktuellen GitHub-Version; die Zeilen unten reichen vom einfachsten bis zum aufwendigsten Weg.

PixlStash ist ein Manager für Bildbibliotheken, keine Chat-App und kein Bildgenerator. Das Repository beschreibt ihn als Werkzeug, um in „einer Bildbibliothek, die außer Kontrolle geraten ist“ Dinge wiederzufinden: Er importiert und verschlagwortet Bilder automatisch, sucht nach Inhalt oder Gesicht und stellt Daten über eine REST-API anderen Werkzeugen wie ComfyUI bereit.

Version 1.11 liest vorhandene Ordner und erstellt aus deren Namen Projekte, Personen und Sets, ohne etwas zu kopieren, zu verschieben oder umzubenennen. Sie können das Tool als Desktop-App oder ohne Oberfläche auf einem Server mit Browser-Oberfläche betreiben.

Diese Rezension stützt sich auf die Website mit ihren Seiten zu Installation, Funktionen, KI und Datenschutz sowie auf das GitHub-Repository. Praktische Tests gab es nicht, daher werden Geschwindigkeit, Genauigkeit der Verschlagwortung und Stabilität hier nicht bewertet.

Die Einrichtung besteht aus dem Download eines Installers und dem Verweis auf einen Ordner. Die Schritte folgen der Installations- und der Funktionsseite.

Kernidee ist, eine große Bibliothek schnell zu prüfen und zu durchsuchen. Alles Folgende stammt von der Funktionsseite.

Alle Modelle laufen auf Ihrem Rechner, und die Gewichte werden beim ersten Start geladen. Die KI-Seite nennt OpenCLIP ViT-B-32 für die semantische Suche, InsightFace SCRFD-10G mit dem Paket buffalo_l für Gesichter und Florence-2 für Beschriftungen und Segmentierung.

Standard-Tagger sind der PixlStash Tagger, beschrieben als Finetune von wd-convnext-tagger-v3, sowie WD14 und JoyCaption. Moondream2 wird über pixlstash-cli als Plugin installiert.

Die Desktop-App enthält eine CPU-Laufzeit, sodass jedes Modell beim ersten Start offline funktioniert. NVIDIA-CUDA-Beschleunigung ist ein optionaler Download, die AMD-ROCm-Unterstützung ist experimentell und nur in der Desktop-App verfügbar, und die Website nennt keine RAM- oder VRAM-Anforderung.

Laut Datenschutzerklärung (zuletzt aktualisiert am 3. August 2026) erreicht Ihre Bibliothek den Entwickler nie. Sie nennt kein Konto, keine Cloud-Synchronisierung und keinen zentralen Server und beschreibt das Teilen als optional und widerrufbar. Die Update-Prüfung und eine anonyme Installations-ID sind standardmäßig beide deaktiviert; falls aktiviert, senden sie eine Version, einen Installationstyp oder eine zufällige ID, niemals Bibliotheksinhalte.

Modellgewichte stammen von Diensten wie Hugging Face und, bei GPU-Erweiterungen, von PyPI und dem PyTorch-Index, daher braucht der erste Start einen Internetzugang. Die KI-Seite erwähnt außerdem einen Beschrifter für OpenAI-kompatible Vision-APIs; ein von Ihnen konfigurierter Remote-Endpunkt fällt nicht unter die Aussage „nur lokal“.

Die Gesichtsgruppierung erzeugt Gesichts-Embeddings der Personen auf Ihren Bildern. Laut Website bleiben sie auf Ihrem Rechner, doch ob das für Bilder anderer Personen oder für kommerzielle Nutzung zulässig ist, liegt in Ihrer Verantwortung; die Website bietet das Paket AuraFace für kommerzielle Nutzung an und nennt für die übrigen Modelle keine Lizenzbedingungen. Der Code steht laut GitHub unter GPL-3.0, während die Website das Projekt nur als Open Source bezeichnet. Diese Rezension hat den Netzwerkverkehr nicht geprüft, daher sind diese Angaben die des Entwicklers.

Das Verzeichnis enthält keinen weiteren Manager für Bildbibliotheken; die folgenden Werkzeuge decken daher nur einen Teil derselben Aufgabe ab: Vision-Modelle, die Bilder beschriften, eine selbst gehostete Verschlagwortungs-App und der Generator, mit dem sich PixlStash verbindet.

PixlStash ist ein vielversprechender Kandidat für Kreative, die eine große Bildbibliothek mit lokaler KI bändigen wollen: Es installiert sich wie eine normale App, liest vorhandene Ordner am Ort und behält seine Modelle auf Ihrem Rechner.

Die Vorbehalte betreffen Reife und Transparenz: keine Liste der Dateiformate, keine Angaben zur Skalierung, eine Website ohne Lizenzangabe und 89 GitHub-Sterne. Probieren Sie es zuerst an einer Kopie eines Ordners aus, bevor Sie es auf ein unersetzliches Archiv loslassen, und sichern Sie vorher.