от AdminLF

📸 Локальный отбор лучших фото из тысяч файлов по критериям качества

28/08/2026

Как автоматически отобрать лучшие фотографии из тысяч файлов с помощью нейросети на ПК

Если вы ищете способ, как быстро выбрать удачные кадры из большого архива, отсортировать фотографии по качеству или использовать искусственный интеллект для оценки композиции локально на компьютере — это руководство для вас. Мы разберем автоматический отбор фото без загрузки в облако.
Для вашей задачи (локальный отбор лучших фото из тысяч файлов по критериям качества, композиции и резкости) лучше всего подходят инструменты, использующие модели Image Aesthetic Assessment (оценка эстетики изображения).
Вот лучшие бесплатные решения для установки на ПК, от простого к профессиональному:

1️⃣ Eagle (с плагином Smart Folder) — Самый удобный вариант

Хотя сама программа Eagle платная (есть триал), она является стандартом для локального каталогизатора. Но главное — у неё есть бесплатные плагины и встроенные функции AI.
  • Как это работает: Вы добавляете папку с 10 000 фото в программу. Eagle использует локальные алгоритмы для анализа прямо на вашем компьютере.
  • AI Фильтр: В последних версиях есть функция «Smart Search» и интеграция с моделями, которые могут ранжировать фото по качеству.
  • Плюс: Не нужно программировать. Просто перетаскиваете папку, и софт показывает «лучшие» по мнению алгоритма.
  • Минус: Полностью бесплатной версии нет (только пробный период), но для разовой задачи подойдет.

2️⃣ Digikam + Plugin "Image Quality" — Полностью бесплатно (Open Source)

Это мощный бесплатный каталогизатор (аналог Lightroom), который работает локально.
  • Функция: В Digikam есть встроенный инструмент «Quality Sorter» (Сортировщик качества).
  • Как работает: Он анализирует резкость, шум, экспозицию и композицию. Вы можете настроить веса (что важнее: резкость или цвет).
  • Результат: Программа присваивает каждому фото рейтинг (звезды) от 1 до 5. Вы просто фильтруете по 4-5 звездам и получаете лучшие кадры.
  • Где взять: digikam.org (Windows, Linux, Mac).

3️⃣ FastFoto (или аналоги на базе CLIP)

Существуют утилиты, использующие модель CLIP от OpenAI (работает локально).
  • Вы можете задать текстовый запрос: "high quality photo, professional composition, sharp focus, good lighting" (фото высокого качества, проф композиция, резкость, хороший свет).
  • Нейросеть сравнит все 10 000 фото с этим описанием и выдаст те, которые максимально соответствуют запросу.
  • Инструмент: Automatic1111 (Stable Diffusion WebUI) с вкладкой "Interrogate/CLIP", либо отдельные скрипты типа clip-retrieval.

🏆 ВЫБИРАЕМ ЭТОТ ВАРИАНТ: Максимальный контроль и точность

4️⃣ IQA-PyTorch / NIMA (Локальный скрипт Python)

Если вы готовы запустить скрипт (или попросить того, кто умеет), это самый точный и профессиональный способ. Использование Python и библиотеки pyiqa для оценки качества изображений (IQA) — это продвинутый метод автоматической сортировки фотографий. Существуют готовые модели, обученные на миллионах фото (AVA dataset), которые ставят оценку от 1 до 10 за «красоту».
  • Модель: NIMA (Neural Image Assessment) или MUSIQ. Они оценивают не просто резкость, а именно эстетику (композицию, свет, гармонию), позволяя ИИ понимать правила фотографии так же, как профессиональный ретушер.
  • Инструмент: Библиотека pyiqa (Python Image Quality Assessment).
Как использовать (упрощенно):
  1. Установить Python.
  2. Установить библиотеку: pip install pyiqa torch
  3. Запустить простой скрипт, который пройдет по папке D:\Photos, прогонит каждое фото через нейросеть и выдаст список файлов с оценкой выше 7 баллов.

🛠 Готовое решение «под ключ» для CPU

Мы будем использовать библиотеку pyiqa (Python Image Quality Assessment) и модель MUSIQ или NIMA. Эти нейросети обучены на миллионах фотографий и оценивают именно эстетику (композицию, свет, гармонию), а не просто техническую резкость.
ВНИМАНИЕ! Если у вас дискретная видеокарта NVIDIA, то требуется переустановка Python, если вы уже установили последнюю версию и доустановка PyTorch с поддержкой видеокарты. Инструкция в главе: Переход с CPU на GPU для обработки фото.

Шаг 1: Подготовка (один раз) ⚙️

Убедитесь, что у вас установлен Python. Откройте командную строку (CMD или PowerShell) и установите нужные библиотеки одной командой:

pip install pyiqa torch torchvision pillow tqdm

(Это скачает саму нейросеть и зависимости. Модель весит около 100-200 Мб, всё будет работать строго локально на вашем ПК, без интернета).

Шаг 2: Скрипт для отбора лучших фото 📝

Создайте файл sort_photos.py (или любое другое имя) и вставьте туда этот код. Он написан так, чтобы вы могли легко поменять пути. Код скрипта одинаковый для CPU и GPU обработки.

import os
import gc
import pyiqa
import torch
from PIL import Image
from tqdm import tqdm

INPUT_FOLDER = r"G:\SMALL1"
OUTPUT_FILE = "best_photos_list.txt"
TOP_N = 50
MODEL_NAME = 'musiq'
MAX_SIZE = 1024

def main():
    print("--- Запуск анализа эстетики фото ---")
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    print(f"Используется устройство: {device}")
    
    metric = pyiqa.create_metric(MODEL_NAME, device=device)
    print(f"Анализ папки: {INPUT_FOLDER}")
    
    valid_extensions = ('.jpg', '.jpeg', '.png', '.tif', '.tiff', '.bmp')
    all_files = [f for f in os.listdir(INPUT_FOLDER) if f.lower().endswith(valid_extensions)]
    total_files = len(all_files)
    
    print(f"Найдено файлов: {total_files}. Начинаем обработку...")
    results = []
    
    with tqdm(total=total_files, desc="Обработка") as pbar:
        for filename in all_files:
            img_path = os.path.join(INPUT_FOLDER, filename)
            try:
                img = Image.open(img_path).convert('RGB')
                w, h = img.size
                if max(w, h) > MAX_SIZE:
                    scale = MAX_SIZE / max(w, h)
                    img = img.resize((int(w * scale), int(h * scale)), Image.LANCZOS)
                
                score_tensor = metric(img)
                score = score_tensor.item()
                results.append((filename, score))
            except Exception as e:
                print(f"\n⚠️ Ошибка: {filename} | {e}")
            
            del img
            gc.collect()
            if device.type == 'cuda':
                torch.cuda.empty_cache()
            pbar.update(1)

    results.sort(key=lambda x: x[1], reverse=True)

    output_path = os.path.join(INPUT_FOLDER, OUTPUT_FILE)
    with open(output_path, 'w', encoding='utf-8') as f:
        f.write(f"ТОП-{TOP_N} ЛУЧШИХ ФОТОГРАФИЙ (Модель: {MODEL_NAME})\n")
        f.write(f"Папка: {INPUT_FOLDER}\n")
        f.write("-" * 50 + "\n\n")
        for i, (name, score) in enumerate(results[:TOP_N]):
            f.write(f"{i+1}. [{score:.4f}] - {name}\n")
            
    print("\n✅ ГОТОВО!")
    print(f"Результат: {output_path}")

if __name__ == "__main__":
    main()
    input("\nНажмите Enter, чтобы закрыть окно...")

⚠️ Важно: В строке INPUT_FOLDER = r"D:\Photos" замените путь (между кавычками) на тот, где реально лежат ваши фото.

Шаг 3: Запуск 🚀

В командной строке перейдите в папку со скриптом и запустите его:
python sort_photos.py
Что произойдет:
  • Скрипт увидит вашу видеокарту (если она есть) и загрузит нейросеть в неё. Если видеокарты нет — посчитает на процессоре (будет медленнее, но 1000 фото займут минут 13-15).
  • В консоли побежит прогресс-бар: Обработка фото: 45%|████▌ | 4500/10000.
  • Нейросеть поставит каждому кадру оценку (обычно от 0 до 100 или от 0 до 1, в зависимости от модели).
  • В конце скрипт создаст файл best_photos_list.txt, где будут лежать имена только лучших 50 фотографий (число 50 можно поменять в настройках TOP_N) с их оценками.
Вы просто открываете этот текстовик, берете первые 20-30 имен файлов и смотрите их. Это и будет объективная выборка лучших кадров по законам фотографии, сделанная искусственным интеллектом прямо на вашем жестком диске.
Что будет в конце? Когда дойдет до 100%, в консоли появится надпись ✅ ГОТОВО!, и скрипт создаст текстовый файл best_photos_list.txt прямо в папке со скриптом. В этом файле будет список ваших 50 лучших фотографий из папки, которую вы указали в строке: INPUT_FOLDER = r"D:\Photos\", отсортированных от самых красивых (по мнению ИИ) к менее удачным, с указанием их оценки.
Дождитесь окончания прогресс-бара, а затем откройте этот текстовый файл и проверьте результат! Если захотите обработать другие фото, просто поменяйте путь INPUT_FOLDER на нужный и запустите скрипт еще раз (скачивать модель заново уже не придется, пойдет сразу обработка).

💻 ОБРАЗЕЦ ВЫПОЛНЕНИЯ СКРИПТА НА CPU В CMD или PowerShell

PS C:\Users\FUJIFILM> python sort_photos.py
--- Запуск анализа эстетики фото ---
Используется устройство: cpu*
Loading pretrained model MUSIQ from C:\Users\FUJIFILM\.cache\torch\hub\pyiqa\musiq_koniq_ckpt-e95806b9.pth
Анализ папки: D:\~ 0-PHOTO-NEW\FUJIFILM XF16-55\SMALL4
Найдено файлов: 60. Начинаем обработку...
Обработка: 100%|█████████████████████| 60/60 [00:50<00:00,  1.20it/s]
✅ ГОТОВО!
Результат: D:\~ 0-PHOTO-NEW\FUJIFILM XF16-55\SMALL4\best_photos_list.txt

*Почему скрипт выбрал CPU? Потому, что моя AMD Radeon RX 550 — это хорошая видеокарта, но для нейросетей на Python (PyTorch) под Windows она, к сожалению, не подходит для ускорения. Технология CUDA, которую используют 99% нейросетей (включая нашу pyiqa), работает только с видеокартами NVIDIA. Для AMD существует аналог (ROCm), но под Windows он работает крайне нестабильно, требует «танцев с бубном» и часто вообще не поддерживается современными библиотеками. Пытаться настроить его — это гарантированная потеря времени и нервов.
Скорость обработки. Одно фото обрабатывается менее чем за секунду (~0.8 сек). При таком темпе 1000 фотографий займут примерно 13–15 минут. Модель MUSIQ, которую мы выбрали, — это современная и очень умная нейросеть (на базе архитектуры Transformer/ViT). Скрипт автоматически уменьшает изображения до 1024px перед анализом, что ускоряет обработку в десятки раз без потери точности оценки. Если у вас видеокарта NVIDIA с поддержкой CUDA, обработка ускорится ещё в 5–10 раз.

📊 Как читать результаты: что означают цифры в скобках?

Цифра в квадратных скобках (например, [72.2604]) — это оценка эстетики (Aesthetic Score), которую нейросеть MUSIQ выставила конкретной фотографии.
Официальный диапазон оценки этой модели составляет от 0 до 100 баллов, где 100 — это наивысшее возможное качество
Нейросеть анализирует кадр и выдает свой вердикт по следующей шкале:
  • 0 – 40 баллов: Низкое качество или слабая эстетика (смазанные кадры, плохой свет, неудачная композиция, визуальный мусор).
  • 40 – 60 баллов: Среднее качество (обычные любительские снимки, «проходные» кадры).
  • 60 – 80 баллов: Высокое качество (хорошо выстроенная композиция, приятный цветовой баланс, гармония в кадре).
  • 80 – 100 баллов: Исключительное качество (шедевральные кадры с идеальным сочетанием света и сюжета).
Почему именно 72.2604? Искусственный интеллект проанализировал все пиксели файла Беловежская-пуща...000157...jpg и решил, что по совокупности факторов этот кадр заслуживает 72.26 балла из 100 возможных. Это очень высокий показатель, означающий, что фотография объективно удачна с точки зрения законов фотографии.
(Техническая справка: скрипт берет дробное число, которое выдает нейросеть, округляет его до четырех знаков после запятой для читаемости и записывает в текстовый файл рядом с именем файла. Чем выше цифра — тем «красивее» фото по мнению ИИ).

📋 РЕЗУЛЬТАТ РАБОТЫ: ТОП-50 ЛУЧШИХ ФОТОГРАФИЙ (Модель: musiq)

Папка: G:\SMALL7
1. [72.2604] - Беловежская-пуща-Август-2026-08-15-000157-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
2. [71.1291] - Беловежская-пуща-Август-2026-08-15-000158-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
3. [70.7871] - Беловежская-пуща-Август-2026-08-15-000014-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
4. [69.8942] - Беловежская-пуща-Август-2026-08-15-000155-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
5. [69.8370] - Беловежская-пуща-Август-2026-08-15-000008-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
6. [69.5601] - Беловежская-пуща-Август-2026-08-15-000154-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
7. [69.5334] - Беловежская-пуща-Август-2026-08-15-000149-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
8. [69.4688] - Беловежская-пуща-Август-2026-08-15-000005-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
9. [69.3768] - Беловежская-пуща-Август-2026-08-15-000083-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
10. [69.2311] - Беловежская-пуща-Август-2026-08-15-000116-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
...
50. [65.2373] - Беловежская-пуща-Август-2026-08-15-000095-FUJIFILM-X-T5-XF16-55mmF2.8 R LM WR II.jpg
Ни одна фотография из 168 не попала в диапазон 80 – 100 баллов, все 50 отобранных в диапазоне 60 – 80 баллов, что тоже не плохо. )
Все 168 фотографий можно посмотреть в альбоме БЕЛОВЕЖСКАЯ ПУЩА. Можете проверить своё восприятие прекрасного, с восприятием обученной нейросети. ))  
Первые 10 лучших фотографий из 50-ти, отобранных из 168 фотографий.

⚡ Переход с CPU на GPU для обработки фото

Шаг 1. Установите Python 3.11.
Скачайте: https://www.python.org/ftp/python/3.11.9/python-3.11.9-amd64.exe.
При установке обязательно поставьте галочку Add Python 3.11 to PATH.
Шаг 2. Удалите старую версию PyTorch (если установлена).
pip uninstall torch torchvision torchaudio -y
Шаг 3. Установите PyTorch с поддержкой видеокарты (скачается ~2.5 ГБ, займёт время).
py -3.11 -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
Шаг 4. Установите остальные библиотеки.
py -3.11 -m pip install pyiqa tqdm pillow
Шаг 5. Проверьте, что видеокарта определилась.
py -3.11 -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"
Должно вывести (у вас будет указана ваша видеокарта):
True
NVIDIA GeForce RTX 3050 6GB Laptop GPU
Если False — обновите драйвер NVIDIA с сайта nvidia.com/drivers и повторите шаг 3.
Шаг 6. Запускайте скрипт через Python 3.11 в powershell.
py -3.11 sort_photos.py
В выводе должно быть:
Используется устройство: cuda

💻 ОБРАЗЕЦ ВЫПОЛНЕНИЯ СКРИПТА НА GPU В CMD или PowerShell

PS C:\Users\Admin> py -3.11 sort_photos.py
--- Запуск анализа эстетики фото ---
Используется устройство: cuda
Loading pretrained model MUSIQ from C:\Users\Admin\.cache\torch\hub\pyiqa\musiq_koniq_ckpt-e95806b9.pth
Анализ папки: G:\SMALL1
Найдено файлов: 156. Начинаем обработку...
Обработка: 37%|██████████████████| 57/156 [00:13<00:23, 4.17it/s]
Важно.
  • Скрипт содержит автоматическое уменьшение изображений до 1024px (иначе видеопамять может переполнится).
  • Точность оценки при ресайзе не снижается.
  • Для разных папок меняйте только путь к ним в строке INPUT_FOLDER в скрипте.

⚙️ Требования к железу для модели MUSIQ (pyiqa)

Какие системные требования для запуска нейросети оценки фото на ПК? Нужна ли мощная видеокарта для PyTorch и библиотеки pyiqa? Ниже приведены точные характеристики компьютера для сортировки изображений.
Важное уточнение про скорость: Модель MUSIQ — это тяжелая нейросеть (архитектура Transformer), которая анализирует композицию и свет на глубоком уровне. Она создана для работы на видеокартах. Обработка на процессоре (CPU) возможна, но будет идти значительно медленнее, особенно если вы загружаете полноразмерные файлы с современных камер (20-40 Мп).
  • 🎮 Видеокарта (GPU) — Рекомендуется для высокой скорости: NVIDIA с поддержкой CUDA (Compute Capability ≥ 5.0). Видеопамять (VRAM): ≥ 2 ГБ. (С видеокартой NVIDIA обработка одного фото занимает доли секунды. Видеокарты AMD Radeon под Windows для этой задачи не подходят, так как PyTorch использует технологию CUDA).
  • 🧠 Процессор (CPU) — Если нет видеокарты NVIDIA: Подойдет любое современное x86-64 устройство (например, AMD Ryzen 5 / Intel Core i5). Будьте готовы, что без видеокарты обработка полноразмерного фото (20+ Мп) может занимать от 10 до 30 секунд на кадр. Для ускорения работы на CPU рекомендуется обрабатывать фото партиями или предварительно создавать папки с уменьшенными копиями (до 2-4 Мп).
  • 💾 Оперативная память (RAM): ≥ 8 ГБ (для загрузки весов нейросети и обработки больших изображений в памяти).
  • 💿 Диск: ≥ 500 МБ свободного места (для весов модели и кэша).
____________________________
Может быть интересно:
[ TimeLineClock — единственные часы, которые визуально показывают, что время движется вперёд, а не по кругу: Сделать заказ на изготовление часов ]
[ Кинематографичный рецепт для Fujifilm X-T5: Посмотреть фотографии и рецепт ]
Поделиться
Другие посты
  • Металлические постеры, картины на алюминии, сублимационная печать на металле — это всё HD Metal Prints @AdminLF - 03/02/2025

    ПЕЧАТЬ НА МЕТАЛЛЕ CHROMALUXE В последнее время набирает поп...

  • Ваше лицо — это ваш бренд. Люди покупают у людей, а не у логотипов @AdminLF - 04/03/2026

    📸 Профессиональная фотосъёмка Деловой портрет: почем...