Ez a tartalom gépi fordításal készült. Kérjük, olvassa el a Gépi fordításról szóló jognyilatkozatot.

How to deploy Ollama on the QNAP NAS using Container Station

Hogyan telepítsük az Ollama-t a QNAP NAS-ra a Container Station használatával

Release date: 2026-05-08

Applicable Products

QTS, QuTS hero

Container Station

Scenario

You want to run large language models (LLMs) locally on your QNAP NAS for private AI chat, code assistance, or document analysis without sending data to the cloud. Ollama is the most popular and beginner-friendly inference engine for this purpose. This tutorial explains how to deploy Ollama on the QNAP NAS using Container Station.

System Requirements

Requirement	Detail
QNAP App	Container Station 3.x or later
NAS Architecture	x86_64 (Intel or AMD CPU) (Only a few ARM-based models are supported.)
Memory	At least 8 GB (for 3B models) At least 16 GB (for 7B models)
Storage Space	At least 20 GB of extra free storage space in addition to the model file size. Use an SSD volume if possible.
GPU (Optional)	Compatible NVIDIA GPUs (see the compatibility list) GPU should be set to Container Station Mode in the Control Panel.

Warning

OOM (Out of Memory) Risk
Ollama will attempt to load the entire model into memory by default. If your NAS has only 8–16 GB of RAM, loading a 14B or larger model may exhaust system memory, causing NAS services to become unresponsive or the system to restart.

Data Loss Risk
If you do not mount a persistent volume for /root/.ollama, all downloaded models and configuration will be lost when the container is removed or recreated. Always follow the volume mounting instructions in this tutorial.

Best Practice

Check the model size against your available RAM in advance.
Set memory limits to cap container memory usage.
Start with small models (1B or 3B) and assess system stability before attempting larger models.

Procedure

Method 1: CPU-Only Deployment (No GPU Required)

Create storage folders.
Open File Station and create the following folder to store Ollama model data:
/share/Container/ollama
Screenshot: File Station — creating the Ollama folder under /share/Container/
Best Practice
If your NAS has an NVMe SSD cache or SSD volume, create this folder on the SSD. Model loading speed improves by up to 10 times compared to HDDs.

Create a Docker Compose file.

In Container Station, go to Applications > Create. Name the application ollama and paste the following YAML:

version: "3.8"

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    restart: unless-stopped
    ports:
      - "11434:11434"
    volumes:
      - /share/Container/ollama:/root/.ollama
    environment:
      - OLLAMA_HOST=0.0.0.0
      - OLLAMA_KEEP_ALIVE=10m
    networks:
      - ai-network

networks:
  ai-network:
    name: ai-network
    driver: bridge

Screenshot: Container Station — Application creation screen with YAML editor
Screenshot: Container Station — Set the memory limit

Deploy the container.
Click Create. Container Station will pull the Ollama image and start the container. Wait until the status shows Running.
Screenshot: Container Station — ollama container showing "Running" status
Pull your first model.
Open the container's Terminal (or SSH into your NAS and exec you Docker) and run:
```
# For a lightweight 3B model (recommended for first test):
ollama pull llama3.2:3b

# For a standard 9B model (requires 16 GB+ RAM):
ollama pull qwen3.5:9b
```
The download may take several minutes depending on your internet speed. A 9B Q4_K_M model is approximately 4–7 GB.
Note
- Verify you have sufficient disk space before pulling. Use ollama list to check existing models and their sizes.
- For ARM-based NAS models, we recommend starting with the <1B model to monitor memory usage.
Test the model.
In the container terminal, run:
```
ollama run qwen3.5:9b
```
Type a prompt and confirm that you receive a response. Type /bye to exit.

Method 2: NVIDIA GPU-Accelerated Deployment

Note

Additional prerequisites for GPU Mode:

NVIDIA GPU installed and detected by QTS/QuTS hero
GPU set to Container Station Mode in the Control Panel
NVIDIA GPU Driver and NvKernelDriver installed from App Center

Use the GPU-enabled Docker Compose configuration.

Replace the YAML from Method 1 with the following:

version: "3.8"

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    restart: unless-stopped
    ports:
      - "11434:11434"
    volumes:
      - /share/Container/ollama:/root/.ollama
    environment:
      - OLLAMA_HOST=0.0.0.0
      - OLLAMA_KEEP_ALIVE=10m
      - NVIDIA_VISIBLE_DEVICES=all
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    networks:
      - ai-network

networks:
  ai-network:
    name: ai-network
    driver: bridge

Screenshot: Container Station — GPU-enabled Docker Compose YAML

Note

QNAP's bundled NVIDIA drivers may be older than the latest release. If the container fails to start with GPU enabled, check the driver version with nvidia-smi on the host and ensure it is compatible with the Ollama image version

Deploy and verify GPU access.
After the container starts, open its terminal and run:
```
nvidia-smi
```
You should see your GPU model, driver version, and memory information.
Pull a model and confirm GPU acceleration.
```
ollama pull qwen3.5:9b
ollama run qwen3.5:9b
```
While the model is generating a response, open another terminal and run nvidia-smi. You should observe GPU memory usage and GPU utilization increasing.

Result

After completing this tutorial, you will have:

Ollama running on your QNAP NAS at http://<NAS-IP>:11434
Model data persisted in /share/Container/ollama (survives container rebuilds)
A working LLM accessible via the Ollama API

You can test the API from any device on your local network:

curl http://<NAS-IP>:11434/api/generate -d '{
  "model": "qwen3.5:9b",
  "prompt": "Hello, how are you?",
  "stream": false
}'

Important

The OLLAMA_HOST=0.0.0.0 setting exposes the Ollama API on all network interfaces. Do not expose port 11434 to the internet. Use firewall rules or QNAP's network settings to restrict access to your local network only.

Troubleshooting

Container exits immediately after starting

This may be caused by insufficient RAM or GPU driver mismatch. Check container logs in Container Station. Reduce memory limitations or disable GPU mode.

Model pull fails midway

This may result from insufficient disk space or network timeout. Try to free up storage space. Re-run ollama pull; the system resumes from where it stopped.

Response speed is very slow (1–3 tokens per second)

The model may be running on CPU instead of GPU, or the model is too large for your RAM. Verify your GPU access with nvidia-smi inside the container. Try to use a smaller model.

The NAS becomes unresponsive during inference

This can be an "out of memory" issue: the model is consuming all the system memory. We recommend restarting the NAS. Set a memory usage limit in the application. Or use a smaller model.

"Cannot connect to Ollama" message from Open WebUI

This may be caused by a wrong API URL or Docker network isolation. You can use http://ollama:11434 if you are on the same Docker network.

Alkalmazható termékek

QTS, QuTS hero

Container Station

Forgatókönyv

Nagy nyelvi modelleket (LLM-eket) szeretne futtatni helyben a QNAP NAS-on privát AI chat, kódsegítség vagy dokumentumelemzés céljából, anélkül, hogy adatokat küldene a felhőbe. Az Ollama a legnépszerűbb és kezdőbarát következtetési motor erre a célra. Ez az útmutató elmagyarázza, hogyan telepíthető az Ollama a QNAP NAS-ra a Container Station használatával.

Rendszerkövetelmények

Követelmény	Részletek
QNAP alkalmazás	Container Station 3.x vagy újabb
NAS architektúra	x86_64 (Intel vagy AMD CPU) (Csak néhány ARM-alapú modell támogatott.)
Memória	Legalább 8 GB (3B modellekhez) Legalább 16 GB (7B modellekhez)
Tárhely hely	Legalább 20 GB extra szabad Tárhely hely a modell fájlméretén felül. Ha lehetséges, használjon SSD kötetet.
GPU (Opcionális)	Kompatibilis NVIDIA GPU-k (lásd a Kompatibilitási lista) A GPU-t Container Station módba kell állítani a Vezérlőpult-ban.

Figyelmeztetés

OOM (Memóriahiány) kockázat
Az Ollama alapértelmezés szerint megpróbálja az egész modellt betölteni a memóriába. Ha a NAS csak 8–16 GB RAM-mal rendelkezik, egy 14B vagy nagyobb modell betöltése kimerítheti a rendszer memóriáját, ami a NAS szolgáltatások válaszadásának megszűnését vagy a rendszer újraindulását okozhatja.

Adatvesztés kockázata
Ha nem csatol egy tartós kötetet a /root/.ollama számára, minden letöltött modell és konfiguráció elveszik, amikor a konténer eltávolításra vagy újra létrehozásra kerül. Mindig kövesse a kötet csatolási utasításokat ebben az útmutatóban.

Legjobb gyakorlat

Ellenőrizze előre a modell méretét a rendelkezésre álló RAM-mal.
Állítson be memóriahatárokat a konténer memóriahasználatának korlátozására.
Kezdje kisméretű modellekkel (1B vagy 3B), és értékelje a rendszer stabilitását, mielőtt nagyobb modelleket próbálna ki.

Eljárás

Módszer 1: Csak CPU-s telepítés (Nincs szükség GPU-ra)

Hozzon létre Tárhely mappákat.
Nyissa meg File Station és hozza létre a következő mappát az Ollama modelladatok tárolására:
/share/Container/ollama
Képernyőkép: File Station — Ollama mappa létrehozása a /share/Container/ alatt
Legjobb gyakorlat
Ha a NAS rendelkezik NVMe SSD gyorsítótárral vagy SSD kötetekkel, hozza létre ezt a mappát az SSD-n. A modell betöltési sebessége akár 10-szeresére is javulhat a HDD-khez képest.

Hozzon létre egy Docker Compose fájlt.

A Container Station-ban menjen a Alkalmazások > Létrehozás. Nevezze el az alkalmazást ollama, és illessze be a következő YAML-t:

version: "3.8"

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    restart: unless-stopped
    ports:
      - "11434:11434"
    volumes:
      - /share/Container/ollama:/root/.ollama
    environment:
      - OLLAMA_HOST=0.0.0.0
      - OLLAMA_KEEP_ALIVE=10m
    networks:
      - ai-network

networks:
  ai-network:
    name: ai-network
    driver: bridge

Képernyőkép: Container Station — Alkalmazás létrehozási képernyő YAML szerkesztővel
Képernyőkép: Container Station — Állítsa be a memóriahatárt

Telepítse a konténert.
Kattintson a Létrehozás gombra. A Container Station letölti az Ollama képet és elindítja a konténert. Várjon, amíg az állapot Fut lesz.
Képernyőkép: Container Station — ollama konténer "Fut" állapotot mutat
Töltse le az első modellt.
Nyissa meg a konténer Terminálját (vagy SSH-zon be a NAS-ba és futtassa a Docker-t) és futtassa:
```
# Könnyű 3B modellhez (ajánlott első teszthez):
ollama pull llama3.2:3b

# Standard 9B modellhez (16 GB+ RAM szükséges):
ollama pull qwen3.5:9b
```
A letöltés több percet is igénybe vehet az internet sebességétől függően. Egy 9B Q4_K_M modell körülbelül 4–7 GB.
Megjegyzés
- Ellenőrizze, hogy elegendő lemezterület áll rendelkezésre a letöltés előtt. Használja a ollama list-t a meglévő modellek és méreteik ellenőrzéséhez.
- ARM-alapú NAS modellek esetén javasoljuk, hogy kezdje a <1B modellel a memóriahasználat figyeléséhez.
Tesztelje a modellt.
A konténer termináljában futtassa:
```
ollama run qwen3.5:9b
```
Írjon be egy promptot és erősítse meg, hogy kap választ. Írja be a /bye-t a kilépéshez.

Módszer 2: NVIDIA GPU-gyorsított telepítés

Megjegyzés

További előfeltételek a GPU módhoz:

NVIDIA GPU telepítve és a QTS/QuTS hero által észlelve
GPU beállítva Container Station módra a Vezérlőpult-ban
NVIDIA GPU Driver és NvKernelDriver telepítve a App Center-ből

Használja a GPU-kompatibilis Docker Compose konfigurációt.

Cserélje le az 1. módszer YAML-ját a következőre:

version: "3.8"

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    restart: unless-stopped
    ports:
      - "11434:11434"
    volumes:
      - /share/Container/ollama:/root/.ollama
    environment:
      - OLLAMA_HOST=0.0.0.0
      - OLLAMA_KEEP_ALIVE=10m
      - NVIDIA_VISIBLE_DEVICES=all
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    networks:
      - ai-network

networks:
  ai-network:
    name: ai-network
    driver: bridge

Képernyőkép: Container Station — GPU-kompatibilis Docker Compose YAML

Megjegyzés

Lehetséges, hogy a QNAP által csomagolt NVIDIA driverek régebbiek, mint a legújabb kiadás. Ha a konténer nem indul el GPU engedélyezéssel, ellenőrizze a driver verzióját a nvidia-smi segítségével a gazdagépen, és győződjön meg róla, hogy kompatibilis az Ollama image verzióval

Telepítse és ellenőrizze a GPU hozzáférést.
Miután a konténer elindult, nyissa meg annak terminálját és futtassa:
```
nvidia-smi
```
Látnia kell a GPU modelljét, a driver verzióját és a memória információkat.
Töltsön le egy modellt és erősítse meg a GPU gyorsítást.
```
ollama pull qwen3.5:9b
ollama run qwen3.5:9b
```
Amíg a modell választ generál, nyisson meg egy másik terminált és futtassa a nvidia-smi-et. Látnia kell a GPU memóriahasználat és a GPU kihasználtság növekedését.

Eredmény

Ennek az útmutatónak a befejezése után a következőkkel fog rendelkezni:

Ollama fut a QNAP NAS-on a http://<NAS-IP>:11434 alatt
Modelladatok tárolva a /share/Container/ollama-ban (túléli a konténer újraépítését)
Működő LLM, amely elérhető az Ollama API-n keresztül

Az API-t bármely eszközről tesztelheti a helyi hálózatán:

curl http://<NAS-IP>:11434/api/generate -d '{
  "model": "qwen3.5:9b",
  "prompt": "Hello, how are you?",
  "stream": false
}'

Fontos

A OLLAMA_HOST=0.0.0.0 beállítás az Ollama API-t minden hálózati interfészen elérhetővé teszi. Ne tegye elérhetővé a 11434-es portot az interneten. Használjon Tűzfal szabályokat vagy a QNAP hálózati beállításait, hogy korlátozza a hozzáférést csak a helyi hálózatra.

Hibaelhárítás

A konténer azonnal kilép indítás után

Ezt okozhatja elégtelen RAM vagy GPU illesztőprogram eltérés. Ellenőrizze a konténer naplóit a Container Station-ban. Csökkentse a memória korlátokat vagy tiltsa le a GPU módot.

Modell letöltése félúton meghiúsul

Ezt okozhatja elégtelen lemezterület vagy hálózati időtúllépés. Próbáljon meg szabadítani Tárhely területet. Futtassa újra a ollama pull-t; a rendszer onnan folytatja, ahol megállt.

A válasz sebessége nagyon lassú (1–3 token másodpercenként)

A modell lehet, hogy CPU-n fut GPU helyett, vagy a modell túl nagy a RAM-hoz. Ellenőrizze a GPU hozzáférést a nvidia-smi-ben a konténeren belül. Próbáljon kisebb modellt használni.

A NAS válasz nélkül marad az inferencia során

Ez lehet "memóriahiány" probléma: a modell az összes rendszer memóriát fogyasztja. Javasoljuk a NAS újraindítását. Állítson be memóriahasználati korlátot az alkalmazásban. Vagy használjon kisebb modellt.

"Nem lehet csatlakozni az Ollama-hoz" üzenet az Open WebUI-tól

Ezt okozhatja rossz API URL vagy Docker hálózati izoláció. Használhatja a http://ollama:11434-t, ha ugyanazon a Docker hálózaton van.

Was this article helpful?

Yes. No.

100% of people think it helps.

További segítségért kérdezze meg a többi felhasználót és a QNAP szakértőit a közösségben. Irány a QNAP közösség

Please tell us how this article can be improved:

The article is missing important information
The article's solutions do not work
The article is too complicated
The article contains incorrect information
The article is out-of-date

If you want to provide additional feedback, please include it below.