Git LFS ni nini na kwa nini unahitaji?

Question

Accepted Answer

**Git LFS** (Large File Storage) ni kieneza cha Git kwa ajili ya kuandaa **faili kubwa za binary** (video, datasets, mali ya muundo, faili kubwa za binary) kwa ufanisi katika Git. Git imeundwa kwa ajili ya maandishi/koodi ya chanzo na inahesabilia faili kubwa za binary vibaya, kwa hivyo LFS inazihifadhi kando ilhali inabaki viboko vya marejeleo katika hazina.

## Tatizo: Git na faili kubwa za binary

```text
Git stores every version of every file in its history (the full content):
  → LARGE BINARY files (videos, datasets, PSDs, big binaries) bloat the repo ENORMOUSLY:
    - every change stores another full copy (binaries don't diff well)
    - the repo and EVERY clone become huge and slow (clone/fetch download all history)
    - history can't be shrunk easily (the large blobs are permanent)
→ Git is great for source code (text, diffable), POOR for large binaries.
```

## Jinsi Git LFS inavyofanya kazi

```text
Git LFS replaces large files in the repo with small POINTER files (a reference/hash),
and stores the ACTUAL large files on a separate LFS server:
  → the Git repo stays small (just pointers in history)
  → the actual large files are downloaded on demand (only the versions you need)
→ You work normally; LFS transparently swaps pointers ↔ real files.
```

```bash
git lfs install                    # set up LFS
git lfs track "*.psd"             # track a file type with LFS (records in .gitattributes)
git lfs track "*.mp4"
git add .gitattributes
# now large files of these types go to LFS automatically (pointers in Git)
git lfs ls-files                   # list LFS-tracked files
```

## Wakati wa kuitumia

```text
✓ Repos with large binaries: media (video/audio/images), datasets, game assets,
  design files (PSD/Sketch), large compiled artifacts, ML models
✗ Pure source code repos don't need it (Git handles text well)
Alternatives: don't store large artifacts in Git at all (use artifact stores, S3,
  package registries) — sometimes the better choice.
```

## Kwa nini inakadiri

Kuelewa Git LFS ni maarifa ya kiwango cha juu kwa ajili ya **kuandaa faili kubwa za binary katika Git**, tatizo halisi kwa miradi fulani, kwa hivyo ni maarifa ya vitendo ya muhimu.

Matatizo ya msingi ni kwamba **Git inahesabilia faili kubwa za binary vibaya**: kwa sababu Git inahifadhi kila toleo la kila faili katika historia yake na faili za binary hazidi vyema (kila mabadiliko yanabaki nakala kamili nyingine), faili kubwa za binary (video, datasets, mali ya muundo, vifaa vikubwa) **inachanganya hazina kwa kiasi kikubwa** — inafanya hazina na kila klon kuwa kubwa na polepole, na kuchanganywa kuwa endelevu na vigumu kuondoa.

Hii ni tatizo halisi, wakati mwingine tatizo kubwa kwa miradi inayohusiana na media, datasets, mali ya mchezo, faili za muundo, au miundo ya ML. **Git LFS** inakamatia kwa kuhifadhi faili kubwa **kando** (kwenye seva ya LFS) ilhali inabaki tu **faili ndogo za vidokezo** katika historia ya Git — kwa hivyo hazina inabaki ndogo na nyepesi, na faili kubwa halisi zinachukuliwa kwa mahitaji (toleo tu linalohitajika).

Kuelewa jinsi inavyofanya kazi (vidokezo katika Git, faili halisi katika LFS, kubadilisha sawasawa) na jinsi ya kuitumia (kuorodhesha aina za faili kupitia `.gitattributes`) ni maarifa ya vitendo kwa miradi inayohitaji.

Kwa kiwango sawa ni muhimu hekima kuhusu **wakati wa kuitumia** (hazina na faili kubwa za binary) dhidi ya wakati isiyo na haja (koodi safi ya chanzo, ambapo Git inahesabilia maandishi vyema) na ufahamu wa **mbadala** (wakati mwingine si kuhifadhi vifaa vikubwa katika Git hata kamawe — kutumia hazina za vifaa, S3, au vituo vya vifunguo — ndio chaguo bora).

Hii inaonyesha maamuzi mazuri kuhusu kusimamia faili kubwa.

Kwa kuwa miradi mingine halisi inakabiliwa na faili kubwa za binary kuchanganya Git (tatizo halisi, lenye athari), na kwa kuwa Git LFS (au mbadala) ni suluhisho — kuhifadhi hazina inayodhibitiwa ilhali inahesabilia faili kubwa — kuelewa Git LFS, tatizo linalosuluhisha, jinsi inavyofanya kazi, na wakati wa kuitumia dhidi ya mbadala ni maarifa ya kiwango cha juu kwa ajili ya kuandaa hazina na faili kubwa kwa ufanisi, mada muhimu kwa miradi inayohusiana na media, data, au mali kubwa.