Frigate:给家里摄像头装上本地对象检测,30 分钟弄清谁进过院子-编程实验室

Frigate:给家里摄像头装上本地对象检测,30 分钟弄清谁进过院子

【免费下载链接】frigateNVR with realtime local object detection for IP cameras项目地址: https://gitcode.com/GitHub_Trending/fr/frigate

人出门了,家里发生了什么没人知道。传统摄像头会把一切都录下来,但你几乎从不回放,快递放在门口、陌生人绕院子一圈,你根本无从知晓。Frigate NVR 是一款开源的本地网络录像机,它在你自己的机器上用本地对象检测分析 IP 摄像头画面:只有出现"人""车""狗"这类目标时,才记录成事件并推送给你,视频流全程不出局域网。

Frigate 是什么,画面为什么不上云

它是一个 Docker 容器,核心逻辑可以归纳成三点:

检测全在本地——支持从纯 CPU、Coral TPU 到 Intel/NVIDIA GPU、Hailo-8L 等 AI 加速器的多种检测后端,换后端不用改架构
不做全画面盲扫——先用极低成本的运动检测找出画面里哪里在动,只在这些区域跑对象检测,低功耗机器也能带得动几路摄像头
按事件保留录像——只存出现目标的片段,也可以开 24/7 连续录像,按保留策略自动清理

先说清两个限制:它不自带摄像头,你需要自备能输出 RTSP 流的网络摄像头;纯 CPU 跑 720p 没问题,想跑多路 1080p 就该上加速器。

动手前的硬件自检清单

主机:装了 Docker 的 Debian 系 Linux(官方推荐裸机安装,虚拟机里透传加速器较折腾)。最低树莓派 4B 4GB 起步;推荐 x86 小主机,内存 8GB 以上,带 Intel 核显、NVIDIA GPU 或 Hailo 这类加速器
摄像头:优先 PoE 有线;官方文档明确不推荐大量 Wi-Fi 摄像头,流不稳会掉线丢帧
存储:本地磁盘或 NAS,几路摄像头的事件录像准备 64GB 起
检测器:有 CPU 就能跑;手头有 Coral、Hailo-8L、Quick Sync 核显就直接挂进去,官方硬件推荐页有各硬件能带多少路的对照表

最短路径:两个文件跑起来

准备一个目录,放好 compose 文件和配置,大致长这样:

services: frigate: image: ghcr.io/blakeblackshear/frigate:stable container_name: frigate restart: unless-stopped ports: - "8971:8971" # Web 界面 - "8554:8554" # RTSP 转发 environment: FRIGATE_RTSP_PASSWORD: "your_password" volumes: - ./config:/config - ./media:/media/frigate

config/config.yml里写一路摄像头;内置模型默认支持 COCO 80 类对象,人、车、狗、猫、鸟、自行车都能识别:

detectors: cpu1: type: cpu cameras: front_door: ffmpeg: inputs: - path: rtsp://admin:123456@192.168.1.100:554/Streaming/Channels/101 objects: track: - person - car

docker compose up -d之后,浏览器打开 8971 端口,首次进入设置密码即可。成功标志:摄像头实时画面出现,人走进画面时,框会在 1 秒左右贴上目标——这就是本地对象检测在本地跑起来的直观感觉。

跑起来之后,先盯这三个界面

事件页是核心。左侧时间轴,每个检测都缩略成对应目标出现的帧,标着类别和置信度,不用回放原始录像就能回答"谁、几点、从哪路摄像头进来"。这是日常最常用的本地摄像头事件页面。

区域编辑器决定检测准不准。在实时画面上多边形画一个"院子"区域,只统计区域里的目标;再画排除掩码,把路边随风晃的树枝挡掉,误报会立竿见影地少。

Review 页把过去 24 小时的活动按片段聚合,普通检测与值得注意的片段分开列,键盘上下键快速扫一遍即可,比翻录像省时间。

进阶玩法:自动追踪、自定义模型和鸟瞰图

自动追踪:PTZ 摄像头检测到移动目标后自动转向,把目标保持在画面中央,人走了再复位,适合看院子宠物。实现逻辑在 frigate/ptz/autotrack.py
自定义分类:想识别"快递三轮车"或"我家这只狗",可以训练专用模型加载进来,开源用户也能用自己的 ONNX 模型,详见 object_detectors.md
鸟瞰图:多路摄像头按同一比例投到一张平面图上,人和车在各处的相对位置一目了然;配合语义搜索,可以直接查"红色汽车出现在前院"这类条件

人脸识别、车牌识别、音频检测等其余能力在 docs/docs/configuration/ 下每个功能一篇,按需查即可。

常见坑位排查:Bus error、误报、检测掉帧

现象:容器启动后报 "Bus error"。原因是 Docker 默认 64MB 共享内存不够;经验值是 2 路 720p 给 128MB,摄像头更多或分辨率更高就翻倍。解决:compose 里加shm_size。
现象:误报多。多数是树枝、灯光变化触发的,其次是阈值太松。解决:画排除掩码,给目标设最低置信度,不关心的类别(比如飞鸟)直接不 track。
现象:检测掉帧、框贴目标有延迟。原因是 CPU 扛不住多路 1080p。解决:检测分辨率降到 720p(检测不需要全分辨率),或挂 GPU/加速器。

往外接:MQTT、Home Assistant 和 RTSP 转发

Frigate 天生面向联动设计:所有检测事件都通过 MQTT(一种轻量消息订阅协议)发布,任何能订阅 MQTT 的设备都能拿到通知;Home Assistant 有官方集成,接上就能写"人进入前院 → 开灯 + 推送"这类自动化;8554 端口向外转发 RTSP 流,其他系统拉流不用直连摄像头;REST API 和 WebSocket 也齐全,自研看板或脚本够用。接口说明见 api.md。

下一步动作:照着安装文档先跑通一路摄像头,当你在事件页看到自己家院子实时刷出新事件,这个项目就算真正上手了。

【免费下载链接】frigateNVR with realtime local object detection for IP cameras项目地址: https://gitcode.com/GitHub_Trending/fr/frigate

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考