Frigate 是一款开源 NVR 系统，专为 IP 摄像头设计，支持实时本地对象检测。通过集成 Coral TPU 或 TensorRT 等边缘加速器，它能高效处理多路视频流，仅在运动触发时运行 AI 推理，避免 CPU 过载，实现低延迟实时监控。这种架构特别适合家庭或小型企业多摄像头场景，能将检测延迟控制在 100ms 以内，同时存储仅针对事件剪辑。
为什么选择 Coral TPU 或 TensorRT 加速？
传统 CPU 对象检测在多摄像头下易导致帧率下降和延迟堆积。Frigate 的设计强调 “仅必要时检测”：先用低开销运动检测（OpenCV）筛选 ROI，再送入加速器运行 TensorFlow Lite 或 ONNX 模型。Coral TPU 以 4 TOPS 算力、毫秒级推理著称，适合低功耗边缘设备；TensorRT 则利用 NVIDIA GPU 的 INT8/FP16 量化，吞吐量可达数百 FPS，适用于高负载场景。根据官方基准，Coral USB TPU 单卡支持 100+ FPS YOLO 检测，而 TensorRT 在 RTX 系列上可轻松驾驭 10+ 路 1080p 流。
“Frigate uses OpenCV and Tensorflow to perform realtime object detection locally for IP cameras.” 这确保了零云端依赖，隐私安全。
基础安装与硬件准备
使用 Docker Compose 一键部署：
docker compose up -d
硬件清单：
- 主机：Intel NUC 或 mini PC（i5+，8GB RAM），支持 PCIe/USB。
- 加速器：
- Coral TPU：USB 版（$60）或 M.2 PCIe（推荐多卡）。
- NVIDIA：Jetson Nano/Orin 或 RTX 3060+（TensorRT）。
- 存储：SSD（事件剪辑）+ HDD（24/7 录像），至少 1TB / 摄像头 / 月。
- 网络：千兆交换机，摄像头 RTSP H.264/H.265。
挂载设备：
- Coral USB：
devices: - /dev/bus/usb:/dev/bus/usb - PCIe TPU：
devices: - /dev/apex_0:/dev/apex_0 - NVIDIA：
deploy.resources.reservations.devices: [{driver: nvidia, capabilities: [gpu]}]
检测器配置参数
在 config.yml 中定义 detectors，支持多实例负载均衡。
Coral TPU 配置（edgetpu 类型）：
detectors:
coral:
type: edgetpu
device: usb # 或 pci:0
关键参数：
model.path: /config/model_cache/ssd_mobilenet_v2_coco_quant_edgetpu.tflite（默认量化模型，320x320 输入）。- 阈值：
min_area: 5000（忽略小物体），threshold: 0.7（置信度）。 - 多 TPU：定义
coral1: device: usb,coral2: device: pci:0，摄像头指定detectors: [coral1, coral2]轮询。
TensorRT 配置（onnx 或 tensorrt 类型）：
detectors:
tensorrt:
type: tensorrt
device: 0 # GPU ID
model:
path: /config/yolov8n.trt # 预转换 TensorRT 引擎
input_tensor: nchw
width: 640
height: 640
优化点：
- 使用
trtexec转换模型：trtexec --onnx=yolov8n.onnx --fp16 --workspace=4096。 - 批处理：
batch_size: 4（多帧并行）。 - 监控：
nvidia-smi确保 GPU 利用率 <80%。
风险：TPU 仅支持 TF Lite 量化模型，避免 FP32；TensorRT 需 CUDA 12+。
多摄像头实时优化
针对 4-8 路 1080p，配置 per-camera detect：
cameras:
front_door:
ffmpeg:
inputs:
- path: rtsp://user:pass@cam1:554/stream
roles: [detect, record]
detect:
width: 1280
height: 720
fps: 5 # 平衡实时与负载
motion:
threshold: 25 # 像素变化阈值（低=敏感）
contour_area: 30 # 最小轮廓面积
delta_alpha: 0.2
objects:
track: [person, car, dog]
filters:
person:
min_area: 5000
max_area: 100000
threshold: 0.7
zones:
driveway: # 关键区域
coordinates: 0,0,1280,0,1280,720,0,720
清单：
- 运动调优：室内 threshold:20-30；室外 30-40，避免树影误检。
- ROI 掩码：
mask: 0,0 100,100 poly:...屏蔽干扰区。 - FPS 梯度：主摄像头 5-10fps，辅 cam 3fps。
- Birdseye：
enabled: true, mode: motion生成多 cam 拼接视图。
运动事件与高效存储
事件仅在对象持续 >3s、置信 >0.7 时触发：
record:
enabled: true
retain:
days: 7
mode: motion # 或 all
events:
retain:
default: 30
mode: active_objects
snapshots:
enabled: true
timestamp: true
bounding_box: true
参数：
- 保留策略：事件 30 天，普通 7 天；
mode: active_objects只存含人 / 车片段。 - 存储路径：
/media/frigate/recordings，软链到 NAS。 - 通知：MQTT 集成 HA，推送剪辑（pre_capture: 5s, post_capture: 5s）。
回滚：若负载高，降 detect fps 至 3，禁用 24/7 record。
监控与运维清单
- 指标：Prometheus
/api/metrics，警报 CPU>80%、存储 > 90%。 - 日志：
log_level: info，grep "detection_fps"。 - 测试：模拟运动，验证延迟 <200ms。
- 规模扩展：>10 cam，加 TPU 卡或分布式（MQTT 集群）。
通过以上配置，Frigate 可实现 8 路实时 NVR，单机 CPU <30%、存储节省 70%。实际部署中，从单 cam 迭代，逐步调参。
资料来源：