企业官网建设流程全解析

家庭摄像头默认的工作方式是：视频先上传厂商云服务器，你在 App 里回看要订阅，AI 识别（有人/没人之类）是云端功能也要单独收费。Frigate 把这个链路整个搬回本地——用 Docker 在一台旧电脑、树莓派或 NAS 上跑一个 NVR，AI 识别和录像全部发生在你自己家里。它在 GitHub 上有 35.3k Star、3.5k Fork，MIT 协议。

本文不是泛泛介绍，而是给出完整可复现的部署过程，并把两件事讲透：Frigate 靠什么在两路、四路摄像头上跑得动（两段式检测 + 多进程架构），以及加速器怎么选（Coral / Hailo / OpenVINO / RKNN 各自的配置差异）。

一、为什么需要本地 NVR：云监控的隐性成本

先算一笔账。云摄像头的成本分三块：设备钱、订阅费、隐私。设备是一次性的，订阅是月月扣的（云存储 + 云 AI），隐私是你看不到的——视频文件存在别人的服务器上，识别在别人的机器上跑，你只能选择信任。

Frigate 换了个思路：设备 + 一块 AI 加速器一次投入，录像、识别、告警全在本地。官方文档里明确写了设计目标：“use of a GPU or AI accelerator is highly recommended”（强烈建议上加速器），“AI accelerators will outperform even the best CPUs with very little overhead”（专用加速器比最强的 CPU 都快，且功耗低得多）。

二、核心架构：两段式检测，不是每一帧都跑 AI

这是 Frigate 跟普通 NVR 最本质的区别，也是它能在一台几瓦的小机器上跑多路摄像头的原因。

物体检测是很贵的操作。一帧 1080p 画面丢给模型，哪怕有硬件加速也要几十毫秒；1080p 30fps 意味着每秒 30 帧，任何家用机器都顶不住。Frigate 的官方 README 是这样描述自己的设计取舍的：

• “Uses a very low overhead motion detection to determine where to run object detection”（先用极低开销的运动检测决定在哪里跑对象检测）
• “Object detection with TensorFlow runs in separate processes for maximum FPS”（对象检测在独立进程运行以最大化帧率）
• “an emphasis on realtime over processing every frame”（实时优先，而不是逐帧处理）

落到流水线上就是三步：

最省钱的是中间那步：运动检测把绝大多数静止画面挡在了模型外面。模型只在"有必要的时间和地点"（官方原话：only looking for objects when and where it is necessary）才被唤醒。

这个设计在配置里的体现就是detect.fps和detect的分辨率——它们跟录像无关。检测可以跑在 720p、5fps 的低规格上，录像依然是摄像头推送的原画。很多第一次配置的人在这里会困惑："我 detect 设了 720p，为什么回看还是 4K？"因为这是两条独立的链路。

三、完整部署：docker-compose + config，30 分钟内跑起来

先给出可复现的最小配置。运行环境：一台 x86 或 ARM 的 Linux 机器，装好 Docker + Docker Compose（树莓派、NAS、旧笔记本都行；官方明确 Windows 不在支持范围）。

docker-compose.yml：

services:frigate:container_name:frigaterestart:unless-stoppedimage:ghcr.io/blakeblackshear/frigate:stableshm_size:"256mb"volumes:-/etc/localtime:/etc/localtime:ro-/path/to/your/config:/config-/path/to/your/storage:/media/frigate-type:tmpfstarget:/tmp/cachetmpfs:size:1000000000ports:-"8971:8971"# Web UI-"8554:8554"# RTSP 转发-"8555:8555/tcp"# WebRTC-"8555:8555/udp"

docker compose up -d后浏览器打开http://你的IP:8971。但此刻还没有摄像头，Web 界面里检测是空转的。Frigate 官方提供了测试配置：用一个本地 mp4 文件模拟一路视频源，先把检测流程跑通再买设备。

config.yml（测试模式）：

mqtt:host:mqttcameras:test:ffmpeg:inputs:-path:/media/frigate/car-stopping.mp4input_args:-re-stream_loop-1-fflags +genptsroles:-detect-rtmpdetect:height:1080width:1920fps:5

把 mp4 放到/media/frigate/（对应宿主机--storage挂载目录）就能循环播放检测。看懂这个配置就懂了 Frigate 八成用法：cameras下每路摄像头是一个键，ffmpeg.inputs指定视频源，detect指定检测分辨率。

接真实摄像头时只需把path换成 RTSP 地址：

cameras:front_door:ffmpeg:inputs:-path:rtsp://user:pass@192.168.1.64:554/stream1roles:-detectdetect:width:1280height:720fps:5

四、加速器怎么选：检测器类型与配置对比

Frigate 默认用 CPU 跑 TensorFlow Lite 模型，但官方文档明确标注 CPU detector 是"not recommended"（不推荐），并建议：没 GPU 或 EdgeTPU 时，用 OpenVINO 的 CPU 模式往往比原生 CPU 检测器更高效。

注意一个官方提示：多个检测器不能混用做对象检测（例如 OpenVINO 和 Coral EdgeTPU 不能同时用于检测）。多个检测器会各自跑独立进程，但从所有摄像头共享的同一个检测队列取任务。

Coral 的配置最典型，USB 版最常用：

detectors:coral:type:edgetpudevice:usbmodel:path:/edgetpu_model.tflite# 容器内置默认模型

Hailo-8 的配置稍不同，它会根据硬件自动选默认模型：

detectors:hailo:type:hailo8ldevice:PCIemodel:width:320height:320input_tensor:nhwcinput_pixel_format:rgbmodel_type:yolo-genericlabelmap_path:/labelmap/coco-80.txt

成本参考（官方文档标注）：Google Coral USB 官方定价 $59.99，Hailo-8 AI Kit 约 $70，Nvidia GPU 看你预算，RK3588 等板卡的 NPU 随板自带。所以最省钱的玩法是：一台吃灰旧电脑/树莓派 + 一块几十到几百块的加速器 + 几路几十块的 RTSP 摄像头，几百块搭一套全本地 AI 监控。不上加速器行不行？行，但别指望同时带八路 4K——那是算力物理极限，不是 Frigate 的 bug。

五、为什么 shm 内存必须显式给够

Frigate 用共享内存（shm）存放解码后的原始帧。Docker 默认只有 64MB，两路 720p 检测基本就顶满了，视频一多会报Bus error——这是最常见的翻车点之一。

官方文档给过内存估算公式：一路 1280x720 检测，1280 × 720 × 1.5 × 20 + 270480字节，加上日志开销约 66MB。所以上面 compose 里shm_size: "256mb"不是拍脑袋：如果你加到八路 720p，需要约 253MB。

六、和 ZoneMinder、云监控比，差在哪

ZoneMinder 是做了二十多年的老牌开源 NVR（5.9k Star），功能全，支持模拟、IP、USB 摄像头。但它的定位是"录像 + 移动侦测"，不带内置 AI 物体识别这层——它告诉你"画面有变化"，不告诉你"变化的是人还是狗"。Frigate 的杀手锏恰恰在 AI 层：区分人、车、狗、猫、包裹，支持车牌识别、人脸识别、语义搜索，检测到"人"才告警，风吹草动不会触发。

云监控的差别更本质：数据所有权。云方案里视频存在别人的服务器、识别跑在别人的机器、订阅费月月扣；Frigate 把这三样全拿回本地。这是选它的核心理由，不是性能。

七、踩坑清单

按真实反馈频次排：

1. shm 不够 → Bus error。默认 64MB 只够一两次低规格检测，视频多了必挂，显式给shm_size。
2. detect 分辨率和录像混淆。detect 是检测用低分辨率低帧率，录像永远是原画。配错的人以为"Frigate 降画质"，其实是没分清两条链路。
3. 加速器透传。虚拟机里跑，GPU 和 Coral 透传可能出问题（官方文档明确提示）；Windows 不在支持范围。
4. 多检测器不能混用。想同时上 Coral + OpenVINO 做检测，官方不支持；加速只能分别用于检测之外的语义搜索等任务。
5. 默认 CPU 检测器慢。如果暂时没加速器，优先试 OpenVINO 的 CPU 模式，别用默认cpu类型硬扛。
6. RTSP 认证字符串。摄像头 URL 里带user:pass@，注意有些摄像头对特殊字符要求 URL 编码，否则连不上流。

八、局限说清楚

第一，它有技术门槛。Docker、YAML、RTSP、shm，每一项都要求你有点 Linux 基础，不是插上就用的商品。第二，本地部署 = 自己维护：硬盘坏了录像没了，机器挂了告警停了，云监控外包的风险要自己扛。第三，默认模型识别的物体类别有限，想要更高准确率和更多类别，得用官方在开源之外的 Frigate+ 付费定制模型。第四，品牌注意：代码是 MIT 开源，但 “Frigate” 名称和 logo 是 Frigate, Inc. 的注册商标。

九、结论

如果你愿意花一个下午搭一套、之后视频永远不出家门，Frigate 是目前本地 AI 监控赛道里最成熟的开源选择，35k Star 的量级就是这个判断的背书。它的边界很清晰：本地、开源、可折腾，代价是自己扛运维。部署路径也固定：Docker Compose 起服务 → 测试配置先跑通 → 换真实 RTSP → 按摄像头数量配检测器与 shm。照这个顺序走，比直接堆配置少踩一半坑。