Frigate：把家里的摄像头，变成真正懂画面的本地 NVR github开源项目斩获35.6k stars

文章目录（快捷跳转）

简介说明
录像方式更贴近真实使用
Home Assistant 是它的重要搭档
硬件加速很关键
部署前需要准备什么
它适合哪些人
Frigate Home Assistant 集成
图片预览
下载地址
扫码在手机上阅读本页

简介说明
监控系统不应该只会录像
传统家用监控通常有两种体验。
一种是摄像头自带存储，想找录像时只能在手机 App 里慢慢翻；另一种是把视频全部录到硬盘，录像是保存下来了，但“什么时候有人经过”“哪一天有车停在门口”依旧要靠人工回看。
Frigate 解决的是后一个问题。
它是一套面向 IP 摄像头的本地 NVR 系统，除了 24 小时录像，还会利用目标检测模型识别人、车、动物等对象，再围绕这些对象生成事件记录。你不必从几个小时的视频里手动寻找目标，只需要查看检测到的事件。
项目最大的特点是：视频分析尽可能在本地完成。
这意味着摄像头画面不必全部上传到第三方云服务。对于家庭监控来说，这不只是省下一笔订阅费用，也意味着录像和识别结果可以留在自己的设备上。
Frigate 的工作方式
Frigate 的基本链路可以理解为：

IP 摄像头
    ↓
RTSP 视频流
    ↓
Frigate 接收与转发
    ↓
运动检测
    ↓
目标检测
    ↓
录像、事件和自动化
    ↓
Home Assistant / MQTT / WebUI

它不会对每一帧视频都使用高成本的目标检测模型，而是先通过低开销的运动检测判断画面中是否出现了变化，只有在必要的位置和时间启动对象检测。
这样做的好处是降低计算量，也更适合同时接入多路摄像头。
Frigate 的设计重点不是“把每一帧都分析到极致”，而是在实时性、资源占用和检测效果之间取得平衡。对于家庭用户而言，监控系统不一定需要每帧都进行复杂推理，但必须能够及时发现事件，并且在需要查看时保留足够完整的录像。

它能识别什么

Frigate 使用目标检测模型识别视频中的对象，常见目标包括：

人。
车辆。
自行车。
摩托车。
狗、猫等动物。
包裹或其他模型支持的目标。

实际可识别的类别取决于你使用的模型和配置。Frigate 不是一个可以随意识别任何事物的通用视觉模型，不能把“检测到人”简单等同于“理解了场景”。

例如，模型可能识别出画面里有一辆车，但它未必知道这辆车是不是家人的，也不一定能准确判断车辆停留的原因。真正可靠的监控系统，通常需要把目标检测、区域、时间段和自动化规则组合起来使用。
区域和规则，让报警不再到处乱响
只识别目标还不够。
如果摄像头对着院子，路人、树影、邻居车辆都可能进入画面。没有区域限制，系统很容易产生大量无意义事件。
Frigate 支持为摄像头设置区域和掩码：

区域：只关注画面中的某一部分，例如大门、车位、走廊。
掩码：忽略容易产生误报的区域，例如树枝、风扇、道路或摄像头时间水印。
目标筛选：只对指定类型的对象进行记录或通知。
停留和运动条件：根据目标出现时间、位置变化等条件减少误报。

举个例子，车库摄像头可以只监控车位区域；门口摄像头可以只对“人”和“包裹”产生事件；后院摄像头则可以忽略围墙外的道路。

这类规则看起来不像模型参数那么“高级”，但实际使用中往往比单纯换一个更大的模型更有效。很多误报并不是模型完全认错，而是系统关注了本来就不应该关注的区域。

录像方式更贴近真实使用

Frigate 支持 24 小时录像，也可以根据检测到的对象和事件保存录像。

这种方式比单纯的移动侦测更实用。树叶晃动、光线变化和昆虫飞过，可能触发普通摄像头录像；而 Frigate 可以围绕人、车或其他目标保留更有价值的片段。

它的 Web 界面提供了实时监控、录像回看和事件查看功能，项目还提供了多摄像头同步浏览和拖动查看的能力。对于安装了多路摄像头的家庭，能够在同一时间轴上查看不同画面，查找事件会方便很多。

Frigate 还支持通过 RTSP 重新串流，减少同一摄像头被多个服务重复连接的次数。比如 Home Assistant、Frigate 和其他播放器都需要查看同一路摄像头时，可以由 Frigate 统一提供流。

在实时预览方面，项目支持 WebRTC 和 MSE，能够提供相对低延迟的浏览体验。

Home Assistant 是它的重要搭档

Frigate 可以独立运行，但和 Home Assistant 组合使用时，才更容易融入完整的家庭自动化系统。

通过官方集成，Frigate 中的摄像头、事件、检测对象和状态可以进入 Home Assistant。之后就能围绕这些信息建立自动化：

检测到有人进入院子时打开灯。
车位出现车辆时推送通知。
门口检测到包裹时提醒。
夜间检测到人物时触发警报。
摄像头长时间离线时发送维护通知。
家中无人时，检测到目标便启动录像或广播。

MQTT 则适合将 Frigate 的事件发布给其他自动化平台或自定义程序。如果你已经在使用 Home Assistant，Frigate 可以成为视觉输入层，让家庭自动化不再只依赖门磁、人体传感器和按钮。

需要注意的是，Frigate 并不等于 Home Assistant 插件。它可以独立部署，Home Assistant 只是其中一个重要的集成方向。

硬件加速很关键

Frigate 能运行在普通 CPU 上，但如果摄像头数量增加，或者希望获得更稳定的实时检测效果，硬件加速几乎是必须考虑的问题。

项目官方明确建议使用 GPU 或 AI 加速器。合适的加速设备可以明显降低 CPU 占用，并提升多路摄像头同时分析时的稳定性。

常见选择包括：

Google Coral 等边缘 AI 加速器。
NVIDIA GPU。
Intel 核显或其他支持硬件推理的设备。
根据模型和后端支持情况选择的专用加速设备。

不同硬件支持的模型、驱动和容器配置并不相同。不要只看设备的理论算力，还要考虑驱动是否稳定、Docker 是否能正确访问设备，以及模型后端是否支持你的硬件。

比较稳妥的部署思路是：

先接入一台摄像头。
确认 RTSP 视频流正常。
确认 Frigate 可以录像和显示实时画面。
再启用目标检测。
最后增加硬件加速和更多摄像头。

这样可以避免一开始同时排查摄像头、模型、显卡和网络问题。

部署前需要准备什么

Frigate 最常见的部署方式是 Docker 或 Docker Compose。

开始之前通常需要准备：

一台长期运行的主机。
摄像头提供的 RTSP 地址。
用于保存录像的硬盘或存储空间。
Docker 和 Docker Compose。
可选的 GPU 或 AI 加速器。
如果需要联动自动化，还要准备 MQTT 和 Home Assistant。

基本流程如下：

1. 确认摄像头视频流
先用 VLC、ffplay 或其他工具确认摄像头的 RTSP 地址可以正常播放。
如果 RTSP 本身不稳定，Frigate 也无法解决摄像头、交换机或 Wi-Fi 的底层问题。多路摄像头最好使用有线网络，至少保证主机与摄像头之间连接稳定。
2. 启动 Frigate
从官方文档获取适合自己环境的 Docker Compose 配置，设置数据目录、共享内存大小、端口和设备映射。
录像目录不要放在容器临时层中，否则容器重建后可能丢失。应当将主机上的持久化目录映射到 Frigate 容器。
3. 编辑配置文件
在配置文件中添加 MQTT、检测器、录像策略和摄像头信息。
摄像头配置通常需要区分不同用途的视频流：
- 低分辨率子码流：用于目标检测，降低计算量。
- 高分辨率主码流：用于录像，保留更清晰的细节。
如果摄像头同时提供主码流和子码流，优先让检测使用子码流，录像使用主码流。这样通常比直接拿 4K 视频进行实时识别更节省资源。
4. 打开 WebUI 检查状态
启动后进入 Frigate WebUI，检查：
- 摄像头是否在线。
- 视频画面是否正常。
- 录像是否写入指定目录。
- 目标检测是否运行。
- 硬件加速设备是否被识别。
- 日志中是否出现错误。
5. 接入 Home Assistant
安装 Frigate 官方集成，填写连接地址，然后在 Home Assistant 中检查实体和事件是否出现。
完成后，再根据自己的生活习惯配置灯光、通知和报警自动化。
一个合理的家庭监控方案
以一套普通家庭环境为例，可以这样规划：

门口摄像头
- 检测：人、包裹
- 区域：门前台阶、快递柜
- 动作：检测到包裹时通知

车库摄像头
- 检测：人、车
- 区域：车位
- 动作：夜间检测到人物时打开灯

后院摄像头
- 检测：人、动物
- 掩码：围墙外道路、树木区域
- 动作：有人进入指定区域时通知

室内摄像头
- 检测：人
- 动作：家中无人时才启用通知

关键不在于把所有摄像头都配置成“发现任何变化就报警”，而是给每个摄像头设置明确的职责。
这样既能减少误报，也能让后续事件记录更容易查看。
Frigate 的优点
本地处理，隐私更可控
录像和目标检测可以放在自己的设备上完成，不依赖第三方云端识别服务。对于不愿意把家庭视频上传到云端的用户，这是非常实际的优势。
与 Home Assistant 集成紧密
它可以把摄像头识别结果转化为家庭自动化条件，不再只是一个单独的视频播放器。
资源使用思路合理
通过运动检测决定什么时候进行目标检测，并使用多进程和独立检测进程处理任务，在多路摄像头环境下更容易维持实时性。
事件检索比传统录像方便
用户不需要从头到尾看完整录像，可以围绕检测对象和事件进行回看。
支持多种视频流和实时查看方式
RTSP、重新串流、WebRTC 和 MSE 等能力，使它可以连接不同摄像头与家庭自动化组件。
开源且可自定义
配置、部署方式和集成接口都比较开放，适合希望自己掌控数据和系统行为的用户。项目代码采用 MIT License，但 “Frigate” 名称、品牌和 Logo 属于独立的商标范围，二次分发时不能忽略这一点。
Frigate 的缺点和使用门槛
对硬件和部署环境有要求
Frigate 不是安装在普通电脑上就一定能轻松运行的桌面软件。Docker、摄像头协议、模型、存储和硬件加速之间需要正确配合。
摄像头数量越多、分辨率越高、检测目标越复杂，对 CPU、内存、显卡和磁盘的压力就越大。
配置文件需要一定学习成本
虽然 WebUI 已经比纯命令行工具友好，但摄像头、录像、检测、区域、MQTT 和硬件加速仍然需要阅读文档。初次配置时，不能完全依赖复制别人的 YAML。
AI 检测并不绝对准确
逆光、夜间、雨雪、遮挡、低码率和摄像头角度都会影响检测结果。一个模型可能漏检，也可能将广告牌、海报、雕像或阴影误认为目标。
因此，Frigate 更适合做“事件筛选和自动化触发”，不应该被当作百分之百可靠的安防判定系统。
录像非常占空间
如果启用多路 24 小时高清录像，硬盘消耗会很快增加。需要提前规划保存时长、码率、硬盘健康和备份方式。
事件录像保留时间可以比全天录像更长，重要片段也应考虑单独备份。
摄像头本身决定了上限
Frigate 不能修复摄像头带来的严重问题。夜间画面太暗、镜头角度不合理、RTSP 频繁断流，都会直接影响系统效果。
一套便宜但安装位置合理、码流稳定的摄像头，往往比一套参数很高但网络不稳定的摄像头更适合长期使用。
远程访问需要自己做好安全
Frigate WebUI、Home Assistant 和 MQTT 都不适合直接裸露在公网。建议通过 VPN、反向代理、访问控制和 HTTPS 进行保护，不要简单地把管理端口映射出去。
它适合哪些人

Frigate 适合：
- 已经在使用 Home Assistant 的家庭用户。
- 想搭建本地 NVR 的技术爱好者。
- 有多路 RTSP 摄像头，需要统一管理的人。
- 希望使用本地 AI 检测而不是云端订阅服务的人。
- 需要围绕摄像头事件配置灯光、通知和报警自动化的人。
- 愿意维护 Docker、模型和存储环境的用户。
它不太适合：
- 只想下载一个软件立即使用的人。
- 不愿意处理网络、容器和配置文件的用户。
- 需要厂商提供完整售后和硬件保修的商业安防场景。
- 希望 AI 自动替代专业安保系统的用户。
- 没有足够存储空间，却计划保存大量高清录像的人。

Frigate Home Assistant 集成

提供以下内容

富媒体浏览器，带有缩略图和导航功能
传感器实体（摄像机帧率、检测帧率、进程帧率、跳过帧率、检测到物体）
二元传感器实体（物体运动）
摄像机实体（实时视图，检测到物体快照）
切换实体（录制、检测、快照、提升对比度）
控制摄像机的服务（手动事件，长距离电阻控制）
支持多个护卫舰实例。

Frigate 的价值并不只是“给摄像头加一个 AI 模型”。
它把摄像头视频、目标检测、录像、事件回看、MQTT 和家庭自动化连接起来，让监控系统从单纯的录像机变成一个能够理解事件的本地服务。
它不会让普通摄像头突然拥有电影级画质，也不会保证每次检测都准确。但通过合理的摄像头位置、清晰的 RTSP 码流、合适的检测模型、区域规则和硬件加速，Frigate 可以把家庭监控中最麻烦的“找录像”和“处理误报”大幅简化。
如果你已经在使用 Home Assistant，或者手里有几路支持 RTSP 的摄像头，Frigate 值得作为家庭监控系统的核心组件认真研究。真正开始部署时，建议从一台摄像头和一个检测目标开始，先把录像、事件和通知跑通，再逐步扩展到整套家庭监控。
Frigate 的模型支持、硬件加速方式、配置项和部署要求会随版本变化，实际安装时应以当前官方文档为准。项目采用 MIT License，但 Frigate 的名称、品牌和 Logo 受到独立商标政策约束。

图片预览
实时仪表盘

简化审核流程

多机位擦除

内置遮罩和区域编辑器