提示

由于本文涉及过多专业领域内容，对普通用户帮助不算特别多，将不会进行精翻；本文使用DeepSeek AI进行翻译，仅做参考。

支持的硬件

信息

Frigate支持多种不同类型的检测器，可在不同硬件上运行：

通用硬件

Coral EdgeTPU：Google Coral EdgeTPU提供USB和m.2两种接口，兼容多种设备。
Hailo：Hailo8和Hailo8L AI加速模块提供m.2接口和树莓派HAT，兼容多种设备。

AMD

ROCm：ROCm可在AMD独立显卡上运行，提供高效对象检测。
ONNX：当配置了支持的ONNX模型时，ROCm会在-rocm版Frigate镜像中自动被检测并使用。

Intel

OpenVino：OpenVino可在Intel Arc 显卡、集成显卡和CPU上运行，提供高效对象检测。
ONNX：当配置了支持的ONNX模型时，OpenVINO会在标准Frigate镜像中自动被检测并使用。

NVIDIA

TensortRT：TensorRT可在NVIDIA GPU和Jetson设备上运行，使用多种预设模型。
ONNX：当配置了支持的ONNX模型时，TensorRT会在-tensorrt或-tensorrt-jp6版Frigate镜像中自动被检测并使用。

Rockchip

RKNN：RKNN模型可在内置NPU的Rockchip设备上运行。

测试用途

CPU检测器(不推荐实际使用)：使用CPU运行tflite模型，不推荐使用，在大多数情况下使用OpenVINO CPU模式可获得更好效果。

备注

不能混合使用多种检测器进行对象检测（例如：不能同时使用OpenVINO和Coral EdgeTPU进行对象检测）。

这不影响使用硬件加速其他任务，如语义搜索。

官方支持的检测器

Frigate提供以下内置检测器类型：cpu、edgetpu、hailo8l、onnx、openvino、rknn和tensorrt。默认情况下，Frigate会使用单个CPU检测器。其他检测器可能需要额外配置，如下所述。使用多个检测器时，它们会在专用进程中运行，但会从所有摄像头的公共检测请求队列中获取任务。

Edge TPU检测器

Edge TPU检测器类型运行TensorFlow Lite模型，利用Google Coral代理进行硬件加速。要配置Edge TPU检测器，将"type"属性设置为"edgetpu"。

Edge TPU设备可使用"device"属性指定，参考TensorFlow Lite Python API文档。如果未设置，代理将使用它找到的第一个设备。

容器中提供了位于/edgetpu_model.tflite的TensorFlow Lite模型，默认情况下此检测器类型使用该模型。要提供自己的模型，请将文件绑定挂载到容器中，并通过model.path提供路径。

提示

如果未检测到Edge TPU，请参阅Edge TPU常见故障排除步骤。

单个USB Coral

detectors:
  coral:
    type: edgetpu
    device: usb

多个USB Coral

detectors:
  coral1:
    type: edgetpu
    device: usb:0
  coral2:
    type: edgetpu
    device: usb:1

原生Coral(开发板)

警告：v0.9.x版本后可能有兼容性问题

detectors:
  coral:
    type: edgetpu
    device: ""

单个PCIE/M.2 Coral

detectors:
  coral:
    type: edgetpu
    device: pci

多个PCIE/M.2 Coral

detectors:
  coral1:
    type: edgetpu
    device: pci:0
  coral2:
    type: edgetpu
    device: pci:1

混合使用Coral

detectors:
  coral_usb:
    type: edgetpu
    device: usb
  coral_pci:
    type: edgetpu
    device: pci

Hailo-8检测器

Hailo-8检测器支持Hailo-8和Hailo-8L AI加速模块。该集成会自动通过Hailo CLI检测您的硬件架构，如果未指定自定义模型，则会选择适当的默认模型。

有关配置Hailo硬件的详细信息，请参阅安装文档。

配置

配置Hailo检测器时，您有两种指定模型的方式：本地路径或URL。如果同时提供两者，检测器将首先检查给定的本地路径。如果未找到文件，则会从指定的URL下载模型。模型文件缓存在/config/model_cache/hailo目录下。

YOLO模型

此配置适用于基于YOLO的模型。当未提供自定义模型路径或URL时，检测器会根据检测到的硬件自动下载默认模型：

Hailo-8硬件：使用YOLOv6n（默认：yolov6n.hef）
Hailo-8L硬件：使用YOLOv6n（默认：yolov6n.hef）

detectors:
  hailo:
    type: hailo8l
    device: PCIe

model:
  width: 320
  height: 320
  input_tensor: nhwc
  input_pixel_format: rgb
  input_dtype: int
  model_type: yolo-generic
  labelmap_path: /labelmap/coco-80.txt

  # 检测器会根据您的硬件自动选择默认模型：
  # - Hailo-8硬件：YOLOv6n（默认：yolov6n.hef）
  # - Hailo-8L硬件：YOLOv6n（默认：yolov6n.hef）
  #
  # 可选：您可以指定本地模型路径来覆盖默认值。
  # 如果提供了本地路径且文件存在，将使用该文件而不是下载。
  # 示例：
  # path: /config/model_cache/hailo/yolov6n.hef
  #
  # 您也可以使用自定义URL覆盖：
  # path: https://hailo-model-zoo.s3.eu-west-2.amazonaws.com/ModelZoo/Compiled/v2.14.0/hailo8/yolov6n.hef
  # 只需确保根据模型提供正确的配置

SSD模型

对于基于SSD的模型，请提供您编译的SSD模型的路径或URL。集成将首先检查本地路径，必要时才会下载。

detectors:
  hailo:
    type: hailo8l
    device: PCIe

model:
  width: 300
  height: 300
  input_tensor: nhwc
  input_pixel_format: rgb
  model_type: ssd
  # 为SSD MobileNet v1指定本地模型路径（如果可用）或URL
  # 本地路径示例：
  # path: /config/model_cache/h8l_cache/ssd_mobilenet_v1.hef
  #
  # 或使用自定义URL覆盖：
  # path: https://hailo-model-zoo.s3.eu-west-2.amazonaws.com/ModelZoo/Compiled/v2.14.0/hailo8l/ssd_mobilenet_v1.hef

自定义模型

Hailo检测器支持所有为Hailo硬件编译并包含后处理的YOLO模型。您可以指定自定义URL或本地路径来下载或直接使用您的模型。如果同时提供两者，检测器会优先检查本地路径。

detectors:
  hailo:
    type: hailo8l
    device: PCIe

model:
  width: 640
  height: 640
  input_tensor: nhwc
  input_pixel_format: rgb
  input_dtype: int
  model_type: yolo-generic
  labelmap_path: /labelmap/coco-80.txt
  # 可选：指定本地模型路径
  # path: /config/model_cache/hailo/custom_model.hef
  #
  # 或者作为备用方案，提供自定义URL：
  # path: https://custom-model-url.com/path/to/model.hef

更多现成模型，请访问：Hailo模型库

Hailo8支持Hailo模型库中所有包含HailoRT后处理的模型。您可以选择任何这些预配置模型用于您的实现。

注意： config.path参数可以接受以.hef结尾的本地文件路径或URL。当提供时，检测器将首先检查路径是否为本地文件路径。如果文件在本地存在，将直接使用。如果未找到本地文件或提供了URL，则会尝试从指定URL下载模型。

OpenVINO检测器

OpenVINO检测器类型可在AMD和Intel CPU、Intel GPU以及Intel VPU硬件上运行OpenVINO IR模型。要配置OpenVINO检测器，请将"type"属性设置为"openvino"。

使用的OpenVINO设备通过"device"属性指定，遵循设备文档中的命名约定。最常见的设备是CPU和GPU。目前已知使用AUTO存在问题。为了向后兼容，如果在配置中设置了AUTO，Frigate将尝试使用GPU。

OpenVINO支持第6代Intel平台(Skylake)及更新版本。尽管没有官方支持，它也可以在AMD CPU上运行。使用GPU设备需要支持的Intel平台。有关详细的系统要求，请参阅OpenVINO系统要求

提示

当使用多个摄像头时，一个检测器可能无法满足需求。如果有可用的GPU资源，可以定义多个检测器。示例配置如下：

detectors:
  ov_0:
    type: openvino
    device: GPU
  ov_1:
    type: openvino
    device: GPU

支持的模型

SSDLite MobileNet v2

容器中提供了位于/openvino-model/ssdlite_mobilenet_v2.xml的OpenVINO模型，默认情况下此检测器类型使用该模型。该模型来自Intel的开放模型库SSDLite MobileNet V2，并转换为FP16精度的IR模型。

使用默认OpenVINO模型时，请使用如下所示的模型配置：

detectors:
  ov:
    type: openvino
    device: GPU

model:
  width: 300
  height: 300
  input_tensor: nhwc
  input_pixel_format: bgr
  path: /openvino-model/ssdlite_mobilenet_v2.xml
  labelmap_path: /openvino-model/coco_91cl_bkgr.txt

YOLOX模型

该检测器也支持YOLOX模型。Frigate没有预加载任何YOLOX模型，因此您需要自行提供模型。

YOLO-NAS模型

YOLO-NAS模型受支持，但默认不包含。有关下载YOLO-NAS模型用于Frigate的更多信息，请参阅模型部分。

将下载的onnx模型放入配置文件夹后，可以使用以下配置：

detectors:
  ov:
    type: openvino
    device: GPU

model:
  model_type: yolonas
  width: 320 # <--- 应与notebook中设置的尺寸匹配
  height: 320 # <--- 应与notebook中设置的尺寸匹配
  input_tensor: nchw
  input_pixel_format: bgr
  path: /config/yolo_nas_s.onnx
  labelmap_path: /labelmap/coco-80.txt

注意：标签映射使用的是完整COCO标签集的子集，仅包含80个对象。

YOLO(v3,v4,v7,v9)模型

YOLOv3、YOLOv4、YOLOv7和YOLOv9模型受支持，但默认不包含。

提示

YOLO检测器设计用于支持YOLOv3、YOLOv4、YOLOv7和YOLOv9模型，但也可能支持其他YOLO模型架构。

将下载的onnx模型放入配置文件夹后，可以使用以下配置：

detectors:
  ov:
    type: openvino
    device: GPU

model:
  model_type: yolo-generic
  width: 320 # <--- 应与模型导出时设置的imgsize匹配
  height: 320 # <--- 应与模型导出时设置的imgsize匹配
  input_tensor: nchw
  input_dtype: float
  path: /config/model_cache/yolo.onnx
  labelmap_path: /labelmap/coco-80.txt

注意：标签映射使用的是完整COCO标签集的子集，仅包含80个对象。

RF-DETR模型

RF-DETR是基于DETR的模型。支持导出的ONNX模型，但默认不包含。有关下载RF-DETR模型用于Frigate的更多信息，请参阅模型部分。

注意

由于RF-DETR模型的尺寸和复杂性，建议仅在独立Arc显卡上运行。

将下载的onnx模型放入config/model_cache文件夹后，可以使用以下配置：

detectors:
  ov:
    type: openvino
    device: GPU

model:
  model_type: rfdetr
  width: 560
  height: 560
  input_tensor: nchw
  input_dtype: float
  path: /config/model_cache/rfdetr.onnx

D-FINE模型

D-FINE是基于DETR的模型。支持导出的ONNX模型，但默认不包含。有关下载D-FINE模型用于Frigate的更多信息，请参阅模型部分。

注意

目前D-FINE模型只能在OpenVINO的CPU模式下运行，GPU目前无法编译该模型

将下载的onnx模型放入config/model_cache文件夹后，可以使用以下配置：

detectors:
  ov:
    type: openvino
    device: GPU

model:
  model_type: dfine
  width: 640
  height: 640
  input_tensor: nchw
  input_dtype: float
  path: /config/model_cache/dfine_s_obj2coco.onnx
  labelmap_path: /labelmap/coco-80.txt

注意：标签映射使用的是完整COCO标签集的子集，仅包含80个对象。

NVIDIA TensorRT检测器

NVIDIA GPU可以使用TensorRT库进行对象检测。由于额外的库文件较大，该检测器仅在带有-tensorrt标签后缀的镜像中提供，例如ghcr.io/blakeblackshear/frigate:stable-tensorrt。该检测器设计用于与Yolo模型配合进行对象检测。

最低硬件要求

TensorRT检测器使用12.x系列的CUDA库，这些库具有次要版本兼容性。主机系统的最低驱动程序版本必须为>=545。此外，GPU必须支持5.0或更高的计算能力。这通常对应于Maxwell架构或更新的GPU，请查看下面链接的NVIDIA GPU计算能力表。

要使用TensorRT检测器，请确保主机系统已安装nvidia-container-runtime以将GPU传递给容器，并且主机系统已安装与您的GPU兼容的驱动程序。

较新的GPU架构提供了TensorRT可以利用的改进功能，如INT8操作和张量核心。当模型转换为trt文件时，将优化与您的硬件兼容的功能。当前提供的模型生成脚本包含启用/禁用FP16操作的开关。如果您希望使用INT8优化等新功能，则需要更多工作。

兼容性参考：

NVIDIA TensorRT支持矩阵

NVIDIA CUDA兼容性

NVIDIA GPU计算能力

生成模型

用于TensorRT的模型必须在将运行的相同硬件平台上进行预处理。这意味着每个用户必须运行额外的设置来为TensorRT库生成模型文件。包含一个脚本可以构建几种常见模型。

如果未找到指定的模型，Frigate镜像将在启动时生成模型文件。处理后的模型存储在/config/model_cache文件夹中。通常/config路径已经映射到主机上的目录，除非用户希望将其存储在主机上的不同位置，否则不需要单独映射model_cache。

默认情况下不会生成任何模型，但可以通过在Docker中指定YOLO_MODELS环境变量来覆盖此设置。可以以逗号分隔的格式列出一个或多个模型，每个模型都将被生成。只有当model_cache文件夹中不存在相应的{model}.trt文件时才会生成模型，因此您可以通过从Frigate数据文件夹中删除模型来强制重新生成模型。

如果您有带DLA(Xavier或Orin)的Jetson设备，可以通过在模型名称后附加-dla来生成将在DLA上运行的模型，例如指定YOLO_MODELS=yolov7-320-dla。模型将在DLA0上运行(Frigate目前不支持DLA1)。与DLA不兼容的层将回退到在GPU上运行。

如果您的GPU不支持FP16操作，可以传递环境变量USE_FP16=False来禁用它。

可以通过向docker run命令传递环境变量或在docker-compose.yml文件中指定特定模型。使用-e YOLO_MODELS=yolov4-416,yolov4-tiny-416的形式选择一个或多个模型名称。可用的模型如下所示。

可用模型

yolov3-288
yolov3-416
yolov3-608
yolov3-spp-288
yolov3-spp-416
yolov3-spp-608
yolov3-tiny-288
yolov3-tiny-416
yolov4-288
yolov4-416
yolov4-608
yolov4-csp-256
yolov4-csp-512
yolov4-p5-448
yolov4-p5-896
yolov4-tiny-288
yolov4-tiny-416
yolov4x-mish-320
yolov4x-mish-640
yolov7-tiny-288
yolov7-tiny-416
yolov7-640
yolov7-416
yolov7-320
yolov7x-640
yolov7x-320

为Pascal显卡转换yolov4-608和yolov7x-640模型的docker-compose.yml片段示例如下：

frigate:
  environment:
    - YOLO_MODELS=yolov7-320,yolov7x-640
    - USE_FP16=false

如果您将多个GPU传递给Frigate，可以指定用于模型转换的GPU。转换脚本将使用第一个可见的GPU，但在具有混合GPU模型的系统中，您可能不希望使用默认索引进行对象检测。添加TRT_MODEL_PREP_DEVICE环境变量以选择特定的GPU。

frigate:
  environment:
    - TRT_MODEL_PREP_DEVICE=0 # 可选，选择用于模型优化的GPU

配置参数

可以通过指定tensorrt作为模型类型来选择TensorRT检测器。需要使用硬件加速部分描述的相同方法将GPU传递给docker容器。如果您传递多个GPU，可以使用device配置参数选择用于检测器的GPU。device参数是GPU索引的整数值，如容器内的nvidia-smi所示。

TensorRT检测器默认使用位于/config/model_cache/tensorrt中的.trt模型文件。使用的模型路径和尺寸将取决于您生成的模型。

使用以下配置来处理生成的TRT模型：

detectors:
  tensorrt:
    type: tensorrt
    device: 0 #这是默认值，选择第一个GPU

model:
  path: /config/model_cache/tensorrt/yolov7-320.trt
  input_tensor: nchw
  input_pixel_format: rgb
  width: 320
  height: 320

AMD/ROCm GPU检测器

设置

AMD GPU的支持通过ONNX检测器提供。要使用AMD GPU进行对象检测，请使用带有-rocm后缀的Frigate docker镜像，例如ghcr.io/blakeblackshear/frigate:stable-rocm。

Docker GPU访问设置

ROCm需要访问/dev/kfd和/dev/dri设备。当docker或frigate不以root身份运行时，还应添加video（可能还有render和ssl/_ssl）组。

直接运行docker时，应添加以下标志以访问设备：

$ docker run --device=/dev/kfd --device=/dev/dri  \
    ...

使用Docker Compose时：

services:
  frigate:
---
devices:
  - /dev/dri
  - /dev/kfd

有关推荐设置的参考，请参阅在Docker中运行ROCm/pytorch。

覆盖GPU芯片组的Docker设置

您的GPU可能无需特殊配置即可正常工作，但在许多情况下需要手动设置。AMD/ROCm软件栈附带有限的GPU驱动程序集，对于较新或缺失的型号，您需要将芯片组版本覆盖为较旧/通用版本才能使其工作。

此外，AMD/ROCm不"正式"支持集成显卡。它仍然可以与大多数集成显卡正常工作，但需要特殊设置。必须配置HSA_OVERRIDE_GFX_VERSION环境变量。有关背景和示例，请参阅ROCm问题报告。

对于rocm frigate构建，有一些自动检测：

gfx90c -> 9.0.0
gfx1031 -> 10.3.0
gfx1103 -> 11.0.0

如果您有其他芯片组，可能需要在Docker启动时覆盖HSA_OVERRIDE_GFX_VERSION。假设您需要的版本是9.0.0，则应从命令行配置为：

$ docker run -e HSA_OVERRIDE_GFX_VERSION=9.0.0 \
    ...

使用Docker Compose时：

services:
  frigate:

environment:
  HSA_OVERRIDE_GFX_VERSION: "9.0.0"

确定您需要的版本可能很复杂，因为您无法从AMD品牌名称中判断芯片组名称和驱动程序。

首先通过在frigate容器中运行/opt/rocm/bin/rocminfo确保rocm环境正常运行 - 它应该列出CPU和GPU及其属性
从rocminfo的输出中找到您拥有的芯片组版本(gfxNNN)（见下文）
使用搜索引擎查询给定gfx名称所需的HSA_OVERRIDE_GFX_VERSION("gfxNNN ROCm HSA_OVERRIDE_GFX_VERSION")
用相关值覆盖HSA_OVERRIDE_GFX_VERSION
如果仍然无法工作，请检查frigate docker日志

检查AMD/ROCm是否正常工作并找到您的GPU

$ docker exec -it frigate /opt/rocm/bin/rocminfo

确定您的AMD GPU芯片组版本：

我们取消设置HSA_OVERRIDE_GFX_VERSION以防止现有覆盖干扰结果：

$ docker exec -it frigate /bin/bash -c '(unset HSA_OVERRIDE_GFX_VERSION && /opt/rocm/bin/rocminfo |grep gfx)'

支持的模型

有关支持的模型，请参阅ONNX支持的模型，但有以下注意事项：

不支持D-FINE模型
已知YOLO-NAS模型在集成显卡上运行不佳

ONNX

ONNX是一种用于构建机器学习模型的开放格式，Frigate支持在CPU、OpenVINO、ROCm和TensorRT上运行ONNX模型。启动时，Frigate会自动尝试使用可用的GPU。

信息

如果使用了适合您GPU的正确构建版本，GPU将被自动检测并使用。

AMD
- 在-rocm版Frigate镜像中，ROCm会被自动检测并与ONNX检测器一起使用。
Intel
- 在标准Frigate镜像中，OpenVINO会被自动检测并与ONNX检测器一起使用。
NVIDIA
- 在-tensorrt版Frigate镜像中，NVIDIA GPU会被自动检测并与ONNX检测器一起使用。
- 在-tensorrt-jp(4/5)版Frigate镜像中，Jetson设备会被自动检测并与ONNX检测器一起使用。

提示

当使用多个摄像头时，一个检测器可能无法满足需求。如果有可用的GPU资源，可以定义多个检测器。示例配置如下：

detectors:
  onnx_0:
    type: onnx
  onnx_1:
    type: onnx

支持的模型

没有提供默认模型，支持以下格式：

YOLO-NAS

YOLO-NAS模型受支持，但默认不包含。有关下载YOLO-NAS模型用于Frigate的更多信息，请参阅模型部分。

将下载的onnx模型放入配置文件夹后，可以使用以下配置：

detectors:
  onnx:
    type: onnx

model:
  model_type: yolonas
  width: 320 # <--- 应与notebook中设置的尺寸匹配
  height: 320 # <--- 应与notebook中设置的尺寸匹配
  input_pixel_format: bgr
  input_tensor: nchw
  path: /config/yolo_nas_s.onnx
  labelmap_path: /labelmap/coco-80.txt

YOLO (v3, v4, v7, v9)

YOLOv3、YOLOv4、YOLOv7和YOLOv9模型受支持，但默认不包含。

提示

YOLO检测器设计用于支持YOLOv3、YOLOv4、YOLOv7和YOLOv9模型，但也可能支持其他YOLO模型架构。有关下载YOLO模型用于Frigate的更多信息，请参阅模型部分。

将下载的onnx模型放入配置文件夹后，可以使用以下配置：

detectors:
  onnx:
    type: onnx

model:
  model_type: yolo-generic
  width: 320 # <--- 应与模型导出时设置的imgsize匹配
  height: 320 # <--- 应与模型导出时设置的imgsize匹配
  input_tensor: nchw
  input_dtype: float
  path: /config/model_cache/yolo.onnx
  labelmap_path: /labelmap/coco-80.txt

注意：标签映射使用的是完整COCO标签集的子集，仅包含80个对象。

YOLOx

YOLOx模型受支持，但默认不包含。有关下载YOLOx模型用于Frigate的更多信息，请参阅模型部分。

将下载的onnx模型放入配置文件夹后，可以使用以下配置：

detectors:
  onnx:
    type: onnx

model:
  model_type: yolox
  width: 416 # <--- 应与模型导出时设置的imgsize匹配
  height: 416 # <--- 应与模型导出时设置的imgsize匹配
  input_tensor: nchw
  input_dtype: float_denorm
  path: /config/model_cache/yolox_tiny.onnx
  labelmap_path: /labelmap/coco-80.txt

注意：标签映射使用的是完整COCO标签集的子集，仅包含80个对象。

RF-DETR

RF-DETR是基于DETR的模型。支持导出的ONNX模型，但默认不包含。有关下载RF-DETR模型用于Frigate的更多信息，请参阅模型部分。

将下载的onnx模型放入config/model_cache文件夹后，可以使用以下配置：

detectors:
  onnx:
    type: onnx

model:
  model_type: rfdetr
  width: 560
  height: 560
  input_tensor: nchw
  input_dtype: float
  path: /config/model_cache/rfdetr.onnx

D-FINE

D-FINE是基于DETR的模型。支持导出的ONNX模型，但默认不包含。有关下载D-FINE模型用于Frigate的更多信息，请参阅模型部分。

将下载的onnx模型放入config/model_cache文件夹后，可以使用以下配置：

detectors:
  onnx:
    type: onnx

model:
  model_type: dfine
  width: 640
  height: 640
  input_tensor: nchw
  input_dtype: float
  path: /config/model_cache/dfine_m_obj2coco.onnx
  labelmap_path: /labelmap/coco-80.txt

注意：标签映射使用的是完整COCO标签集的子集，仅包含80个对象。

CPU检测器(不推荐使用)

CPU检测器类型运行TensorFlow Lite模型，使用CPU进行处理而不使用硬件加速。建议使用硬件加速的检测器类型以获得更好的性能。要配置基于CPU的检测器，请将"type"属性设置为"cpu"。

危险

不建议将CPU检测器用于一般用途。如果您没有GPU或Edge TPU硬件，使用OpenVINO检测器的CPU模式通常比使用CPU检测器更高效。

可以通过"num_threads"属性指定解释器使用的线程数，默认为3。

容器中提供了位于/cpu_model.tflite的TensorFlow Lite模型，默认情况下此检测器类型使用该模型。要提供自己的模型，请将文件绑定挂载到容器中，并通过model.path提供路径。

detectors:
  cpu1:
    type: cpu
    num_threads: 3
  cpu2:
    type: cpu
    num_threads: 3

model:
  path: "/custom_model.tflite"

使用CPU检测器时，可以为每个摄像头添加一个CPU检测器。添加比摄像头数量更多的检测器不会提高性能。

Deepstack / CodeProject.AI 服务器检测器

Frigate的Deepstack/CodeProject.AI服务器检测器允许您将Deepstack和CodeProject.AI的对象检测功能集成到Frigate中。CodeProject.AI和DeepStack是开源AI平台，可以在各种设备上运行，如树莓派、NVIDIA Jetson和其他兼容硬件。需要注意的是，集成是通过网络进行的，因此推理时间可能不如原生Frigate检测器快，但它仍然为对象检测和跟踪提供了高效可靠的解决方案。

设置

要开始使用CodeProject.AI，请访问其官方网站，按照说明在您选择的设备上下载并安装AI服务器。CodeProject.AI的详细设置说明不在Frigate文档范围内。

要将CodeProject.AI集成到Frigate中，您需要对Frigate配置文件进行以下更改：

detectors:
  deepstack:
    api_url: http://<您的codeproject_ai服务器IP>:<端口>/v1/vision/detection
    type: deepstack
    api_timeout: 0.1 # 秒

将<您的codeproject_ai服务器IP>和<端口>替换为您的CodeProject.AI服务器的IP地址和端口。

要验证集成是否正常工作，请启动Frigate并观察日志中是否有与CodeProject.AI相关的错误消息。此外，您可以检查Frigate网络界面，查看CodeProject.AI检测到的对象是否正确显示和跟踪。

Community Supported Detectors

Rockchip平台检测器

Rockchip平台支持以下SoC的硬件加速对象检测：

RK3562
RK3566
RK3568
RK3576
RK3588

该实现使用Rockchip的RKNN-Toolkit2 v2.3.0版本。目前仅支持Yolo-NAS作为对象检测模型。

前提条件

请确保按照Rockchip特定安装说明进行操作。

提示

您可以通过以下命令查看NPU负载：

$ cat /sys/kernel/debug/rknpu/load
>> NPU负载：核心0：0%，核心1：0%，核心2：0%，

支持的模型

以下config.yml展示了配置检测器的所有相关选项并加以说明。除两处外，所有显示的值均为默认值。标记为"required"的行是使用检测器至少需要的配置，其他行均为可选。

detectors: # required
  rknn: # required
    type: rknn # required
    # 使用的NPU核心数量
    # 0表示自动选择
    # 如果有多核NPU（如在rk3588上），可增加此值以提高性能，例如设置为3
    num_cores: 0

以下推理时间是在rk3588上使用3个NPU核心测得的：

模型	大小(MB)	推理时间(ms)
deci-fp16-yolonas_s	24	25
deci-fp16-yolonas_m	62	35
deci-fp16-yolonas_l	81	45
yolov9_tiny	8	35
yolox_nano	3	16
yolox_tiny	6	20

所有模型都会自动下载并存储在config/model_cache/rknn_cache文件夹中。升级Frigate后，应删除旧模型以释放空间。
您也可以提供自己的.rknn模型。请不要将自己的模型保存在rknn_cache文件夹中，应直接存储在model_cache文件夹或其他子文件夹中。要将模型转换为.rknn格式，请参阅rknn-toolkit2（需要x86机器）。注意，仅支持对特定模型进行后处理。

YOLO-NAS模型

model: # required
  # 模型名称（将自动下载）或自定义.rknn模型文件路径
  # 可选值：
  # - deci-fp16-yolonas_s
  # - deci-fp16-yolonas_m
  # - deci-fp16-yolonas_l
  # 或您的yolonas_model.rknn
  path: deci-fp16-yolonas_s
  model_type: yolonas
  width: 320
  height: 320
  input_pixel_format: bgr
  input_tensor: nhwc
  labelmap_path: /labelmap/coco-80.txt

注意

DeciAI提供的预训练YOLO-NAS权重受其许可证约束，不可用于商业用途。更多信息请参阅：https://docs.deci.ai/super-gradients/latest/LICENSE.YOLONAS.html

YOLO (v9)模型

model: # required
  # 模型名称（将自动下载）或自定义.rknn模型文件路径
  # 可选值：
  # - yolov9-t
  # - yolov9-s
  # 或您的yolo_model.rknn
  path: /config/model_cache/rknn_cache/yolov9-t.rknn
  model_type: yolo-generic
  width: 320
  height: 320
  input_tensor: nhwc
  input_dtype: float
  labelmap_path: /labelmap/coco-80.txt

YOLOx模型

model: # required
  # 模型名称（将自动下载）或自定义.rknn模型文件路径
  # 可选值：
  # - yolox_nano
  # - yolox_tiny
  # 或您的yolox_model.rknn
  path: yolox_tiny
  model_type: yolox
  width: 416
  height: 416
  input_tensor: nhwc
  labelmap_path: /labelmap/coco-80.txt

将自定义onnx模型转换为rknn格式

要使用rknn-toolkit2将onnx模型转换为rknn格式，您需要：

将一个或多个onnx格式的模型放置在Docker主机的config/model_cache/rknn_cache/onnx目录下（可能需要sudo权限）
将配置文件保存为config/conv2rknn.yaml（详见下文）
运行docker exec <frigate_container_id> python3 /opt/conv2rknn.py。如果转换成功，rknn模型将被放置在config/model_cache/rknn_cache中

以下是需要根据您的onnx模型进行调整的示例配置文件：

soc: ["rk3562", "rk3566", "rk3568", "rk3576", "rk3588"]
quantization: false

output_name: "{input_basename}"

config:
  mean_values: [[0, 0, 0]]
  std_values: [[255, 255, 255]]
  quant_img_RGB2BGR: true

参数说明：

soc: 要为其构建rknn模型的SoC列表。如果不指定此参数，脚本会尝试检测您的SoC并为其构建rknn模型
quantization: true表示8位整数(i8)量化，false表示16位浮点(fp16)。默认值：false
output_name: 模型的输出名称。可用变量：
- quant: 根据配置为"i8"或"fp16"
- input_basename: 输入模型的基本名称（例如，如果输入模型名为"my_model.onnx"，则为"my_model"）
- soc: 模型构建的目标SoC（如"rk3588"）
- tk_version: rknn-toolkit2的版本（如"2.3.0"）
- 示例: 指定output_name = "frigate-{quant}-{input_basename}-{soc}-v{tk_version}"可能会生成名为frigate-i8-my_model-rk3588-v2.3.0.rknn的模型
config: 传递给rknn-toolkit2进行模型转换的配置。所有可用参数的说明请参阅本手册的"2.2. 模型配置"部分

模型

某些模型类型默认不包含在Frigate中。

下载模型

以下是获取不同类型模型的提示

下载D-FINE模型

导出为ONNX格式：

克隆：https://github.com/Peterande/D-FINE 并安装所有依赖项
从readme中选择并下载检查点
修改tools/deployment/export_onnx.py第58行，将批量大小改为1：data = torch.rand(1, 3, 640, 640)
运行导出，确保为您的检查点选择正确的配置

示例：

python3 tools/deployment/export_onnx.py -c configs/dfine/objects365/dfine_hgnetv2_m_obj2coco.yml -r output/dfine_m_obj2coco.pth

提示

模型导出仅在Linux(或WSL2)上测试过。并非所有依赖项都在requirements.txt中。有些在部署文件夹中，有些则完全缺失，必须手动安装。

导出前请确保将批量大小改为1。

下载RF-DETR模型

导出为ONNX格式：

pip3 install rfdetr
python3
from rfdetr import RFDETRBase
x = RFDETRBase()
x.export()

额外配置

可以自定义输入张量分辨率：

from rfdetr import RFDETRBase
x = RFDETRBase(resolution=560)  # 分辨率必须是56的倍数
x.export()

下载YOLO-NAS模型

您可以使用此笔记本构建并下载带有预训练权重的兼容模型。

注意

DeciAI提供的预训练YOLO-NAS权重受其许可证约束，不可用于商业用途。更多信息请参阅：https://docs.deci.ai/super-gradients/latest/LICENSE.YOLONAS.html

此笔记本中的输入图像大小设置为320x320。由于Frigate在运行检测前会将视频帧裁剪到感兴趣区域，因此在大多数情况下这可以降低CPU使用率并加快推理速度，而不会影响性能。如果需要，可以将笔记本和配置更新为640x640。

下载YOLO模型

YOLOx

YOLOx模型可以从YOLOx仓库下载。

YOLOv3、YOLOv4和YOLOv7

导出为ONNX格式：

git clone https://github.com/NateMeyer/tensorrt_demos
cd tensorrt_demos/yolo
./download_yolo.sh
python3 yolo_to_onnx.py -m yolov7-320

YOLOv9

YOLOv9模型可以使用以下代码导出，或者可以从hugging face下载

git clone https://github.com/WongKinYiu/yolov9
cd yolov9

# 设置虚拟环境，避免影响主系统
python3 -m venv ./
bin/pip install -r requirements.txt
bin/pip install onnx onnxruntime onnx-simplifier>=0.4.1

# 下载权重
wget -O yolov9-t.pt "https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-t-converted.pt" # 下载权重

# 准备并运行导出脚本
sed -i "s/ckpt = torch.load(attempt_download(w), map_location='cpu')/ckpt = torch.load(attempt_download(w), map_location='cpu', weights_only=False)/g" ./models/experimental.py
bin/python3 export.py --weights ./yolov9-t.pt --imgsz 320 --simplify --include onnx

官方支持的检测器

Edge TPU检测器​

单个USB Coral​

多个USB Coral​

原生Coral(开发板)​

单个PCIE/M.2 Coral​

多个PCIE/M.2 Coral​

混合使用Coral​

Hailo-8检测器​

配置​

YOLO模型​

SSD模型​

自定义模型​

OpenVINO检测器​

支持的模型​

SSDLite MobileNet v2​

YOLOX模型​

YOLO-NAS模型​

YOLO(v3,v4,v7,v9)模型​

RF-DETR模型​

D-FINE模型​

NVIDIA TensorRT检测器​

最低硬件要求​

兼容性参考：​

生成模型​

配置参数​

AMD/ROCm GPU检测器​

设置​

Docker GPU访问设置​

覆盖GPU芯片组的Docker设置​

检查AMD/ROCm是否正常工作并找到您的GPU​

确定您的AMD GPU芯片组版本：​

支持的模型​

ONNX​

支持的模型​

YOLO-NAS​

YOLO (v3, v4, v7, v9)​

YOLOx​

RF-DETR​

D-FINE​

CPU检测器(不推荐使用)​

Deepstack / CodeProject.AI 服务器检测器​

设置​

Community Supported Detectors

Rockchip平台检测器​

前提条件​

支持的模型​

YOLO-NAS模型​

YOLO (v9)模型​

YOLOx模型​

将自定义onnx模型转换为rknn格式​

模型

下载模型​

下载D-FINE模型​

下载RF-DETR模型​

额外配置​

下载YOLO-NAS模型​

下载YOLO模型​

YOLOx​

YOLOv3、YOLOv4和YOLOv7​

YOLOv9​

Edge TPU检测器

单个USB Coral

多个USB Coral

原生Coral(开发板)

单个PCIE/M.2 Coral

多个PCIE/M.2 Coral

混合使用Coral

Hailo-8检测器

配置

YOLO模型

SSD模型

自定义模型

OpenVINO检测器

支持的模型

SSDLite MobileNet v2

YOLOX模型

YOLO-NAS模型

YOLO(v3,v4,v7,v9)模型

RF-DETR模型

D-FINE模型

NVIDIA TensorRT检测器

最低硬件要求

兼容性参考：

生成模型

配置参数

AMD/ROCm GPU检测器

设置

Docker GPU访问设置

覆盖GPU芯片组的Docker设置

检查AMD/ROCm是否正常工作并找到您的GPU

确定您的AMD GPU芯片组版本：

支持的模型

ONNX

支持的模型

YOLO-NAS

YOLO (v3, v4, v7, v9)

YOLOx

RF-DETR

D-FINE

CPU检测器(不推荐使用)

Deepstack / CodeProject.AI 服务器检测器

设置

Rockchip平台检测器

前提条件

支持的模型

YOLO-NAS模型

YOLO (v9)模型

YOLOx模型

将自定义onnx模型转换为rknn格式

下载模型

下载D-FINE模型

下载RF-DETR模型

额外配置

下载YOLO-NAS模型

下载YOLO模型

YOLOx

YOLOv3、YOLOv4和YOLOv7

YOLOv9