推荐硬件
摄像头
能够输出H.264编码的视频和AAC音频的摄像头能最大限度兼容Frigate与Home Assistant的所有功能特性。如果摄像头支持多子码流配置就更好了，这样可分别为物体检测、实时监控和录像存储设置不同分辨率，避免转码带来的性能损耗。
建议使用支持RTSP流和ONVIF功能的摄像头，例如海康威视、TP-Link等。不建议选择萤石等家用摄像头，他们对于RTSP的支持并不完善；尤其是不要选择360、小米等不支持获取RTSP流的摄像头，它们无法接入到Frigate中。
同时应避免选择WiFi摄像头，其视频流稳定性较差，易导致连接中断或视频数据丢失。尤其是在有多路摄像头的情况下，传输稳定性会受到极大干扰，甚至会影响到你整个WiFi其他设备的使用。（国内相关讨论，需要使用代理访问：https://www.v2ex.com/t/1126166）
考虑到国内基本不会使用亚马逊来购买摄像头，并且推荐的摄像头并没有在国内发行或者为马甲型号，如果有必要，建议上京东购买。以下仅为官方文档中推荐的摄像头产品，适用于海外用户。
- Loryta(Dahua) IPC-T549M-ALED-S3 （推广链接）
- Loryta(Dahua) IPC-T54IR-AS （推广链接）
- Amcrest IP5M-T1179EW-AI-V3 （推广链接）
服务器
考虑到家用环境，建议使用N100等低功耗CPU的主机，否则你的电费可能会比以往高很多。这些在淘宝或者闲鱼上都能够找到不错的选择。但需要注意关注一下是否有额外的M.2或者PCIe接口，因为可以选配Hailo8 或者 Google Coral 这种AI加速器，能够极大的提升检测效率，并且耗电量相比独立显卡要低很多。务必使用Linux系统，例如unRAID、TrueNAS、飞牛等专门适配NAS的操作系统；也可以直接安装常规的Linux发行版，例如Ubuntu、Debian等。
检测器
检测器是专为高效运行物体识别推理而优化的硬件设备。使用推荐检测器可显著降低检测延迟，并大幅提升每秒检测次数。Frigate的设计理念正是基于检测器硬件实现超低推理延迟——将TensorFlow任务卸载到专用检测器上，其速度可提升一个数量级，同时能极大降低CPU负载。
Frigate支持多种硬件平台的检测器方案：
通用硬件
-
Hailo: Hailo8和Hailo8L AI加速模块有M.2接口版本及树莓派HAT扩展版本。
- 支持多种模型
- 最好使用 tiny/small 尺寸的模型
-
Google Coral EdgeTPU: Google Coral EdgeTPU 有USB/M.2两种版本
AMD
Intel
Nvidia
- TensortRT: TensorRT可以运行在Nvidia显卡和Jetson开发板上
- 通过ONNX支持主流模型
- 可流畅运行包括large在内各尺寸模型
Rockchip
Hailo-8
Frigate可以使用Hailo-8或Hailo-8L AI加速器，包括集成了Hailo模块的树莓派5。Frigate会自动识别你的Hailo类型，并且能够在你没设置型号的情况下自动选择并选择模型。
默认模型配置:
- Hailo-8L: 默认模型为 YOLOv6n.
- Hailo-8: 默认模型为 YOLOv6n.
在实际环境中，即使你有多路摄像头，Frigate也能够表现出一致的性能。与树莓派相比，在x86平台上，Frigate能够获得更高的帧率、吞吐量和更低的延迟。
| 模型名称 | Hailo‑8 推理时间 | Hailo‑8L 推理时间 |
|---|---|---|
| ssd mobilenet v1 | ~ 6 ms | ~ 10 ms |
| yolov6n | ~ 7 ms | ~ 11 ms |
Google Coral TPU
Frigate 同时支持 USB 和 M.2 两种版本的 Google Coral 加速模块：
- USB版兼容性最佳，无需安装额外驱动，但缺少自动温控节流功能（长时间高负载可能降频）
- PCIe 和 M.2 需要安装对应的驱动才能运行，参考：https://coral.ai
单个 Coral 使用默认模型即可处理多路摄像头，能满足大多数用户需求。你可以根据 Frigate 报告的推理速度计算 Coral 的最大性能：
当推理速度为 10ms 时，你的 Coral 最高可处理 1000/10=100，即每秒 100 帧。如果 你的检测帧率经常接近这个值，你可以调整动态检测遮罩降低检测区域，或考虑增加第二个Coral设备。
OpenVINO
OpenVINO 检测器可在以下硬件平台上运行：
- 带集成显卡的第六代及以上 Intel 平台
- 配备 VPU 硬件的 x86 & arm64 主机（如 Intel NCS2）
- 多数现代 AMD CPU（虽然 Intel 官方未提供支持）
更多详细信息请参阅 检测器文档
推理速度因使用的CPU或GPU差异较大，以下是部分已知GPU的推理时间示例：
| Name | MobileNetV2 推理时间 | YOLO-NAS 推理时间 | RF-DETR 推理时间 | Notes |
|---|---|---|---|---|
| Intel i3 6100T | 15 - 35 ms | 只能运行一个检测器 | ||
| Intel i5 6500 | ~ 15 ms | |||
| Intel i5 7200u | 15 - 25 ms | |||
| Intel i5 7500 | ~ 15 ms | |||
| Intel i3 8100 | ~ 15 ms | |||
| Intel i5 1135G7 | 10 - 15 ms | |||
| Intel i3 12000 | 320: ~ 19 ms 640: ~ 54 ms | |||
| Intel i5 12600K | ~ 15 ms | 320: ~ 20 ms 640: ~ 46 ms | ||
| Intel i7 12650H | ~ 15 ms | 320: ~ 20 ms 640: ~ 42 ms | 336: 50 ms | 只能运行一个检测器 |
| Intel N100 | ~ 15 ms | 320: ~ 25 ms | ||
| Intel Arc A380 | ~ 6 ms | 320: ~ 10 ms 640: ~ 22 ms | 336: 20 ms 448: 27 ms | |
| Intel Arc A750 | ~ 4 ms | 320: ~ 8 ms |
TensorRT - Nvidia GPU
TensorRT检测器能够在配备支持CUDA 12.x系列库的NVIDIA GPU的x86主机上运行。主机系统的最低驱动版本必须为>=525.60.13，且GPU需支持5.0或更高的计算能力。这通常对应于麦克斯韦架构（Maxwell-era）或更新的GPU，更多信息请查阅 TensorRT 文档.
推理速度会因GPU和所用模型的不同而有显著差异。
tiny的变体比对应的非tiny模型更快，以下是一些已知示例：
| Name | YOLOv7 推理时间 | YOLO-NAS 推理时间 | RF-DETR 推理时间 |
|---|---|---|---|
| GTX 1060 6GB | ~ 7 ms | ||
| GTX 1070 | ~ 6 ms | ||
| GTX 1660 SUPER | ~ 4 ms | ||
| RTX 3050 | 5 - 7 ms | 320: ~ 10 ms 640: ~ 16 ms | 336: ~ 16 ms 560: ~ 40 ms |
| RTX 3070 Mobile | ~ 5 ms | ||
| RTX 3070 | 4 - 6 ms | 320: ~ 6 ms 640: ~ 12 ms | 336: ~ 14 ms 560: ~ 36 ms |
| Quadro P400 2GB | 20 - 25 ms | ||
| Quadro P2000 | ~ 12 ms |
AMD GPU
通过使用 rocm 检测器，Frigate可以工作在大部分AMD的显卡上。
| 型号 | YOLOv9 推理时间 | YOLO-NAS 推理时间 |
|---|---|---|
| AMD 780M | ~ 14 ms | 320: ~ 25 ms 640: ~ 50 ms |
| AMD 8700G | 320: ~ 20 ms 640: ~ 40 ms |
社区支持的检测器
Nvidia Jetson
Frigate支持所有的Jetson开发板，从经济实惠的Jetson Nano到性能强劲的Jetson Orin AGX都有覆盖。能够通过专门的编解码预设参数来调用Jetson视频硬解码功能进行加速。如果还配置了TensorRT检测器则会利用Jetson的GPU和DLA（深度学习加速器）执行目标检测任务。
推理速度会因YOLO模型、Jetson平台型号及NVPMode（GPU/DLA/EMC时钟频率）配置而异。大多数模型的典型推理时间为20-40毫秒。 DLA（深度学习加速器）相比GPU能效更高但速度略慢，因此启用DLA会降低功耗，但会轻微增加推理耗时。
Rockchip platform
Frigate 支持所有 Rockchip 开发板的硬件视频加速功能，但硬件目标检测仅限以下型号支持：
- RK3562
- RK3566
- RK3568
- RK3576
- RK3588
| Name | YOLOv9 推理时间 | YOLO-NAS 推理时间 | YOLOx 推理时间 |
|---|---|---|---|
| rk3588 3 cores | ~ 35 ms | small: ~ 20 ms med: ~ 30 ms | nano: 18 ms tiny: 20 ms |
| rk3566 1 core | small: ~ 96 ms |
启用全部3个核心的RK3588芯片运行YOLO-NAS S模型时，典型推理时间为25-30毫秒。
Frigate如何分配CPU和检测器的工作？（美式通俗解释）
根据国外贴吧reddit的用户提问改编，细节有些调整。
CPU说：我是CPU, Mendel是Google Coral
我和Mendel接到个任务，要求我们阻止领居家的鸟飞进爸妈的院子，但我（CPU）不太认识鸟，需要花很久时间才能认出来，而Mendel（Coral）是鸟类专家！他可以很快的认出来。 但Mendel在其他方面的能力却很拉胯，所以我们尝试分工合作： 我负责盯监控，一直盯着画面，发现有什么东西动了就立刻拍张照，然后把照片给Mendel，他很快的认出来目标是什么。虽然大部分时间都是误报（例如树叶或者影子之类的），但终于有一次Mendel找到了邻居家的鸟！任务完成！
提高摄像头分辨率会发生什么？
我们突然发现一个问题：院子里还是到处都是鲣鸟的便便！怎么会漏掉呢？我明明盯了一整天啊！ 爸妈检查监控后发现是因为窗户太小太脏，原来的监控窗口视野有限，还蒙着灰 于是他们擦干净窗户并换了个超大落地窗
现在我们能看到整个院子了，但……
CPU有了新的烦恼：
- 要扫描的运动区域变大了好几倍
- 必须更拼命工作才能盯住每个角落
Mendel增填了更多压力：
- 现在每张照片都超高清（细节爆炸）
- 识别每处细节是否藏着狡猾的鸟更费劲了
实际上，当你调高分辨率/帧率时，CPU负荷暴增，要处理的数据量呈指数级增长 而Coral加速器虽然强大但精力有限，它不能同时扫描所有画面（尤其是你有多个摄像头时）
Frigate的做法是： CPU先做“运动侦察兵”，只把有动静的画面交给Coral加速器做“精准识别”；这样既能监控多路摄像头，又不会压垮检测器。
使用 Coral 加速器时，硬件加速参数（hwaccel args）还有用吗？
当然有用！因为Coral并不能进行视频编解码工作。
解压视频流会消耗大量CPU资源。视频压缩使用关键帧（I帧）传输完整画面，后续帧只记录差异，CPU需要将差异帧与关键帧合并还原每一帧（更多细节可参阅本文（英文））。 更高分辨率和帧率意味着需要更多算力来解码视频流，因此 建议直接在摄像头端设置合适参数以避免不必要的解码负担。