Frigate 0.17: co přineslo nejnovější vydání lokálního NVR

Kamery jsou věc, kterou si doma necháme běžet a pak na ně úplně zapomeneme — dokud se něco nestane. Jenže většina cloudových systémů funguje tak, že vaše záběry putují na cizí servery, platíte měsíční poplatek a ve finále nemáte nad daty žádnou skutečnou kontrolu. Já jsem s tímhle skončil před dvěma lety, kdy jsem přešel na Frigate NVR — open-source lokální systém, který veškerou AI detekci zpracovává přímo u vás doma. A s vydáním verze 0.17 se věci posunuly výrazně dopředu. Pojďme se podívat na to, co je nového a co to v praxi znamená.

Co se změnilo ve Frigate 0.17

Frigate 0.17 přinesl hned několik věcí, které mě jako dlouhodobého uživatele opravdu potěšily. Největší změna se týká modelů a hardwarové podpory.

YOLOv9 na Google Coral. Coral TPU byl dlouho zlatým standardem pro urychlení detekce, ale vývoj ze strany Googlu výrazně zpomalil. Verze 0.17 přinesla podporu YOLOv9 modelů přímo pro Coral — a rozdíl v přesnosti oproti starému MobileDet modelu je znatelný. Méně falešných poplachů, spolehlivější rozpoznání osob ve špatném osvětlení. Pokud Coral doma máš, rozhodně stojí za upgrade.

Intel NPU a Apple Silicon. Tady je ale zajímavější novinka pro ty, kteří teprve budují systém. Frigate 0.17 přidalo nativní podporu Intel NPU (neuronové procesní jednotky integrované v novějších Intel čipech) a detekci přes Apple Silicon NPU. To znamená, že pokud máš doma Intel mini PC s procesorem řady Core Ultra nebo jakýkoli Mac s M-čipem, nepotřebuješ žádný externí akcelerátor.

Hailo-8L přímo v Docker image. Hailo-8L je AI akcelerátor určený primárně pro Raspberry Pi 5 a v letošním roce se stal hlavní doporučenou volbou pro nové instalace. Frigate 0.17 integroval driver Hailo 4.21.0 přímo do standardního Docker image — žádné ruční kompilace, žádné závislosti navíc. Jen docker compose up a jedete.

Automatická konverze RKNN modelů pro zařízení s Rockchip SoC (typicky NAS nebo mini PC od Orange Pi, Rock Pi apod.) je také nová. Frigate teď model konvertuje automaticky při prvním spuštění — pro lidi, kteří mají taková zařízení doma jako homelab, to výrazně snižuje vstupní bariéru.

Hailo-8L vs. Coral vs. Intel OpenVINO: co vybrat

Tady se dostávám k otázce, která mi přistávala do mailu nejčastěji od mých čtenářů. Odpověď záleží na tom, odkud startujete.

Máš Coral a funguje? Nech ho být. S YOLOv9 je to stále výkonné a velmi úsporné řešení (typicky 2–4 W spotřeby). Frigate ho bude podporovat dál.

Buduješ nově? Podívej se na Intel mini PC s OpenVINO — konkrétně mini PC na bázi Intel N100 nebo Core i3/i5 N-series nabízí skvělý poměr cena/výkon a OpenVINO detekce na nich běží bez jakéhokoli externího hardwaru. Localtonet blog to hezky shrnuje: Intel mini PC s OpenVINO a aktivní vendor podporou je v letošním roce rozumnější volba pro nové instalace než Coral, pokud nakupujete od nuly.

Raspberry Pi 5 + Hailo-8L je třetí schůdná cesta — fyzicky kompaktní, nízká spotřeba, Hailo má aktivní roadmapu. Nevýhoda je cena HAT modulu (kolem 60–80 €) a o trochu složitější setup oproti mini PC.

Co se týče samotných kamer: Frigate pracuje s jakýmkoli RTSP streamem, ale drátové PoE kamery jsou výrazně spolehlivější než Wi-Fi. Já osobně mám doma kombinaci — venkovní PoE kamery na chodbě a garážových dveřích, jednu Wi-Fi kameru v interiéru jako doplněk. Wi-Fi občas vypadne, PoE nikdy.

Sémantické vyhledávání a rozpoznávání obličejů: funkce, které mění způsob práce s nahrávkami

Tohle je část, o které se nejméně mluví, ale mě v praxi nejvíc potěšila.

Sémantické vyhledávání — tedy vyhledávání v nahrávkách přirozeným jazykem — přišlo už ve verzi 0.15 a 0.17 ho dál vylepšuje. Napíšete „člověk v červené bundě u vchodových dveří" a Frigate prohledá záznamy pomocí CLIP embeddingů běžících lokálně. Vše na vašem hardwaru, žádný cloud. Zkusil jsem to minulý týden, kdy jsem hledal záběr z minulého měsíce — a fungovalo to překvapivě přesně.

Rozpoznávání obličejů a SPZ (face & license plate recognition) přišlo ve verzi 0.16 a 0.17 to dále stabilizuje. Dřív se tohle dalo nějak poslepovat přes Home Assistant a externí nástroje, ale bylo to složité na údržbu. Teď je to přímo součástí Frigate — natrénujete profily přímo v rozhraní a systém vám pak v notifikaci řekne nejen „osoba u dveří", ale případně i jméno, pokud danou tvář rozpozná. Vše lokálně, žádný Clearview, žádný Google.

Integrace s Home Assistantem zůstává první třídy — každá detekovaná zóna nebo objekt se stane entitou, se kterou můžete automatizovat. Klasický příklad: osoba na příjezdové cestě po setmění → zapnou se reflektory, Home Assistant odešle notifikaci se snímkem přímo na telefon, zkontroluje stav zámku dveří. Snapshot přijde na telefon během vteřiny od detekce.

Jak na to: základní setup v několika krocích

Nejrychlejší cesta ke spuštění Frigate je přes Docker Compose. Na GitHub stránce projektu najdete aktuální compose soubor. Zhruba takto vypadá minimální konfigurace:

services:
  frigate:
    image: ghcr.io/blakeblackshear/frigate:stable
    privileged: true
    restart: unless-stopped
    volumes:
      - /path/to/config:/config
      - /path/to/storage:/media/frigate
    ports:
      - "5000:5000"
      - "8554:8554"

Do konfiguračního souboru config.yml pak přidáte RTSP adresy kamer, nastavíte detekční zóny a vyberete detektor (cpu / coral / openvino / hailo). Dokumentace na frigate.video je přehledná a aktuální.

Jedno upozornění z praxe: věnujte čas nastavení motion masek. Bez nich vám strom vlající ve větru nebo světla projíždějícího auta budou generovat zbytečné detekce. Frigate má vestavěný editor masek přímo v UI — není potřeba editovat SVG ručně jako dřív.

---

Frigate 0.17 je podle mě přelomové vydání hlavně proto, že výrazně rozšiřuje hardwarovou základnu. Přestat být závislý na jediném produktu (Coral) a otevřít se Intel NPU, Apple Silicon i Hailo znamená, že lokální AI detekce kamer se stává dostupná pro mnohem širší skupinu lidí — bez nutnosti kupovat speciální hardware, pokud máte relativně moderní mini PC. Co mě zajímá nejvíc do budoucna: jak daleko dojde integrace s lokálními LLM modely pro ještě kontextovější popis toho, co se na záběrech děje. Prvním krokem je sémantické vyhledávání — dalším by mohlo být automatické shrnutí dne: „Dnes se u vchodových dveří pohybovalo 5 různých lidí, 2 neznámí." Vy byste takovou funkci využili?