Lokale KI-Sicherheitskameras: So bauen Sie einen privaten NVR ohne Cloud

Kurze Antwort

Ein lokales KI-Sicherheitskamerasystem zeichnet IP-Kameramaterial auf und analysiert es auf Hardware im Heimnetzwerk, anstatt für jeden Alarm, Clip oder jede Erkennung auf Cloud-Verarbeitung angewiesen zu sein.

Das System kombiniert normalerweise fünf Komponenten:

1. IP-Kameras, die stabile lokale Videostreams bereitstellen.
2. Eine lokale NVR-Anwendung wie Frigate.
3. Objekterkennung für Personen, Fahrzeuge, Tiere, Pakete oder andere nützliche Klassen.
4. Speicher für Aufnahmen, Clips, Schnappschüsse, Datenbanken und Suchindizes.
5. Regeln, die entscheiden, welche Ereignisse Alarme auslösen, gespeichert oder an ein Hausautomationssystem gesendet werden sollen.

Ein NAS kann den NVR hosten oder die Aufnahmen speichern, ist aber nicht erforderlich, um jede Aufgabe zu erfüllen. In größeren Setups kann ein Mini-PC oder separater KI-Server die Videodekodierung und Erkennung übernehmen, während das NAS die Speicherebene bleibt.

Der Hauptvorteil besteht nicht einfach darin, „KI hinzuzufügen“ zu Sicherheitskameras. Es geht darum, Fehlalarme zu reduzieren, wichtige Ereignisse schneller zu finden, das Filmmaterial lokal zu kontrollieren und unnötige Abhängigkeit von Cloud-Abonnements zu vermeiden.

Was ist ein lokales KI-Sicherheitskamerasystem?

Lokale Aufzeichnung und lokale KI sind getrennte Funktionen

Lokale Aufzeichnung bedeutet, dass die Kamera Video an ein Gerät im Haus sendet, wo das Material gespeichert wird, ohne Cloud-Speicher zu benötigen.

Lokale KI-Erkennung fügt eine weitere Ebene hinzu. Der NVR analysiert ausgewählte Frames und versucht, bedeutungsvolle Objekte oder Ereignisse zu identifizieren, wie zum Beispiel:

• Eine Person, die die Einfahrt betritt
• Ein Fahrzeug, das in der Nähe der Garage anhält
• Ein Paket, das auf der Veranda erscheint
• Ein Hund, der durch den Garten läuft
• Ein bekanntes Gesicht, das am Eingang ankommt
• Ein sichtbares Nummernschild an einer Einfahrtkamera

Ein System kann lokal ohne KI aufzeichnen und Erkennung durchführen, ohne kontinuierlich aufzuzeichnen. Die beiden Funktionen sollten getrennt geplant werden, da sie unterschiedliche Anforderungen an Rechenleistung, Netzwerk und Speicher stellen.

Kamera, NVR und Speicherserver haben unterschiedliche Rollen

Manche Hersteller bezeichnen eine integrierte Speicher- und Erkennungslösung als AI NAS. Für Nutzer ist jedoch nicht das Etikett entscheidend, sondern ob der komplette lokale Kameraworkflow zuverlässig aufzeichnet, Ereignisse korrekt filtert, Aufnahmen schützt und wartbar bleibt.

Lokal bedeutet nicht immer vollständig offline

Eine Kamera kann auf einem lokalen NVR aufzeichnen und gleichzeitig Server des Herstellers für Kontoanmeldung, Telemetrie, Benachrichtigungen, Fernansicht, Zeitsynchronisation oder Firmware-Dienste kontaktieren.

Ein wirklich lokal orientiertes Design erfordert, dass Nutzer den kompletten Datenpfad verstehen:

• Wohin die Kamera Video sendet
• Ob die Kamera ein Cloud-Konto benötigt
• Ob ausgehender Internetzugang blockiert werden kann
• Wie die Fernansicht funktioniert
• Wo Benachrichtigungen generiert werden
• Ob Aufnahmen oder Vorschaubilder das Netzwerk verlassen

Was kann lokale Kamera-KI tatsächlich leisten?

Erkennen von Personen, Fahrzeugen, Tieren und Paketen

Einfache Bewegungserkennung reagiert auf Veränderungen zwischen Videobildern. Wind, Schatten, Insekten, Regen, Scheinwerfer, Baumzweige und Kompressionsrauschen können alle Bewegung erzeugen.

Objekterkennung stellt eine nützlichere Frage: Was hat die Bewegung verursacht?

Frigate ist ein lokales NVR, das auf Echtzeit-Objekterkennung für IP-Kameras ausgelegt ist. Es verwendet eine ressourcenschonende Bewegungserkennung, um zu entscheiden, wann und wo die Objekterkennung laufen soll, anstatt kontinuierlich jeden Teil jedes Frames zu analysieren.

Die erkannte Objektklasse kann dann mit Standort, Zeit, Dauer, Vertrauen und Haushaltsregeln kombiniert werden, bevor ein Alarm ausgelöst wird.

Ereignisse mit Zonen- und Zeitregeln filtern

Die Erkennung einer Person allein reicht nicht immer aus. Eine Person, die auf einem öffentlichen Gehweg geht, ist vielleicht unbedeutend, während eine Person, die nach Mitternacht die Veranda betritt, sofortige Aufmerksamkeit verdient.

Eine praktische Alarmregel kann Folgendes kombinieren:

• Objekttyp: Person
• Erforderliche Zone: Vordere Veranda
• Zeit: nach 23:00 Uhr
• Minimale Vertrauensschwelle
• Minimale Ereignisdauer
• Kameraspezifische Benachrichtigungseinstellungen

Diese kontextbezogene Filterung ist oft wertvoller als das Hinzufügen weiterer Objektklassen.

Aufgezeichnete Ereignisse nach Beschreibung durchsuchen

Moderne lokale NVR-Software kann über chronologische Ereignislisten hinausgehen. Frigate kann lokale Einbettungen für verfolgte Objekte erzeugen und diese für die semantische Suche verwenden.

Laut Semantic Search können Nutzer verfolgte Objekte über eine Textbeschreibung, ein vorhandenes Bild oder eine automatisch generierte Beschreibung suchen. Die Bild- und Texteinbettungen werden lokal gespeichert und durchsucht.

Mögliche Suchanfragen können sein:

• Person mit roter Jacke
• Weißer Lieferwagen in der Einfahrt
• Hund läuft in der Nähe des Tores
• Person trägt eine große Kiste
• Fahrzeug ähnlich zu einem vorherigen Ereignis

Semantische Suche ist nützlich für Untersuchungen und Überprüfungen, sollte aber nicht als perfekte automatische Alarmfunktion betrachtet werden. Visuelle Ähnlichkeitsmodelle können verwandte, aber falsche Ereignisse zurückgeben, besonders wenn Objekte klein sind oder Szenen ähnlich aussehen.

Bekannte Gesichter erkennen

Gesichtserkennung kann einem erkannten Gesicht einen bekannten Namen zuordnen, nachdem das System zuerst ein ausreichend klares Gesicht gefunden hat.

Frigates Gesichtserkennungsfunktion läuft lokal und unterstützt ein effizientes CPU-orientiertes Modell sowie ein größeres Modell für unterstützte GPU- oder NPU-Hardware.

Gesichtserkennung sollte als optionale Ergänzung und nicht als Ersatz für die Personenerkennung betrachtet werden. Ergebnisse können beeinflusst werden durch:

• Abstand zur Kamera
• Gesichtswinkel
• Bewegungsunschärfe
• Schwaches Licht oder Infrarotaufnahmen
• Hüte, Brillen oder teilweise Verdeckung
• Schwache oder nicht repräsentative Trainingsbilder

Kameraposition und Gesichtsdetaillierung sind wichtiger als nur die Erhöhung der Aufnahmeauflösung.

Kennzeichen erkennen

Die Kennzeichenerkennung kann helfen, bekannte Fahrzeuge zu identifizieren, die eine Einfahrt befahren, oder sichtbaren Nummernschildtext für eine spätere Überprüfung aufzuzeichnen.

Die Dokumentation zur Kennzeichenerkennung erklärt, dass Frigate erkannte Nummernschildzeichen oder bekannte Namen an verfolgte Autos und Motorräder anhängen kann.

LPR erfordert einen Kamerawinkel und eine Bildqualität, die das Lesen des Nummernschilds ermöglichen. Eine weitwinkelige Übersichtskamera, die hoch über einer Einfahrt montiert ist, kann ein Fahrzeug zuverlässig erkennen, aber das Nummernschild möglicherweise nicht lesen.

Ereignisbeschreibungen und Zusammenfassungen erstellen

Einige lokale Kameraworkflows können Beschreibungen oder Zusammenfassungen zu verfolgten Ereignissen hinzufügen. Diese Funktionen können je nach gewählter Konfiguration lokale oder externe Vision-Sprach-Modelle verwenden.

Beschreibungen können das Suchen und Überprüfen von Ereignissen erleichtern, aber Nutzer sollten überprüfen, ob der konfigurierte Anbieter lokal läuft, bevor sie annehmen, dass keine Bilder oder Ereignisdaten das Netzwerk verlassen.

Die lokale KI-Kamera- und NVR-Pipeline

Ein zuverlässiges lokales KI-Kamerasystem sollte als Pipeline und nicht als ein einzelnes KI-Modell verstanden werden.

Schritt 1: Stabile lokale Kamerastreams erfassen

Der NVR benötigt direkten und zuverlässigen Zugriff auf Kamerastreams. RTSP ist in selbstgehosteten Kamerasystemen üblich, während ONVIF bei der Geräteerkennung, Profilen, Ereignissen und Interoperabilität helfen kann.

Die ONVIF-Profile -Seite erklärt, dass kompatible Geräte und Clients eine definierte Menge von Profilfunktionen unterstützen müssen. Nutzer sollten die registrierte Konformität überprüfen, anstatt sich nur auf ein „ONVIF-kompatibles“ Marketinglabel zu verlassen.

Vor dem Kauf einer Kamera bestätigen Sie:

• Es bietet einen lokalen RTSP- oder kompatiblen Stream.
• Es kann ohne verpflichtendes Cloud-Abonnement betrieben werden.
• Der Stream bleibt verfügbar, nachdem der ausgehende Internetzugang blockiert wurde.
• Es bietet einen Substream mit niedrigerer Auflösung.
• Seine Bitrate, Bildrate und der Codec können konfiguriert werden.
• Seine Zugangsdaten können lokal geändert und verwaltet werden.

Schritt 2: Bewegung zur Begrenzung der Objekterkennung verwenden

Die Objekterkennung auf jedem Pixel jedes Frames durchzuführen, würde Ressourcen verschwenden. Frigate verwendet zunächst eine Bewegungsanalyse, um zu identifizieren, wo eine weitere Erkennung erforderlich ist.

Dies ermöglicht es einem Detektor, mehrere Kameras effizienter zu bedienen. Es bedeutet auch, dass die Bewegungskonfiguration wichtig bleibt, selbst wenn die Objekterkennung aktiviert ist.

Schritt 3: Relevante Objekte erkennen und verfolgen

Die Objekterkennung wird auf dem Stream durchgeführt, der die Erkennungsrolle zugewiesen bekommen hat. Der ausgewählte Stream sollte genügend Details für die beteiligten Objektklassen und Entfernungen bieten, ohne unnötige Dekodierlast zu erzeugen.

Die Kamera-Konfiguration von Frigate ermöglicht es, separate Streams für Erkennung und Aufnahme zuzuweisen. Ein Stream mit niedrigerer Auflösung kann für die Erkennung verwendet werden, während ein Stream mit höherer Auflösung für Aufnahmen erhalten bleibt.

Diese Trennung ist oft besser, als einen hochauflösenden Stream zu zwingen, jede Rolle zu erfüllen.

Schritt 4: Entscheiden, welche Ereignisse wichtig sind

Erkennung sollte nicht automatisch eine Benachrichtigung bedeuten. Ein Ereignis wird erst nützlich, wenn es durch die Prioritäten des Haushalts gefiltert wird.

Zum Beispiel:

Schritt 5: Aufnahmen nach ihrem Wert speichern

Nicht jede Sekunde Kameramaterial verdient die gleiche Aufbewahrungsdauer.

Eine praktische Richtlinie könnte Folgendes vorsehen:

• Kontinuierliche Aufnahmen für einen kurzen Zeitraum
• Bewegungsaufnahmen für mehrere zusätzliche Tage
• Wichtige Erkennungen oder Alarme für längere Zeit
• Manuell exportierte Beweise, bis sie nicht mehr benötigt werden

Frigates Aufnahme-Einstellungen erlauben es, kontinuierliche, Bewegungs-, Alarm- und Erkennungsaufnahmen mit unterschiedlichen Aufbewahrungsfristen zu verwenden.

Schritt 6: Netzwerk und Fernzugriff sichern

Das System ist nur dann lokal-first, wenn sein Netzwerk und die Zugriffswege kontrolliert sind. Kameras sollten nicht das gleiche Vertrauensniveau wie persönliche Computer, Dokumentenspeicher oder Administratorgeräte haben.

Fernzugriff sollte normalerweise über eine kontrollierte Route erfolgen, wie ein vertrauenswürdiges VPN, einen authentifizierten Reverse-Proxy oder eine andere sorgfältig gesicherte Zugriffsschicht, anstatt das NVR direkt dem öffentlichen Internet auszusetzen.

Welche Kameras funktionieren mit einem lokalen AI-NVR?

Priorisieren Sie stabile lokale Streams

Die beste Kamera für ein lokales AI-NVR ist nicht unbedingt die Kamera mit der längsten Liste eingebauter „AI“-Funktionen. Ein stabiler lokaler Stream ist wichtiger.

Achten Sie auf:

• RTSP-Unterstützung
• Verifizierte ONVIF-Konformität, wo relevant
• Konfigurierbare Haupt- und Substreams
• H.264- oder unterstützter H.265-Ausgang
• Anpassbare Bitrate und Bildrate
• Zuverlässiges kabelgebundenes Ethernet oder starkes WLAN
• Lokale Benutzerkonten
• Angemessene Bildqualität bei schlechten Lichtverhältnissen

Hauptstreams und Erkennungs-Substreams erfüllen unterschiedliche Zwecke

Ein Stream mit hoher Auflösung ist nützlich, wenn Beweise überprüft, Kennzeichen gelesen, Gesichter identifiziert oder in ein aufgezeichnetes Ereignis hineingezoomt wird.

Ein Stream mit niedrigerer Auflösung kann für die Objekterkennung ausreichen und die Dekodierlast erheblich reduzieren.

Eine übliche Anordnung ist:

• Erkennungsstream: niedrigere Auflösung und niedrigere Bildrate.
• Aufzeichnungsstream: höhere Auflösung und bessere Bildqualität.
• Live-Ansicht-Neustream: ausgewählt je nach Dashboard oder Client-Gerät.

Kabelgebundene Kameras sind in der Regel einfacher zuverlässig zu betreiben

WLAN-Kameras können funktionieren, aber jede Kamera konkurriert um die drahtlose Übertragungszeit und kann durch Signalverlust, Überlastung, Energiesparverhalten oder Änderungen des Zugangspunkts beeinträchtigt werden.

Kabelgebundene Kameras, insbesondere solche mit Power over Ethernet, können Stromversorgung, Netzwerk und Betriebszeit vereinfachen. Die richtige Wahl hängt dennoch von den Installationsbedingungen und der Praktikabilität der Verkabelung ab.

Wie Frigate Fehlalarme reduziert

Bewegungserkennung und Objekterkennung arbeiten zusammen

Bewegung bestimmt, wo die Analyse stattfinden soll. Objekterkennung entscheidet, was vorhanden sein könnte.

Das Deaktivieren oder Übermaskieren von Bewegung kann die Objektverfolgung weniger zuverlässig machen. Eine zu empfindliche Bewegungserkennung kann Ressourcen verschwenden und unnötige Ereignisse erzeugen.

Zonen für wichtige Bereiche verwenden

Zonen sind geeignet, wenn Benutzer nur dann Alarme erhalten möchten, wenn ein Objekt einen definierten Bildbereich betritt, wie z. B.:

• Vordere Veranda
• Einfahrt
• Seitentor
• Garageneingang
• Hinterhof-Terrasse

Eine Zone kann mit Einstellungen für erforderliche Zonen kombiniert werden, sodass ein Objekt außerhalb des Bereichs weiterhin verfolgt werden kann, aber den ausgewählten Alarm erst auslöst, wenn es die relevante Zone betritt.

Masken sparsam verwenden

Die Masken-Dokumentation von Frigate unterscheidet zwischen Bewegungsmasken und Objektfilter-Masken und warnt, dass beide enge Feinabstimmungswerkzeuge sind und keine allgemeinen Methoden, um einen Bereich vor der Erkennung zu verbergen.

Bewegungsmasken können helfen, anhaltende Bewegungen auszuschließen, wie z. B.:

• Eine Zeitstempel-Überlagerung
• Sich bewegende Bäume am oberen Bildrand
• Reflexionen von einer festen Oberfläche
• Eine sich ständig bewegende Flagge

Objektfilter-Masken sind besser geeignet bei wiederkehrenden Fehlalarmen an Orten, an denen ein bestimmtes Objekt unmöglich sein sollte.

Übermäßiges Maskieren kann die Verfolgung unterbrechen. Wenn die Anforderung lautet „nur alarmieren, wenn eine Person diesen Ort betritt“, ist eine erforderliche Zone meist geeigneter.

Kameraplatzierung bestimmt weiterhin die Erkennungsqualität

KI kann keine Details wiederherstellen, die die Kamera nie erfasst hat. Die Erkennungsqualität hängt ab von:

• Montagehöhe
• Blickwinkel
• Objektgröße im Erkennungsstream
• Gegenlicht und Blendung
• Nachtbeleuchtung
• Bewegungsunschärfe
• Objektivsauberkeit
• Kompressionseinstellungen

Eine kleinere Anzahl gut positionierter Kameras kann bessere Sicherheitsinformationen liefern als viele schlecht positionierte Streams.

So funktioniert die lokale KI-Video-Suche

Traditionelle Filter und semantische Suche erfüllen unterschiedliche Bedürfnisse

Traditionelle Filter sind am besten, wenn der Benutzer bereits ein strukturiertes Detail kennt:

• Kameraname
• Datum und Uhrzeit
• Objektklasse
• Zone
• Bekanntes Gesicht
• Erkannte Nummernschild

Semantische Suche ist nützlich, wenn das Gedächtnis beschreibend statt strukturiert ist:

• Person trägt einen langen Gegenstand
• Lieferfahrer stellt eine Kiste in der Nähe der Tür ab
• Dunkles Fahrzeug fährt in die Einfahrt zurück
• Hund folgt einer Person durch das Tor

Die Kombination strukturierter Filter mit semantischer Suche liefert in der Regel bessere Ergebnisse als die alleinige Nutzung semantischer Ähnlichkeit.

Semantische Suche benötigt mehr Speicher als die grundlegende Erkennung

Die semantische Suche führt ein Vision-Language-Embedding-Modell zusätzlich zur normalen Kamerapipeline aus.

Frigate empfiehlt derzeit mindestens 8 GB RAM und eine CPU mit AVX- und AVX2-Befehlen für die semantische Suche. Die Dokumentation empfiehlt 16 GB oder mehr und eine dedizierte GPU für bessere Leistung.

Das Reindexieren einer großen Historie verfolgter Objekte kann vorübergehend eine hohe CPU-Auslastung verursachen. Diese Aufgabe sollte unter Berücksichtigung von Aufnahme-, Backup- und anderer Serveraktivität geplant werden.

Bildähnlichkeit ist nützlich für manuelle Untersuchungen

Ein Benutzer kann ein zuvor verfolgtes Objekt auswählen und nach visuell ähnlichen Ereignissen suchen. Dies kann helfen, wiederholte Besuche eines ähnlichen Fahrzeugs oder einer Person mit ähnlicher Kleidung zu finden.

Visuelle Ähnlichkeit begründet keine Identität. Ähnliche Fahrzeuge, Kleidung, Beleuchtung und Kamerawinkel können verwandte Ergebnisse erzeugen, die dennoch manuell überprüft werden müssen.

Frigate, Heimautomatisierung und NAS: Was läuft wo?

Option 1: Ein Heimserver betreibt alles

In einer kleinen Einrichtung kann eine Maschine Folgendes ausführen:

• Frigate
• MQTT
• Home Assistant
• Aufnahme-Speicher
• Benachrichtigungen
• Eine kleine Anzahl anderer Container

Dies ist einfach zu verstehen und zu warten, aber ein Ausfall, Neustart oder Ressourcenspitze kann alle Dienste gleichzeitig beeinträchtigen.

Option 2: Mini-PC führt Frigate aus und NAS speichert Aufnahmen

Dies ist oft ein praktischer Kompromiss für größere Systeme.

Der Mini-PC übernimmt:

• Stream-Decodierung
• Bewegungsanalyse
• Objekterkennung
• Semantische Suche
• Frigate-Datenbank und Benutzeroberfläche

Das NAS übernimmt:

• Aufnahmekapazität
• Längere Aufbewahrung
• Ausgewählte Exporte
• Wichtige Clip-Backups

Dies hält die konstante Videoverarbeitung von den Hauptspeicher-Workloads fern und nutzt dennoch zentrale Kapazitäten.

Option 3: NAS hostet Frigate mit unterstützter Beschleunigung

Der direkte Betrieb von Frigate auf einem NAS kann funktionieren, wenn:

• Das Betriebssystem unterstützt die erforderlichen Container.
• Der Detektor oder die GPU kann korrekt durchgereicht werden.
• Die Anzahl der Kameras ist überschaubar.
• Das NAS verfügt über ausreichend Arbeitsspeicher.
• Kamera-Schreibvorgänge stören keine kritischen Dienste.
• Der Software-Stack unterstützt den vorgesehenen Video-Decodierpfad.

Der interne Leitfaden wann Heim-Workloads außerhalb des NAS laufen sollten bietet einen umfassenderen Rahmen, um zu entscheiden, wann Speicher und Rechenleistung getrennt werden sollten.

Das NAS kann auch ohne den Betrieb der KI wertvoll bleiben

Ein speicherorientiertes NAS kann praktische lokale Heimdaten-Workflows unterstützen, auch wenn eine andere Maschine die Kamera-Inferenz übernimmt.

Speicherhardware und KI-Hardware müssen nicht dasselbe Gerät sein.

Welche Hardware benötigt ein lokaler KI-NVR?

CPU: Stream-Management und allgemeine Systemarbeit

Die CPU kann folgende Aufgaben übernehmen:

• Bewegungsanalyse
• FFmpeg-Prozesse
• Container-Dienste
• Datenbankaktivität
• API-Anfragen
• Zeitleistengenerierung
• Jegliche Videodekodierung, die nicht ausgelagert wird

Das Hinzufügen eines KI-Beschleunigers beseitigt nicht alle CPU-Arbeitslasten.

Video-Decoder: Dekomprimierung von Kamerastreams

Videodekodierung und KI-Inferenz sind separate Aufgaben. Ein Objekterkennungsbeschleuniger kann Frames effizient klassifizieren, während die CPU mit der Dekodierung mehrerer hochauflösender Streams überlastet bleibt.

Unterstützte integrierte Grafiken oder GPU-Videodekodierung können die CPU-Belastung erheblich reduzieren. Die genaue Konfiguration hängt vom Prozessor, Betriebssystem, Container-Image, Codec und Frigate-Build ab.

Detektor: Objekterkennungs-Inferenz

Die Empfohlene Hardware-Dokumentation von Frigate unterstützt mehrere Detektorpfade, darunter Hailo, OpenVINO auf unterstützter Intel-Hardware, NVIDIA-GPUs, AMD ROCm, Apple Silicon, Jetson, Rockchip, Coral und andere Plattformen.

Die aktuelle Frigate-Empfehlung rät generell davon ab, Coral für neue Installationen zu verwenden, außer bei geringem Stromverbrauch oder begrenzter Hardware. Bestehende Coral-Installationen werden weiterhin unterstützt, aber neue Builds sollten alle aktuell unterstützten Detektoroptionen vergleichen.

RAM: NVR, Datenbank und Anreicherungsfunktionen

Einfache Objekterkennung benötigt möglicherweise moderaten Speicher, aber semantische Suche, Gesichtserkennung, Kennzeichenerkennung, größere Modelle, mehr Kameras und andere Container erhöhen den gesamten RAM-Bedarf.

Planen Sie den Speicher für den gesamten Server, nicht nur für den Detektor.

SSD: Datenbank- und aktive Überprüfungsdaten

Eine SSD kann die Reaktionsfähigkeit verbessern bei:

• Frigate-Datenbankdateien
• Miniaturansichten und Vorschauen
• Aktuelle Clips
• Suchindizes
• Container-Daten
• Häufig überprüfte Aufnahmen

Ständiges Schreiben durch Kameras verursacht Verschleiß, daher sollten SSD-Ausdauer, verfügbarer Speicherplatz und Überwachung berücksichtigt werden.

HDD: Längere Aufbewahrung von Aufnahmen

HDD-Speicher ist normalerweise wirtschaftlicher für große Mengen an historischem Filmmaterial. Er kann für längere Aufbewahrungszeiten genutzt werden, während die Datenbank und häufig genutzte Anwendungsdaten auf SSD verbleiben.

Der interne Leitfaden Ist Ihr lokaler KI-Flaschenhals Rechenleistung, Speicher, Festplatte oder Netzwerk? kann helfen zu erkennen, welcher Teil eines Mehrkamerasystems die Leistung begrenzt.

Wie viel Speicher benötigen Sicherheitskameras?

Der Speicherbedarf hängt hauptsächlich von der durchschnittlichen Bitrate, der Aufnahmedauer, der Kamerazahl und der Aufbewahrungsdauer ab.

Eine grobe Dezimalschätzung ist:

Speicher pro Tag in GB ≈ Bitrate in Mbps × 10,8

Dies sind Planungsschätzungen, keine garantierten Nutzungswerte. Variable Bitrate, Bewegungslevel, Audio, Codecs, Szenenkomplexität und ereignisbasierte Speicherung können den tatsächlichen Verbrauch verändern.

Kontinuierliche Aufzeichnung vs. ereignisbasierte Speicherung

Kontinuierliche Aufzeichnung bietet den stärksten historischen Kontext, benötigt aber mehr Speicher. Nur Ereignisaufzeichnung reduziert den Speicherbedarf, kann aber nützliche Aktivitäten vor oder nach dem erkannten Ereignis verpassen.

Eine ausgewogene Richtlinie kann kurze kontinuierliche Speicherung und längere Aufbewahrung für Alarme und wichtige Erkennungen nutzen.

Sichere wichtige Ereignisse, nicht unbedingt jeden Frame

Kameraaufnahmen sind Daten mit hoher Fluktuation. Jede Sekunde unbegrenzt zu sichern, kann teuer und unnötig sein.

Viele Haushalte können Aufnahmen folgendermaßen trennen:

• Routineaufnahmen, die automatisch verfallen
• Erkennungsausschnitte werden zur Untersuchung aufbewahrt
• Wichtige Exporte werden in geschütztem Speicher kopiert
• Kritische Beweise werden außerhalb des primären NVR gespeichert

Lokaler KI-NVR vs. Cloud-Sicherheitskameras

Die richtige Wahl hängt davon ab, ob im Haushalt Bequemlichkeit, Datenschutzkontrolle, vorhersehbare Kosten, Anpassungsmöglichkeiten oder minimaler Wartungsaufwand am wichtigsten sind.

Wie man IP-Kameras privat hält

Platziere Kameras in einem separaten Netzwerk

Ein dediziertes VLAN oder ein isoliertes Kameranetzwerk kann einschränken, was die Kameras erreichen dürfen.

Eine gängige Richtlinie erlaubt es Kameras, mit dem NVR und erforderlichen lokalen Diensten zu kommunizieren, während der Zugriff auf persönliche Geräte und sensible Speicher blockiert wird.

Blockiere unnötigen ausgehenden Internetzugang

Das Blockieren ausgehenden Verkehrs kann die Abhängigkeit vom Cloud-Anbieter reduzieren, aber auch den App-Zugang, die Zeitsynchronisation, Benachrichtigungen oder Firmware-Updates deaktivieren.

Testen Sie eine Kamera, bevor Sie eine strenge Regel auf das gesamte System anwenden.

Die öffentliche Diskussion IP camera phoning home zeigt ein häufiges Problem beim Selbsthosting: Lokale Aufzeichnung verhindert nicht unbedingt, dass eine Kamera ausgehende Verbindungen versucht.

Verwenden Sie VPN-basierten oder authentifizierten Fernzugang

Stellen Sie Kamerastreams, die NVR-Oberfläche oder Administrationsports nicht direkt offen, es sei denn, das Sicherheitskonzept wurde sorgfältig geprüft.

Verwenden Sie starke Authentifizierung, verschlüsselte Verbindungen, eingeschränkte Konten und einen kontrollierten Fernzugang.

Trennen Sie Betrachter- und Administrator-Konten

Nicht jedes Haushaltsmitglied benötigt die Erlaubnis für:

• Kameraeinstellungen ändern
• Aufnahmen löschen
• Aufnahmen exportieren
• Gesichtsbibliotheken anpassen
• Benachrichtigungsregeln ändern
• Zugriff auf jede Innenkamera

Geben Sie Nutzern nur den minimal erforderlichen Zugriff für ihre Rolle.

Prüfen Sie lokale Gesetze und Erwartungen im Haushalt

Regeln für Audioaufnahmen, Überwachung öffentlicher Bereiche, Gesichtserkennung, Aufbewahrung von Aufnahmen und Besucherfilmen variieren je nach Standort.

Technische Fähigkeiten machen nicht automatisch jede Nutzung angemessen. Informieren Sie Haushaltsmitglieder, vermeiden Sie unnötige Überwachung privater Bereiche und prüfen Sie geltende lokale Vorschriften.

Eine praktische Checkliste für lokale KI-Kamera-Setups

1. Definieren Sie das eigentliche Ziel. Entscheiden Sie, ob die Priorität Paketbenachrichtigungen, Einfahrtüberwachung, Sicherheit im Innenbereich, Tiererkennung oder durchsuchbare Aufnahmen ist.
2. Planen Sie die Kamerabdeckung. Wählen Sie Standorte und Winkel, bevor Sie weitere Kameras kaufen.
3. Überprüfen Sie lokale Streams. Bestätigen Sie RTSP, ONVIF-Konformität, wo nötig, und den Betrieb ohne zwingenden Cloud-Zugang.
4. Wählen Sie Erkennungs- und Aufnahme-Streams. Verwenden Sie einen Stream mit niedrigerer Auflösung für die Erkennung und einen höherwertigen Stream für Beweismaterial, wo es sinnvoll ist.
5. Schätzen Sie den Speicherbedarf. Berechnen Sie Bitrate, Kamerazahl, kontinuierliche Speicherung und Ereignisspeicherung.
6. Wählen Sie unterstützte Hardware aus. Stimmen Sie den Detektor und den Video-Decodierpfad auf die gewählte Frigate-Version ab.
7. Beginnen Sie mit einer Kamera. Überprüfen Sie die Stabilität des Streams, CPU-Auslastung, Inferenzgeschwindigkeit, Aufnahmen und Benachrichtigungen.
8. Erstellen Sie Zonen, bevor Sie komplexe Masken hinzufügen. Definieren Sie, wo Alarme tatsächlich relevant sind.
9. Testen Sie unter realen Bedingungen. Überprüfen Sie Tageslicht, Nacht, Regen, Scheinwerfer, Haustiere, Lieferungen und normale Haushaltsaktivitäten.
10. Trennen Sie den Kameraverkehr. Erstellen Sie Firewall- und Netzwerkrichtlinien, bevor das System groß wird.
11. Konfigurieren Sie Konten und Fernzugriff. Vermeiden Sie gemeinsame Administrator-Anmeldedaten und direkte öffentliche Zugriffe.
12. Testen Sie Aufbewahrung und Export. Stellen Sie sicher, dass wichtige Clips gefunden und kopiert werden können, bevor alte Aufnahmen gelöscht werden.
13. Überwachen Sie die Servergesundheit. Beobachten Sie CPU, RAM, Detektor-Latenz, Stream-Fehler, Festplattenspeicher, SSD-Verschleiß und Aufzeichnungslücken.

Häufige Probleme und Grenzen

Kamerastreams trennen sich oder ruckeln

Mögliche Ursachen sind instabiles WLAN, zu viele Kameraverbindungen, falsche Codecs, zu hohe Bitrate, schwache Switches, Paketverlust oder Probleme mit der Kamerafirmware.

Testen Sie den rohen lokalen Stream, bevor Sie den KI-Detektor beschuldigen.

Personen- oder Fahrzeugerkennungen sind falsch

Überprüfen Sie Begrenzungsrahmen, Vertrauenswerte, Erkennungsauflösung, Objektgröße und Modell-Eignung. Feste Fehlalarme profitieren oft von Objektfiltern, während irrelevante Bereiche besser mit Zonen gehandhabt werden.

Nachterkennung ist deutlich schlechter

Infrarotreflexionen, Insekten, Regen, Scheinwerfer, Bewegungsunschärfe und geringer Kontrast können die Nachterkennung schwächen.

Verbessern Sie die Beleuchtung, positionieren Sie die Kamera neu, reduzieren Sie reflektierende Oberflächen und passen Sie die Erwartungen für Tag und Nacht separat an.

CPU-Auslastung bleibt nach Hinzufügen eines Detektors hoch

Der Detektor kann die Objekterkennung beschleunigen, während die CPU weiterhin Video dekodiert, Bewegung verfolgt, Container verwaltet, Aufzeichnungen schreibt und die Benutzeroberfläche bedient.

Überprüfen Sie Hardware-Videodekodierung, Stream-Auflösung, Kamerabildrate und ob nicht unterstützte Funktionen auf die CPU zurückfallen.

Aufzeichnungsschreibvorgänge beeinträchtigen andere NAS-Dienste

Kameraaufzeichnung erzeugt konstante, stark wechselnde Schreibvorgänge. Diese können mit Backups, Mediatheken, Datenbanken und normalem Datei-Zugriff konkurrieren.

Verwenden Sie bei Bedarf separaten Speicher, dedizierte Datensätze, geplante Aufbewahrung oder einen separaten Frigate-Host.

Semantische Suche benötigt mehr Hardware als erwartet

Semantische Suche fügt ein separates Einbettungsmodell und einen Index hinzu. Ältere verfolgte Objekte können ebenfalls einen CPU-intensiven Reindexierungsprozess erfordern.

Aktivieren Sie erweiterte Anreicherungen erst, wenn die grundlegende Aufzeichnung und Objekterkennung stabil sind.

Gesichtserkennung ist unzuverlässig

Gesichtserkennung benötigt ausreichende Gesichtsdetails, geeignete Kamerawinkel und einen vielfältigen Trainingsdatensatz. Eine Kamera, die für die Abdeckung großer Grundstücke optimiert ist, liefert möglicherweise nicht genug Details für die Identifikation.

Verwenden Sie Gesichtserkennung als zusätzlichen Kontext, nicht als alleinige Grundlage für Sicherheitsentscheidungen.

Lokale Aufzeichnung verhindert nicht, dass Kameras nach Hause telefonieren

Speicherziel und Netzwerkverhalten sind getrennte Themen. Überprüfen Sie DNS-Anfragen, ausgehenden Datenverkehr, Firmware-Funktionen, Abhängigkeiten von Anbieter-Apps und Firewall-Regeln.

KI-Erkennung ist kein vollständiges Sicherheitssystem

Lokale Kamera-KI kann Ereignisse filtern und die Überprüfungszeit verkürzen. Sie kann jedoch nicht garantieren, dass jedes Ereignis erkannt, identifiziert, aufgezeichnet oder als Benachrichtigung zugestellt wird.

Schlösser, Beleuchtung, physische Sicherheit, sinnvolle Kameraplatzierung, Backups und menschliches Urteilsvermögen sind weiterhin wichtig.

Wann lohnt sich der Aufbau eines lokalen KI-Kamerasystems?

Ein lokaler KI-NVR ist eine Überlegung wert, wenn:

• Bewegungsalarme zu viel Lärm erzeugen.
• Der Haushalt Personen-, Fahrzeug-, Tier- oder Paketfilterung möchte.
• Cloud-Kamera-Abonnements teuer werden.
• Private oder Innenaufnahmen lokal bleiben sollen.
• Benutzer längere oder flexiblere Aufbewahrung wünschen.
• Mehrere Kameramarken eine einheitliche Benutzeroberfläche benötigen.
• Kameraereignisse Hausautomationen auslösen sollen.
• Aufgezeichnete Ereignisse eine lokale semantische Suche benötigen.
• Der Haushalt bereit ist, den Server und das Netzwerk zu warten.

Ein einfacherer Recorder oder eine Cloud-Kamera kann besser sein, wenn:

• Im Haushalt gibt es nur eine oder zwei Kameras.
• Basis-Bewegungsaufzeichnung ist ausreichend.
• Niemand möchte Speicher oder Updates verwalten.
• Einfacher Fernzugriff ist wichtiger als lokale Kontrolle.
• Die Kameras liefern keine zuverlässigen lokalen Streams.

Das Ziel ist nicht, das komplexeste Kamerasystem zu bauen, sondern die Zeit zu reduzieren, die benötigt wird, um zu verstehen, was passiert ist, während der Workflow zuverlässig und angemessen privat bleibt.

Fazit

Ein lokales KI-Sicherheitskamerasystem kombiniert stabile IP-Kamerastreams, einen privaten NVR, selektive Objekterkennung, Ereignisfilter, durchsuchbare Aufnahmen, geplanten Speicher und kontrollierten Fernzugriff.

Das NAS kann die Software ausführen, die Aufnahmen speichern oder nur als Langzeitspeicher dienen. Umfangreichere Mehrkameradetektion, Dekodierung, Gesichtserkennung, LPR und semantische Suche sind möglicherweise besser für einen separaten Mini-PC oder AI-Server geeignet.

Beginnen Sie mit den Grundlagen: zuverlässige Streams, eine funktionierende Kamera, sinnvolle Zonen, klare Aufbewahrungsregeln, unterstützte Beschleunigung und sicheren Netzwerkzugang. Fügen Sie Gesichtserkennung, Kennzeichenerkennung, semantische Suche und generative Beschreibungen erst hinzu, wenn die Aufnahme- und Erkennungspipeline stabil ist.

Das beste lokale KI-Kamerasystem ist nicht das, das die meisten Alarme erzeugt. Es ist das, das die richtigen Ereignisse anzeigt, wichtige Aufnahmen zugänglich hält und dem Haushalt klare Kontrolle darüber gibt, wo seine Videos verarbeitet und gespeichert werden.

FAQ

Können KI-Sicherheitskameras ohne Cloud funktionieren?

Ja. Kompatible IP-Kameras können lokale Streams an einen NVR wie Frigate senden, wo Aufnahme und Objekterkennung auf lokaler Hardware laufen.

Prüfen Sie, ob die Kameras selbst noch Vendor-Konten oder ausgehende Verbindungen für andere Funktionen benötigen.

Kann ich Frigate direkt auf einem NAS ausführen?

Ja, wenn das NAS die erforderlichen Container, Speicher-Konfiguration, Geräte-Passthrough, Videodekodierung und Detektor-Hardware unterstützt.

Bei umfangreicheren Setups kann es besser sein, Frigate auf einem separaten Mini-PC laufen zu lassen und das NAS nur für Aufnahmen zu verwenden, um eine bessere Isolation und Leistung zu erzielen.

Brauche ich eine GPU für Frigate?

Nicht unbedingt. Frigate unterstützt mehrere Detektortypen, darunter Intel OpenVINO, Hailo, Coral, NVIDIA, AMD, Apple Silicon, Jetson, Rockchip und andere.

Ein unterstützter Beschleuniger wird für die reguläre Objekterkennung dringend empfohlen. Eine GPU wird für Videodekodierung, größere Erkennungsmodelle, semantische Suche, Gesichtserkennung und andere Erweiterungen nützlicher.

Wird Google Coral für eine neue Frigate-Installation noch empfohlen?

Frigate unterstützt weiterhin Coral, aber die aktuelle Hardware-Empfehlung empfiehlt Coral für neue Installationen nur, wenn geringer Stromverbrauch oder begrenzte Hardware dies erforderlich machen.

Neue Builds sollten die aktuell unterstützten Detektoroptionen mit der Host-Hardware und der Kamerabelastung vergleichen.

Wie viel RAM benötigt Frigate für die semantische Suche?

Frigate benötigt derzeit mindestens 8 GB RAM und eine AVX/AVX2-fähige CPU für die semantische Suche. Die Dokumentation empfiehlt 16 GB oder mehr und eine dedizierte GPU für bessere Leistung.

Soll ich den hochauflösenden Kamerastream für die Erkennung verwenden?

Nicht immer. Ein Substream mit niedrigerer Auflösung kann für die Objekterkennung ausreichend sein und die Dekodierlast reduzieren. Ein höherwertiger Stream kann für Aufzeichnungen gespeichert werden.

Gesichtserkennung und Kennzeichenerkennung benötigen möglicherweise mehr Details als die einfache Erkennung von Personen oder Fahrzeugen, daher hängt der richtige Stream von der Szene ab.

Was ist der Unterschied zwischen einer Zone und einer Maske?

Eine Zone definiert einen Bereich, in dem verfolgte Aktivitäten für Warnungen oder Aufzeichnungen relevant sein können. Eine Bewegungsmaske verhindert, dass Bewegung in einem schmalen Bereich eine Erkennung auslöst. Eine Objektfilter-Maske unterdrückt wiederkehrende Fehlalarme eines bestimmten Objekttyps an einem bestimmten Ort.

Masken sollten sparsam verwendet werden. Erforderliche Zonen sind meist besser, wenn nur innerhalb eines ausgewählten Bereichs gewarnt werden soll.

Kann Frigate alte Kameraaufnahmen mit natürlicher Sprache durchsuchen?

Frigate semantische Suche kann indexierte verfolgte Objekte anhand von Textbeschreibungen oder ähnlichen Bildern durchsuchen. Ältere Ereignisse müssen möglicherweise nach Aktivierung der semantischen Suche neu indexiert werden.

Garantiert lokale Aufzeichnung die Privatsphäre der Kamera?

Nein. Kameras können weiterhin Server des Herstellers kontaktieren, und der NVR kann durch unsichere Fernzugriffseinstellungen exponiert sein.

Datenschutz erfordert Netzwerktrennung, Firewall-Regeln, sichere Authentifizierung, kontrollierten Fernzugriff, Software-Updates und angemessene Benutzerrechte.

Sollten kontinuierliche Sicherheitskameraaufnahmen gesichert werden?

Normalerweise nicht alles. Routinemäßige kontinuierliche Aufnahmen können einer begrenzten Aufbewahrungsrichtlinie folgen. Wichtige Warnungen, exportierte Clips oder Beweismaterial sollten bei Bedarf zur Langzeitarchivierung auf geschütztem Speicher gesichert werden.

Quellen

• Einführung
• Kameraeinstellungen
• Masken
• Zonen
• Aufzeichnung
• Semantische Suche
• Gesichtserkennung
• Kennzeichenerkennung (LPR)
• Generative KI
• Empfohlene Hardware
• ONVIF-Profile
• IP-Kamera meldet sich beim Hersteller