Caméras de sécurité IA locales : comment construire un NVR privé sans le cloud

Réponse rapide

Un système de caméra de sécurité IA locale enregistre et analyse les images des caméras IP sur du matériel à l'intérieur du réseau domestique au lieu de dépendre du traitement cloud pour chaque alerte, clip ou détection.

Le système combine normalement cinq composants :

1. Caméras IP fournissant des flux vidéo locaux stables.
2. Une application NVR locale telle que Frigate.
3. Détection d'objets pour personnes, véhicules, animaux, colis ou autres classes utiles.
4. Stockage pour les enregistrements, clips, instantanés, bases de données et index de recherche.
5. Règles qui décident quels événements doivent déclencher des alertes, être conservés ou envoyés à un système d'automatisation domestique.

Un NAS peut héberger le NVR ou stocker les enregistrements, mais il n'est pas nécessaire pour effectuer toutes les tâches. Dans des configurations plus lourdes, un mini PC ou un serveur IA séparé peut exécuter le décodage vidéo et la détection tandis que le NAS reste la couche de stockage.

Le principal avantage n'est pas simplement « ajouter de l'IA » aux caméras de sécurité. C'est réduire les fausses alertes, trouver plus rapidement les événements importants, contrôler les images localement et éviter une dépendance inutile aux abonnements cloud.

Qu'est-ce qu'un système de caméra de sécurité IA locale ?

L'enregistrement local et l'IA locale sont des fonctions distinctes

L'enregistrement local signifie que la caméra envoie la vidéo à un appareil à l'intérieur de la maison, où les images sont stockées sans nécessiter de stockage cloud.

La détection IA locale ajoute une autre couche. Le NVR analyse des images sélectionnées et tente d'identifier des objets ou événements significatifs, tels que :

• Une personne entrant dans l'allée
• Un véhicule s'arrêtant près du garage
• Un colis apparaissant sur le porche
• Un chien se déplaçant dans le jardin
• Un visage connu arrivant à l'entrée
• Une plaque d'immatriculation visible par une caméra de l'allée

Un système peut enregistrer localement sans IA, et il peut effectuer une détection sans enregistrement continu. Les deux fonctions doivent être planifiées séparément car elles créent des besoins différents en calcul, réseau et stockage.

La caméra, le NVR et le serveur de stockage ont des rôles différents

Certains fournisseurs peuvent décrire une configuration intégrée de stockage et détection comme un NAS IA. Pour les utilisateurs, cependant, la question pratique n’est pas l’étiquette. C’est de savoir si le flux de travail complet de la caméra locale enregistre de manière fiable, filtre correctement les événements, protège les images et reste maintenable.

Local ne signifie pas toujours totalement hors ligne

Une caméra peut enregistrer sur un NVR local tout en contactant les serveurs du fournisseur pour la connexion au compte, la télémétrie, les notifications, la visualisation à distance, la synchronisation horaire ou les services de firmware.

Un design véritablement local-first exige que les utilisateurs comprennent le chemin complet des données :

• Où la caméra envoie la vidéo
• Si la caméra nécessite un compte cloud
• Si l’accès Internet sortant peut être bloqué
• Comment fonctionne la visualisation à distance
• Où les notifications sont générées
• Que les enregistrements ou vignettes quittent le réseau

Que peut réellement faire l’IA locale de la caméra ?

Détecter les personnes, véhicules, animaux et colis

La détection de mouvement basique réagit aux changements entre les images vidéo. Le vent, les ombres, les insectes, la pluie, les phares, les branches d’arbres et le bruit de compression peuvent tous créer du mouvement.

La détection d’objets pose une question plus utile : qu’est-ce qui a causé le mouvement ?

Frigate est un NVR local conçu autour de la détection d’objets en temps réel pour les caméras IP. Il utilise une détection de mouvement à faible charge pour décider quand et où la détection d’objets doit s’exécuter au lieu d’analyser continuellement chaque partie de chaque image.

La classe d’objet détectée peut ensuite être combinée avec la localisation, l’heure, la durée, la confiance et les règles du foyer avant qu’une alerte ne soit créée.

Filtrer les événements avec des règles de zones et de temps

Détecter une personne ne suffit pas toujours. Une personne marchant sur un trottoir public peut ne pas être importante, tandis qu’une personne entrant sur le porche après minuit peut mériter une attention immédiate.

Une règle d’alerte pratique peut combiner :

• Type d’objet : personne
• Zone requise : porche avant
• Heure : après 23h00
• Seuil de confiance minimal
• Durée minimale de l’événement
• Paramètres de notification spécifiques à la caméra

Ce filtrage contextuel est souvent plus précieux que l’ajout de classes d’objets supplémentaires.

Rechercher des événements enregistrés par description

Les logiciels NVR locaux modernes peuvent aller au-delà des listes d’événements chronologiques. Frigate peut générer des embeddings locaux pour les objets suivis et les utiliser pour la recherche sémantique.

Selon Recherche sémantique , les utilisateurs peuvent rechercher des objets suivis via une description textuelle, une image existante ou une description générée automatiquement. Les embeddings d’image et de texte sont stockés et recherchés localement.

Les recherches possibles peuvent inclure :

• Personne portant une veste rouge
• Fourgon de livraison blanc dans l’allée
• Chien courant près de la porte
• Personne portant une grande boîte
• Véhicule similaire à un événement précédent

La recherche sémantique est utile pour l’investigation et la revue, mais ne doit pas être considérée comme un mécanisme d’alerte automatique parfait. Les modèles de similarité visuelle peuvent retourner des événements liés mais incorrects, surtout lorsque les objets sont petits ou que les scènes se ressemblent.

Reconnaître les visages familiers

La reconnaissance faciale peut associer un nom connu à une personne détectée après que le système a d’abord trouvé un visage suffisamment clair.

La fonction Reconnaissance faciale de Frigate fonctionne localement et prend en charge un modèle efficace orienté CPU ainsi qu’un modèle plus grand destiné aux matériels GPU ou NPU pris en charge.

La reconnaissance faciale doit être considérée comme un enrichissement optionnel, pas un remplacement de la détection de personne. Les résultats peuvent être affectés par :

• Distance par rapport à la caméra
• Angle du visage
• Flou de mouvement
• Faible luminosité ou images infrarouges
• Chapeaux, lunettes ou obstruction partielle
• Images d’entraînement faibles ou non représentatives

Le placement de la caméra et le détail du visage comptent plus que l’augmentation de la résolution d’enregistrement.

Reconnaître les plaques d’immatriculation

La reconnaissance de plaque peut aider à identifier les véhicules connus entrant dans une allée ou enregistrer le texte visible de la plaque pour une revue ultérieure.

La documentation Reconnaissance de plaque d’immatriculation explique que Frigate peut associer les caractères de plaque reconnus ou des noms connus aux voitures et motos suivies.

La LPR nécessite un angle de caméra et une qualité d’image permettant de lire la plaque. Une caméra panoramique placée en hauteur au-dessus d’une allée peut détecter un véhicule de manière fiable tout en étant incapable de lire sa plaque.

Créer des descriptions et résumés d’événements

Certains flux de travail de caméra locale peuvent ajouter des descriptions ou des résumés aux événements suivis. Ces fonctionnalités peuvent utiliser des modèles vision-langage locaux ou externes selon la configuration choisie.

Les descriptions peuvent faciliter la recherche et la revue des événements, mais les utilisateurs doivent vérifier si le fournisseur configuré fonctionne localement avant de supposer qu’aucune image ou donnée d’événement ne quitte le réseau.

Le pipeline de la caméra IA locale et du NVR

Un système de caméra IA local fiable doit être compris comme un pipeline plutôt qu’un seul modèle d’IA.

Étape 1 : Capturer des flux locaux stables des caméras

Le NVR a besoin d'un accès direct et fiable aux flux des caméras. RTSP est courant dans les systèmes de caméras auto-hébergés, tandis qu'ONVIF peut aider à la découverte des appareils, aux profils, aux événements et à l'interopérabilité.

La page Profils ONVIF explique que les appareils et clients compatibles doivent prendre en charge un ensemble défini de fonctionnalités de profil. Les utilisateurs doivent vérifier la conformité enregistrée plutôt que de se fier uniquement à un label marketing « compatible ONVIF ».

Avant d'acheter une caméra, confirmez :

• Il fournit un flux RTSP local ou compatible.
• Il peut fonctionner sans abonnement cloud obligatoire.
• Le flux reste disponible après le blocage de l'accès Internet sortant.
• Il fournit un sous-flux de résolution inférieure.
• Son débit binaire, sa fréquence d'images et son codec peuvent être configurés.
• Ses identifiants peuvent être modifiés et gérés localement.

Étape 2 : Utiliser le mouvement pour limiter la détection d'objets

Exécuter la détection d'objets sur chaque pixel de chaque image gaspillerait des ressources. Frigate utilise d'abord l'analyse de mouvement pour identifier où une détection plus approfondie est nécessaire.

Cela permet à un détecteur de servir plusieurs caméras plus efficacement. Cela signifie également que la configuration du mouvement reste importante même lorsque la détection d'objets est activée.

Étape 3 : Détecter et suivre les objets pertinents

La détection d'objets est effectuée sur le flux assigné au rôle de détection. Le flux sélectionné doit fournir suffisamment de détails pour les classes d'objets et les distances concernées sans créer une charge de décodage inutile.

La configuration de la caméra de Frigate permet d'assigner des flux séparés à la détection et à l'enregistrement. Un flux de résolution inférieure peut être utilisé pour la détection tandis qu'un flux de résolution supérieure est conservé pour les enregistrements.

Cette séparation est souvent préférable à forcer un flux haute résolution à remplir tous les rôles.

Étape 4 : Décider quels événements comptent

La détection ne doit pas automatiquement entraîner une notification. Un événement devient utile seulement après avoir été filtré selon les priorités du foyer.

Par exemple :

Étape 5 : Stocker les séquences selon leur valeur

Toutes les secondes de vidéo ne méritent pas la même durée de conservation.

Une politique pratique peut conserver :

• Séquences continues conservées pour une courte période
• Séquences de mouvement conservées plusieurs jours supplémentaires
• Détections ou alertes importantes conservées plus longtemps
• Preuves exportées manuellement jusqu’à ce qu’elles ne soient plus nécessaires

Les paramètres d’enregistrement de Frigate permettent d’utiliser différentes durées de conservation pour les enregistrements continus, de mouvement, d’alerte et de détection.

Étape 6 : Sécuriser le réseau et l’accès à distance

Le système est uniquement local-first si son réseau et ses chemins d’accès sont contrôlés. Les caméras ne doivent pas partager le même niveau de confiance que les ordinateurs personnels, le stockage de documents ou les appareils administrateurs.

La visualisation à distance doit normalement utiliser une route contrôlée telle qu’un VPN de confiance, un proxy inverse authentifié ou une autre couche d’accès sécurisée plutôt que d’exposer le NVR directement à Internet.

Quelles caméras fonctionnent avec un NVR AI local ?

Priorisez les flux locaux stables

La meilleure caméra pour un NVR AI local n’est pas forcément celle avec la plus longue liste de fonctionnalités « AI » intégrées. Un flux local stable est plus important.

Recherchez :

• Support RTSP
• Conformité ONVIF vérifiée lorsque pertinent
• Flux principal et sous-flux configurables
• Sortie H.264 ou H.265 prise en charge
• Débit binaire et fréquence d’images ajustables
• Ethernet filaire fiable ou Wi-Fi puissant
• Comptes utilisateurs locaux
• Qualité d’image raisonnable en faible luminosité

Les flux principaux et les sous-flux de détection ont des objectifs différents

Un flux à haute résolution est utile lors de la revue des preuves, la lecture des plaques, l’identification des visages ou le zoom sur un événement enregistré.

Un flux à résolution plus faible peut suffire pour la détection d’objets et peut réduire considérablement la charge de décodage.

Une configuration courante est :

• Flux de détection : résolution plus basse et fréquence d'images plus faible.
• Flux d'enregistrement : résolution plus élevée et meilleure qualité d'image.
• Flux de visualisation en direct : sélectionné selon le tableau de bord ou l'appareil client.

Les caméras filaires sont généralement plus faciles à faire fonctionner de manière fiable

Les caméras Wi-Fi peuvent fonctionner, mais chaque caméra se partage le temps d'antenne sans fil et peut être affectée par des pertes de signal, la congestion, le mode économie d'énergie ou les changements de point d'accès.

Les caméras filaires, en particulier celles utilisant l'alimentation par Ethernet (PoE), peuvent simplifier l'alimentation, le réseau et la disponibilité. Le bon choix dépend toujours des contraintes d'installation et de la praticabilité du câblage.

Comment Frigate réduit les fausses alertes

La détection de mouvement et la détection d'objets fonctionnent ensemble

Le mouvement détermine où l'analyse doit avoir lieu. La détection d'objets décide de ce qui peut être présent.

Désactiver ou sur-masquer le mouvement peut rendre le suivi des objets moins fiable. Laisser le mouvement trop sensible peut gaspiller des ressources de traitement et générer des événements candidats inutiles.

Utilisez des zones pour les zones importantes

Les zones sont appropriées lorsque les utilisateurs veulent des alertes uniquement après qu'un objet entre dans une partie définie de l'image, comme :

• Porche avant
• Allée
• Portillon latéral
• Entrée de garage
• Patio arrière

Une zone peut être combinée avec des réglages de zone requise pour qu'un objet puisse toujours être suivi en dehors de la zone mais ne crée pas l'alerte sélectionnée tant qu'il n'entre pas dans la zone concernée.

Utilisez les masques avec parcimonie

La documentation des Masques de Frigate distingue les masques de mouvement des masques de filtrage d'objets et avertit que les deux sont des outils de réglage fin étroits plutôt que des méthodes générales pour masquer une zone de la détection.

Les masques de mouvement peuvent aider à exclure les mouvements persistants tels que :

• Une superposition de date et heure
• Arbres en mouvement en haut de l'image
• Reflets sur une surface fixe
• Un drapeau en mouvement continu

Les masques de filtrage d'objets conviennent mieux aux faux positifs récurrents dans des endroits où un objet particulier devrait être impossible.

Un masquage excessif peut perturber le suivi. Lorsque la consigne est « alerter uniquement lorsqu'une personne entre dans cet endroit », une zone requise est généralement plus appropriée.

Le placement de la caméra détermine toujours la qualité de détection

L'IA ne peut pas récupérer des détails que la caméra ne capture jamais. La qualité de détection dépend de :

• Hauteur de montage
• Angle de vue
• Taille de l'objet dans le flux de détection
• Contre-jour et éblouissement
• Éclairage nocturne
• Flou de mouvement
• Propreté de l'objectif
• Paramètres de compression

Un nombre réduit de caméras bien positionnées peut fournir une meilleure intelligence de sécurité que de nombreux flux mal positionnés.

Comment fonctionne la recherche vidéo locale par IA

Les filtres traditionnels et la recherche sémantique répondent à des besoins différents

Les filtres traditionnels sont les meilleurs lorsque l'utilisateur connaît déjà un détail structuré :

• Nom de la caméra
• Date et heure
• Classe d'objet
• Zone
• Visage connu
• Plaque reconnue

La recherche sémantique est utile lorsque la mémoire est descriptive plutôt que structurée :

• Personne portant un objet long
• Livreur déposant un colis près de la porte
• Véhicule sombre reculant dans l’allée
• Chien suivant une personne à travers la porte

Combiner des filtres structurés avec la recherche sémantique produit généralement de meilleurs résultats que de se fier uniquement à la similarité sémantique.

La recherche sémantique nécessite plus de mémoire que la détection basique

La recherche sémantique exécute un modèle d’intégration vision-langage en plus du pipeline normal de la caméra.

Frigate spécifie actuellement au moins 8 Go de RAM et un CPU avec instructions AVX et AVX2 pour la recherche sémantique. Sa documentation recommande 16 Go ou plus et un GPU dédié pour de meilleures performances.

La réindexation d’un grand historique d’objets suivis peut temporairement créer une forte utilisation du CPU. Cette charge de travail doit être planifiée en tenant compte de l’enregistrement, de la sauvegarde et d’autres activités du serveur.

La similarité d’image est utile pour l’enquête manuelle

Un utilisateur peut sélectionner un objet suivi précédemment et rechercher des événements visuellement similaires. Cela peut aider à trouver des visites répétées d’un véhicule similaire ou d’une personne portant des vêtements similaires.

La similarité visuelle n’établit pas l’identité. Des véhicules, vêtements, éclairages et angles de caméra similaires peuvent créer des résultats apparentés qui nécessitent toujours une revue manuelle.

Frigate, domotique et NAS : où s’exécute quoi ?

Option 1 : Un serveur domestique exécute tout

Dans une petite configuration, une seule machine peut exécuter :

• Frigate
• MQTT
• Home Assistant
• Stockage des enregistrements
• Notifications
• Un petit nombre d’autres conteneurs

C’est simple à comprendre et à maintenir, mais une panne, un redémarrage ou un pic de ressources peut affecter tous les services en même temps.

Option 2 : Le mini PC exécute Frigate et le NAS stocke les vidéos

C’est souvent un équilibre pratique pour les systèmes plus importants.

Le mini PC gère :

• Le décodage de flux
• Analyse de mouvement
• La détection d’objets
• La recherche sémantique
• La base de données et l’interface Frigate

Le NAS gère :

• Capacité d’enregistrement
• Rétention plus longue
• Exports sélectionnés
• Sauvegardes importantes de clips

Cela maintient le traitement vidéo constant à l’écart des charges principales de stockage tout en utilisant une capacité centralisée.

Option 3 : Le NAS héberge Frigate avec accélération prise en charge

Exécuter Frigate directement sur un NAS peut fonctionner lorsque :

• Le système d’exploitation prend en charge les conteneurs requis.
• Le détecteur ou le GPU peut être correctement passé.
• Le nombre de caméras est modeste.
• Le NAS dispose de suffisamment de mémoire.
• Les écritures de la caméra n’interfèrent pas avec les services critiques.
• La pile logicielle prend en charge le chemin de décodage vidéo prévu.

Le guide interne quand les charges de travail domestiques doivent s’exécuter en dehors du NAS offre un cadre plus large pour décider quand le stockage et le calcul doivent être séparés.

Le NAS peut rester utile sans exécuter l'IA

Un NAS axé sur le stockage peut toujours supporter des flux de travail locaux pratiques pour les données domestiques même lorsqu’une autre machine effectue l’inférence des caméras.

Le matériel de stockage et le matériel IA n’ont pas besoin d’être le même appareil.

Quel matériel un NVR IA local nécessite-t-il ?

CPU : Gestion des flux et travail général du système

Le CPU peut gérer :

• Analyse de mouvement
• Processus FFmpeg
• Services de conteneurs
• Activité de la base de données
• Requêtes API
• Génération de la timeline
• Tout décodage vidéo non déchargé

Ajouter un accélérateur IA ne supprime pas toutes les charges CPU.

Décodeur vidéo : Décompression des flux caméra

Le décodage vidéo et l’inférence IA sont des tâches distinctes. Un accélérateur de détection d’objets peut classifier efficacement les images tandis que le CPU reste surchargé à décoder plusieurs flux haute résolution.

Les graphiques intégrés pris en charge ou le décodage vidéo GPU peuvent réduire considérablement la charge CPU. La configuration exacte dépend du processeur, du système d’exploitation, de l’image du conteneur, du codec et de la version de Frigate.

Détecteur : Inférence de détection d’objets

La documentation Matériel recommandé de Frigate prend en charge plusieurs options de détecteurs, notamment Hailo, OpenVINO sur matériel Intel supporté, GPU NVIDIA, AMD ROCm, Apple Silicon, Jetson, Rockchip, Coral et d’autres plateformes.

Les recommandations actuelles de Frigate ne recommandent plus généralement Coral pour les nouvelles installations, sauf lorsque la faible consommation d’énergie ou le matériel limité le justifient. Les installations Coral existantes restent prises en charge, mais les nouvelles constructions doivent comparer toutes les options de détecteurs actuellement supportées.

RAM : NVR, base de données et fonctionnalités d’enrichissement

La détection d’objets basique peut avoir des besoins modérés en mémoire, mais la recherche sémantique, la reconnaissance faciale, la LPR, les modèles plus grands, plus de caméras et d’autres conteneurs augmentent les besoins totaux en RAM.

Planifiez la mémoire pour l’ensemble du serveur, pas seulement pour le détecteur.

SSD : Base de données et données d’examen actif

Un SSD peut améliorer la réactivité pour :

• Fichiers de base de données Frigate
• Vignettes et aperçus
• Clips récents
• Index de recherche
• Données des conteneurs
• Enregistrements fréquemment consultés

Les écritures constantes des caméras créent de l’usure, donc l’endurance du SSD, l’espace disponible et la surveillance doivent être pris en compte.

HDD : Conservation d’enregistrements plus longue

Le stockage HDD est généralement plus économique pour de grandes quantités d’images historiques. Il peut être utilisé pour une conservation plus longue tandis que la base de données et les données d’application fréquemment consultées restent sur SSD.

Le guide interne Votre IA locale est-elle limitée par le calcul, la mémoire, le stockage ou le réseau ? peut aider à identifier quelle partie d’un système multi-caméras limite les performances.

De combien de stockage les caméras de sécurité ont-elles besoin ?

Le stockage dépend principalement du débit moyen, de la durée d'enregistrement, du nombre de caméras et de la période de rétention.

Une estimation décimale approximative est :

Stockage par jour en Go ≈ débit en Mbps × 10,8

Ce sont des estimations de planification, pas des chiffres d'utilisation garantis. Le débit variable, les niveaux de mouvement, l'audio, les codecs, la complexité de la scène et la rétention basée sur les événements peuvent modifier la consommation réelle.

Enregistrement continu vs rétention basée sur les événements

L'enregistrement continu offre le contexte historique le plus complet mais nécessite plus de stockage. L'enregistrement uniquement sur événements réduit les besoins en capacité mais peut manquer des activités utiles avant ou après l'événement détecté.

Une politique équilibrée peut utiliser une rétention continue courte et une rétention plus longue pour les alertes et détections importantes.

Sauvegarder les événements importants, pas nécessairement chaque image

Les images des caméras sont des données à fort renouvellement. Sauvegarder chaque seconde indéfiniment peut être coûteux et inutile.

De nombreux foyers peuvent séparer les images en :

• Enregistrements de routine qui expirent automatiquement
• Clips de détection conservés pour enquête
• Exports importants copiés sur un stockage protégé
• Preuves critiques stockées en dehors du NVR principal

NVR IA local vs caméras de sécurité cloud

Le bon choix dépend de l'importance accordée par le foyer à la commodité, au contrôle de la vie privée, aux coûts prévisibles, à la personnalisation ou à la maintenance minimale.

Comment garder les caméras IP privées

Placer les caméras sur un réseau séparé

Un VLAN dédié ou un réseau isolé pour les caméras peut limiter ce que les caméras sont autorisées à atteindre.

Une politique courante permet aux caméras de communiquer avec le NVR et les services locaux nécessaires tout en bloquant l'accès aux appareils personnels et aux stockages sensibles.

Bloquer l'accès Internet sortant inutile

Bloquer le trafic sortant peut réduire la dépendance au cloud du fournisseur, mais cela peut aussi désactiver l’accès à l’application, la synchronisation horaire, les notifications ou les mises à jour du firmware.

Testez une caméra avant d’appliquer une règle stricte à l’ensemble du système.

La discussion publique IP camera phoning home illustre un problème courant d’auto-hébergement : l’enregistrement local n’empêche pas nécessairement une caméra de tenter des connexions sortantes.

Utilisez un accès à distance basé sur VPN ou authentifié

Ne divulguez pas directement les flux des caméras, l’interface NVR ou les ports d’administration sauf si la conception de sécurité a été soigneusement revue.

Utilisez une authentification forte, des connexions chiffrées, des comptes limités et un accès à distance contrôlé.

Séparez les comptes Spectateur et Administrateur

Tous les membres du foyer n’ont pas besoin d’autorisation pour :

• Changez les configurations des caméras
• Supprimez les enregistrements
• Exportez les séquences
• Modifiez les bibliothèques faciales
• Modifiez les règles de notification
• Accédez à toutes les caméras intérieures

Donnez aux utilisateurs l’accès minimum nécessaire à leur rôle.

Vérifiez les lois locales et les attentes du foyer

Les règles concernant l’enregistrement audio, la surveillance des espaces publics, la reconnaissance faciale, la conservation des images et le tournage des visiteurs varient selon les lieux.

La capacité technique ne rend pas automatiquement chaque usage approprié. Informez les membres du foyer, évitez la surveillance inutile des zones privées et vérifiez les exigences locales applicables.

Une liste de contrôle pratique pour une installation locale de caméra IA

1. Définissez l’objectif réel. Décidez si la priorité est les alertes de colis, la surveillance de l’allée, la sécurité intérieure, la détection d’animaux ou les enregistrements consultables.
2. Cartographiez la couverture des caméras. Choisissez les emplacements et les angles avant d’acheter plus de caméras.
3. Vérifiez les flux locaux. Confirmez la conformité RTSP, ONVIF si nécessaire, et le fonctionnement sans accès obligatoire au cloud.
4. Choisissez les flux de détection et d’enregistrement. Utilisez un flux de résolution inférieure pour la détection et un flux de meilleure qualité pour les preuves lorsque c’est possible.
5. Estimez le stockage. Calculez le débit binaire, le nombre de caméras, la rétention continue et la rétention des événements.
6. Sélectionnez un matériel compatible. Associez le détecteur et le chemin de décodage vidéo à la version Frigate choisie.
7. Commencez avec une seule caméra. Validez la stabilité du flux, l’utilisation du CPU, la vitesse d’inférence, les enregistrements et les notifications.
8. Créez des zones avant d’ajouter des masques complexes. Définissez où les alertes sont réellement importantes.
9. Testez en conditions réelles. Vérifiez en plein jour, la nuit, sous la pluie, avec les phares, les animaux domestiques, les livraisons et l’activité normale du foyer.
10. Séparez le trafic des caméras. Créez des règles de pare-feu et de réseau avant que le système ne devienne volumineux.
11. Configurez les comptes et l'accès à distance. Évitez les identifiants administrateur partagés et l'exposition publique directe.
12. Testez la rétention et l'exportation. Confirmez que les clips importants peuvent être trouvés et copiés avant l'expiration des anciennes séquences.
13. Surveillez la santé du serveur. Surveillez le CPU, la RAM, la latence du détecteur, les erreurs de flux, l'espace disque, l'usure du SSD et les interruptions d'enregistrement.

Problèmes courants et limites

Les flux de caméra se déconnectent ou saccadent

Les causes possibles incluent un Wi-Fi instable, trop de connexions caméra, des codecs incorrects, un débit binaire excessif, des commutateurs faibles, une perte de paquets ou des problèmes de firmware de la caméra.

Testez le flux local brut avant de blâmer le détecteur IA.

Les détections de personnes ou de véhicules sont incorrectes

Examinez les boîtes englobantes, les scores de confiance, la résolution de détection, la taille des objets et l'adéquation du modèle. Les faux positifs fixes peuvent bénéficier de filtres d'objets, tandis que les zones non pertinentes sont généralement mieux gérées avec des zones.

La détection nocturne est bien moins performante

Les réflexions infrarouges, les insectes, la pluie, les phares, le flou de mouvement et le faible contraste peuvent affaiblir les performances nocturnes.

Améliorez l'éclairage, repositionnez la caméra, réduisez les surfaces réfléchissantes et ajustez les attentes séparément pour le jour et la nuit.

L'utilisation du CPU reste élevée après l'ajout d'un détecteur

Le détecteur peut accélérer l'inférence des objets tandis que le CPU continue de décoder la vidéo, suivre le mouvement, gérer les conteneurs, écrire les enregistrements et servir l'interface.

Vérifiez le décodage vidéo matériel, la résolution du flux, la fréquence d'images de la caméra et si des fonctionnalités non prises en charge sont traitées par le CPU.

Les écritures d'enregistrement affectent les autres services NAS

L'enregistrement de la caméra génère des écritures constantes et à fort renouvellement. Cela peut concurrencer les sauvegardes, les bibliothèques multimédias, les bases de données et l'accès normal aux fichiers.

Utilisez un stockage séparé, des ensembles de données dédiés, une rétention planifiée ou un hôte Frigate distinct lorsque cela est nécessaire.

La recherche sémantique utilise plus de ressources matérielles que prévu

La recherche sémantique ajoute un modèle d'intégration et un index séparés. Les objets suivis plus anciens peuvent également nécessiter un processus de réindexation intensif en CPU.

Activez l'enrichissement avancé uniquement après que l'enregistrement de base et la détection d'objets soient stables.

La reconnaissance faciale est peu fiable

La reconnaissance faciale nécessite suffisamment de détails du visage, des angles de caméra appropriés et un ensemble d'entraînement diversifié. Une caméra optimisée pour une large couverture de propriété peut ne pas fournir assez de détails pour l'identification.

Utilisez la reconnaissance faciale comme contexte supplémentaire, pas comme seule base pour les décisions de sécurité.

L'enregistrement local n'empêche pas les caméras de communiquer avec leur serveur d'origine

La destination du stockage et le comportement réseau sont des questions distinctes. Examinez les requêtes DNS, le trafic sortant, les fonctions du firmware, les dépendances des applications du fournisseur et les règles du pare-feu.

La détection par IA n'est pas un système de sécurité complet

L'IA locale de la caméra peut filtrer les événements et réduire le temps de revue. Elle ne peut pas garantir que chaque événement sera détecté, identifié, enregistré ou transmis sous forme de notification.

Les serrures, l'éclairage, la sécurité physique, un placement judicieux des caméras, les sauvegardes et le jugement humain restent importants.

Quand vaut-il la peine de construire un système local de caméra IA ?

Un NVR IA local vaut la peine d'être envisagé lorsque :

• Les alertes de mouvement créent trop de bruit.
• Le foyer souhaite filtrer les personnes, véhicules, animaux ou colis.
• Les abonnements aux caméras cloud deviennent coûteux.
• Les séquences privées ou intérieures doivent rester locales.
• Les utilisateurs veulent une conservation plus longue ou plus flexible.
• Plusieurs marques de caméras nécessitent une interface de revue unique.
• Les événements de la caméra doivent déclencher des automatisations domestiques.
• Les événements enregistrés nécessitent une recherche sémantique locale.
• Le foyer est prêt à maintenir le serveur et le réseau.

Un enregistreur plus simple ou une caméra cloud peut être préférable lorsque :

• Le foyer ne possède qu'une ou deux caméras.
• Un enregistrement basique par détection de mouvement suffit.
• Personne ne veut gérer le stockage ou les mises à jour.
• Un accès distant facile est plus important que le contrôle local.
• Les caméras ne fournissent pas de flux locaux fiables.

L'objectif n'est pas de construire le système de caméra le plus complexe. C'est de réduire le temps nécessaire pour comprendre ce qui s'est passé tout en gardant le flux de travail fiable et suffisamment privé.

Conclusion

Un système local de caméra de sécurité IA combine des flux stables de caméras IP, un NVR privé, une détection d'objets sélective, des filtres d'événements, des enregistrements consultables, un stockage planifié et un accès distant contrôlé.

Le NAS peut exécuter le logiciel, stocker les séquences ou servir uniquement de couche de stockage à long terme. La détection multi-caméras plus lourde, le décodage, la reconnaissance faciale, la LPR et la recherche sémantique peuvent être mieux adaptés à un mini PC ou serveur IA séparé.

Commencez par les bases : flux fiables, une caméra fonctionnelle, des zones sensées, des règles de conservation claires, une accélération prise en charge et un accès réseau sécurisé. Ajoutez la reconnaissance faciale, la reconnaissance de plaques, la recherche sémantique et les descriptions génératives seulement après que la chaîne d'enregistrement et de détection soit stable.

Le meilleur système de caméra IA local n'est pas celui qui produit le plus d'alertes. C'est celui qui met en avant les bons événements, garde les séquences importantes accessibles et donne au foyer un contrôle clair sur l'endroit où ses vidéos sont traitées et stockées.

FAQ

Les caméras de sécurité IA peuvent-elles fonctionner sans le cloud ?

Oui. Les caméras IP compatibles peuvent envoyer des flux locaux à un NVR tel que Frigate, où l'enregistrement et la détection d'objets s'exécutent sur le matériel local.

Vérifiez si les caméras elles-mêmes nécessitent encore des comptes fournisseurs ou des connexions sortantes pour d'autres fonctions.

Puis-je exécuter Frigate directement sur un NAS ?

Oui, lorsque le NAS prend en charge les conteneurs requis, la configuration de stockage, le passage de périphériques, le décodage vidéo et le matériel de détection.

Pour des configurations plus lourdes, exécuter Frigate sur un mini PC séparé tout en utilisant le NAS pour les enregistrements peut offrir une meilleure isolation et performance.

Ai-je besoin d'un GPU pour Frigate ?

Pas nécessairement. Frigate prend en charge plusieurs types de détecteurs, notamment Intel OpenVINO, Hailo, Coral, NVIDIA, AMD, Apple Silicon, Jetson, Rockchip, et d’autres.

Un accélérateur pris en charge est fortement recommandé pour la détection régulière d’objets. Un GPU devient plus utile pour le décodage vidéo, les modèles de détection plus grands, la recherche sémantique, la reconnaissance faciale et d’autres enrichissements.

Google Coral est-il toujours recommandé pour une nouvelle installation Frigate ?

Frigate prend toujours en charge Coral, mais ses recommandations matérielles actuelles ne recommandent généralement pas Coral pour les nouvelles installations, sauf lorsque la faible consommation d’énergie ou le matériel limité le justifient.

Les nouvelles installations doivent comparer les options de détecteurs actuellement prises en charge avec le matériel hôte et la charge de travail des caméras.

De combien de RAM Frigate a-t-il besoin pour la recherche sémantique ?

Frigate nécessite actuellement au moins 8 Go de RAM et un processeur compatible AVX/AVX2 pour la recherche sémantique. Sa documentation recommande 16 Go ou plus et un GPU dédié pour de meilleures performances.

Dois-je utiliser le flux caméra haute résolution pour la détection ?

Pas toujours. Un sous-flux à plus basse résolution peut fournir suffisamment de détails pour la détection d’objets tout en réduisant la charge de décodage. Un flux de meilleure qualité peut être conservé pour les enregistrements.

La reconnaissance faciale et la reconnaissance de plaques d’immatriculation peuvent nécessiter plus de détails que la détection basique de personnes ou de véhicules, donc le flux correct dépend de la scène.

Quelle est la différence entre une zone et un masque ?

Une zone définit une zone où l’activité suivie peut être importante pour les alertes ou les enregistrements. Un masque de mouvement empêche le mouvement dans une zone étroite de déclencher une détection. Un masque de filtrage d’objet supprime les fausses détections récurrentes d’un type d’objet particulier à un emplacement spécifique.

Les masques doivent être utilisés avec parcimonie. Les zones requises sont généralement préférables lorsque l’objectif est d’alerter uniquement à l’intérieur d’une zone sélectionnée.

Frigate peut-il rechercher d’anciennes séquences de caméra avec un langage naturel ?

La recherche sémantique Frigate peut rechercher des objets suivis indexés à l’aide de descriptions textuelles ou d’images similaires. Les événements plus anciens peuvent nécessiter une réindexation après l’activation de la recherche sémantique.

L’enregistrement local garantit-il la confidentialité de la caméra ?

Non. Les caméras peuvent toujours contacter les serveurs du fournisseur, et le NVR peut toujours être exposé via des paramètres d’accès à distance non sécurisés.

La confidentialité nécessite une isolation réseau, des règles de pare-feu, une authentification sécurisée, un accès à distance contrôlé, des mises à jour logicielles et des permissions utilisateur appropriées.

Faut-il sauvegarder les séquences continues des caméras de sécurité ?

Habituellement, pas tout. Les séquences continues de routine peuvent suivre une politique de rétention limitée. Les alertes importantes, les clips exportés ou les preuves doivent être copiés sur un stockage protégé lorsque la conservation à long terme est nécessaire.

Références

• Introduction
• Configuration de la caméra
• Masques
• Zones
• Enregistrement
• Recherche sémantique
• Reconnaissance faciale
• Reconnaissance de plaques d’immatriculation (LPR)
• IA générative
• Matériel recommandé
• Profils ONVIF
• Caméra IP appelant le serveur