Frigate NVR : La vidéosurveillance par IA locale et Action-to-Action
Pendant des années, les systèmes de vidéosurveillance domestiques ou de petites entreprises (NVR) se contentaient de détecter des “mouvements” via le changement de pixels sur une image. Résultat : des centaines de fausses alertes générées par le vent dans les arbres, les phares d’une voiture ou un chat qui traverse le jardin.
L’émergence de Frigate a rebattu les cartes. Ce NVR open-source moderne n’analyse plus des pixels, mais des objets. Conçu pour le “Privacy by Design”, il effectue l’intégralité du traitement d’image par Machine Learning en local, garantissant que vos flux vidéos ne quittent jamais votre infrastructure.
1. Le choix de l’accélérateur : Benchmark 2026
L’inférence de réseaux de neurones (TensorFlow Lite) sur des flux HD nécessite une unité de calcul dédiée (TPU ou NPU). Voici les solutions les plus robustes et documentées pour Frigate en 2026 :
| Accélérateur | Type | Performance | Usage Recommandé |
|---|---|---|---|
| Intel OpenVINO | iGPU / NPU | Élevée | Standard pour Mini-PC (Intel Gen 11+) |
| Hailo-8 / 8L | PCIe / M.2 | Très Élevée (26 TOPS) | Le top pour 10+ caméras 4K |
| NVIDIA TensorRT | GPU | Extreme | Si vous avez déjà un GPU NVIDIA (Cuda) |
| Google Coral | USB / M.2 | Modérée (4 TOPS) | “Legacy” ou Raspberry Pi 4 |
| Rockchip NPU | SoC NPU | Bonne | Plateformes SBC type Orange Pi 5 |
Analyse des standards actuels :
- Intel OpenVINO : C’est la solution la plus économique et performante pour les infrastructures basées sur des Mini-PC (NUC). Elle exploite le GPU intégré. C’est le choix privilégié par la communauté Frigate pour sa stabilité [3].
- Hailo-8 : Devenu le nouveau standard “High-End”. Avec ses 26 TOPS, une seule puce peut traiter les flux d’un bâtiment entier sans latence. Très utilisé sur les nouveaux modules Raspberry Pi AI Kit [4].
- Google Coral : Bien que toujours supporté via
edgetpu, sa puissance brute de 4 TOPS commence à dater. Il reste pertinent pour les petits setups sur Raspberry Pi 4/5 via USB [5].
(Notre lab de simulation privilégie désormais la configuration OpenVINO pour son ratio performance/consommation).
2. Architecture Action-to-Action (A2A) via MQTT
La véritable puissance de Frigate ne réside pas dans son interface web, mais dans sa capacité à communiquer avec le reste de votre écosystème via le protocole MQTT.
Frigate publie sur un topic (frigate/events) un flux JSON détaillé dès qu’un objet est identifié. Ce message contient l’ID de l’événement, le type d’objet (person, car, dog), le score de confiance et les coordonnées de la boîte de délimitation.
Exemple de Workflow ChatOps (Frigate + N8N + Telegram)
Plutôt que d’attendre une notification générique, nous construisons une pipeline de défense active :
- Detection : Frigate identifie une personne devant la porte (
confiance > 80%). - Trigger MQTT : Un message JSON est envoyé vers notre broker local.
- Orchestration N8N : Un workflow intercepte ce message.
- Fetch API : N8N effectue une requête HTTP GET vers l’API de Frigate :
https://frigate.ravindra-job.com/api/events/<event_id>/snapshot.jpgpour récupérer l’image exacte de la détection. - Alerte Enrichie : N8N envoie la photo sur un groupe Telegram sécurisé avec un bouton “Déclencher l’alarme”.
3. Déploiement Industriel
Le déploiement s’effectue via Docker, en portant une attention particulière au mappage des périphériques matériels (/dev/dri pour Intel ou /dev/bus/usb pour Coral).
(Vous pouvez consulter le fichier docker-compose.yml complet sur notre dépôt GitHub public).
# Extrait de configuration (Simulation Lab)
services:
frigate:
image: ghcr.io/blakeblackshear/frigate:stable
shm_size: "128mb" # Crucial pour le traitement multi-caméras
devices:
- /dev/dri/renderD128:/dev/dri/renderD128 # Accélération Intel OpenVINO
volumes:
- ./config:/config
- ./storage:/media/frigate
Conclusion
Frigate transforme la surveillance passive en un outil de Threat Intelligence domestique. En s’affranchissant des solutions Cloud propriétaires et en utilisant l’interconnexion MQTT, vous construisez une infrastructure capable de réagir en temps réel aux événements physiques avec la précision du Machine Learning. C’est l’étape ultime de la sécurisation d’un HomeLab moderne.
Sources
- Frigate (Site Officiel)
- Documentation OpenVINO pour Frigate
- Raspberry Pi AI Kit (Hailo-8L)
- Google Coral Accelerator (Legacy Support)
Si vous voulez plus d’information sur l’infrastructure vous pouvez voir l’ repo à ce sujet : https://github.com/ravindrajob/InfraAtHome
Dernière mise à jour : 22 mai 2026
