Principais conclusões
- O Frigate 0.17.2 (28 de junho de 2026) é a versão estável atual; a 0.18.0 está em beta desde 8 de agosto de 2026
- O detector vem primeiro: uma iGPU Intel com o detector OpenVINO é o início viável mais barato; Hailo-8 ou uma GPU NVIDIA escalam mais
- O Coral passou a ser alternativa de reserva, não o padrão — recomendado apenas quando o consumo é a restrição decisiva
- Dois streams por câmera: 1280x720 a 5 fps para detectar e o stream principal em resolução total a 15 fps para gravar
- O que elimina alertas falsos são as zonas com required_zones, loitering_time e inertia, não um modelo melhor
- A integração do Home Assistant exige a integração MQTT já configurada, senão nenhuma entidade aparece
- A busca semântica pede no mínimo 8 GB de RAM, 16 GB e uma GPU para ficar confortável, e uma CPU com AVX2
- O Frigate+ custa US$ 50 por ano (cobrança em USD) por até 12 modelos ajustados; reconhecimento facial e de placas funcionam sem assinatura
O que o Frigate faz que um NVR comum não faz?
O Frigate trabalha em duas etapas: uma detecção de movimento barata encontra as regiões que valem a pena examinar e, em seguida, um modelo real de detecção de objetos decide se ali há uma pessoa, um carro, um cachorro ou uma encomenda. Um NVR convencional dispara com mudança de pixels, e por isso alerta com faróis, chuva e arbustos ao vento.
📍 Em uma frase
O Frigate usa uma detecção de movimento de baixo custo para selecionar regiões do quadro e roda o modelo de detecção de objetos apenas nessas regiões — por isso um único acelerador pequeno atende muitas câmeras ao mesmo tempo.
- Movimento primeiro, IA depois: a detecção de movimento leve define *onde* rodar o detector, então um acelerador pequeno cobre muitas câmeras.
- Gravação por objeto: a retenção depende do que foi detectado, e não de um buffer contínuo 24 horas, o que faz o armazenamento render muito mais.
- Retransmissão via go2rtc: o Frigate puxa cada câmera uma única vez e redistribui o stream, em vez de cinco clientes atacarem a câmera ao mesmo tempo.
- Saída MQTT: cada objeto rastreado, cada entrada em zona e cada contagem é publicada, e é isso que viabiliza as automações do Home Assistant.
- Itens de revisão: as detecções são separadas em *alerts* (aquilo sobre o que você quer ser avisado) e *detections* (registradas, mas silenciosas).
📌Nota: A separação entre alerts e detections é o conceito mais útil do Frigate. Os alerts acordam o seu celular; as detections formam o registro pesquisável. Configure cada um separadamente.
Qual detector comprar para o Frigate em 2026?
Compre uma máquina Intel com iGPU e use o detector OpenVINO se estiver começando do zero; um módulo Hailo-8 se precisar da menor latência por watt; o detector ONNX se a máquina já tiver uma GPU NVIDIA. A documentação do Frigate afirma que o Coral já não é recomendado em instalações novas, exceto quando o consumo é uma restrição excepcionalmente rígida.
💬 Em termos simples
O detector é o chip que responde "isso é uma pessoa?". Você pode usar a parte gráfica que já vem dentro de uma CPU Intel, uma placa NVIDIA dedicada ou um pequeno módulo de IA no formato M.2. O pendrive que todo mundo recomenda (Google Coral) ainda funciona, mas deixou de ser o ponto de partida indicado.
- Use OpenVINO se o host tiver uma CPU Intel de 6ª geração ou mais recente — a iGPU já está paga e não exige hardware adicional.
- Use ONNX se a máquina já tiver uma GPU NVIDIA ou AMD; o Frigate detecta a plataforma automaticamente.
- Use Hailo-8 / Hailo-8L se quiser latência de acelerador em um slot M.2 com baixo consumo.
- Use TensorRT especificamente em placas NVIDIA Jetson — veja a análise do NVIDIA Jetson Orin Nano para IA na casa inteligente.
- Use edgetpu (Coral) apenas quando os watts forem a restrição decisiva e você aceitar uma linha de modelos envelhecendo.
- Evite completamente o detector cpu — segundo o Frigate, o OpenVINO em modo CPU é mais eficiente que o detector CPU dedicado.
Detector | Hardware | Inferência (publicada) |
|---|---|---|
| openvino | Intel Arc A750 | ~4 ms MobileNetV2 / ~8 ms YOLOv9-320 |
| openvino | Intel NPU | ~6 ms MobileNetV2 / ~11 ms YOLOv9-320 |
| openvino | iGPU Intel UHD 730 | ~10 ms MobileNetV2 / ~14 ms YOLOv9-tiny |
| hailo8l | Hailo-8 | ~6 ms SSD MobileNet / ~7 ms YOLOv6n |
| hailo8l | Hailo-8L | ~10 ms SSD MobileNet / ~11 ms YOLOv6n |
| onnx | NVIDIA RTX 3070 | ~6–8 ms YOLOv9 tiny→small 320 |
| onnx | NVIDIA RTX 3050 | ~8–10 ms YOLOv9 tiny→small 320 |
| onnx | AMD Radeon 780M | ~14 ms YOLOv9-tiny-320 |
| zmq | Apple M3 Pro | ~6 ms YOLOv9-tiny-320 |
Os números são os publicados pelo Frigate para cada detector, não medições da PromptQuorum. O Frigate também traz os tipos rknn (NPUs Rockchip), memryx, synaptics, deepstack e degirum.
⚠️Aviso: A maioria dos tutoriais de Frigate ainda começa com "compre um Coral". Esse conselho é anterior ao trabalho em OpenVINO, Hailo e ONNX das versões 0.16 e 0.17, e a própria página de hardware do Frigate hoje o contradiz para instalações novas.
💡Dica: A capacidade de câmeras de um Coral equivale a cerca de 1000 / inference_speed quadros por segundo, compartilhados entre todas as câmeras. A 5 fps de detecção, um orçamento de 10 ms cobre no papel uns 20 streams — throttling térmico e limite de energia USB reduzem esse número.
Do que o próprio servidor Frigate precisa?
Um mini PC Intel série N ou Core i com 8–16 GB de RAM, um SSD para o sistema e um HD separado para as gravações cobre uma casa típica de quatro a oito câmeras. O gargalo raramente é a CPU: são a memória compartilhada, a durabilidade de escrita do disco e a decisão de usar ou não a busca semântica.
- **Memória compartilhada (
shm):** os 128 MB padrão cobrem só cerca de duas câmeras em 720p. O Frigate estima cerca de 66.63 MB por câmera em 1280x720 com logs, então oito câmeras exigem cerca de 253 MB. - **Defina
--shm-sizeexplicitamente:**--shm-size=512mbé um valor seguro para a maioria das montagens; um valor baixo demais não gera erro claro, aparece como câmeras caindo. - Três pontos de montagem:
/configpara o YAML e o banco,/media/frigatepara clipes, gravações e exportações,/tmp/cachepara os segmentos em andamento. - Gravações em HD: escrita contínua consome a durabilidade de um SSD de consumo. Coloque
/media/frigateem um disco rígido e mantenha/tmp/cacheem armazenamento rápido. - RAM para recursos de IA: a busca semântica exige no mínimo 8 GB e uma CPU com AVX e AVX2; o recomendado são 16 GB mais uma GPU.
Montagem | Detector | Indicado para |
|---|---|---|
| Mini PC Intel N100/N150, 16 GB | openvino (iGPU) | 2 a 6 câmeras, sem busca semântica |
| Mini PC Intel Core i5, 32 GB | openvino (iGPU) | 6 a 12 câmeras com busca semântica |
| Qualquer host + Hailo-8 M.2 | hailo8l | Baixo consumo, muitas câmeras |
| Desktop com RTX 3050 ou superior | onnx | Frigate e um LLM local na mesma máquina |
| Raspberry Pi 5 | edgetpu / hailo8l | 1 a 3 câmeras, orçamento de energia apertado |
O Frigate suporta Docker em Debian bare metal, o add-on do Home Assistant, Kubernetes via Helm, Unraid, NAS Synology e QNAP, ESXi e macOS em Apple Silicon. No Proxmox, use uma máquina virtual QEMU — LXC não é suportado explicitamente.
⚠️Aviso: Rodar o Frigate em um contêiner LXC do Proxmox não é suportado. Repassar um Coral ou uma iGPU parece funcionar e depois falha de um jeito que ninguém vai conseguir diagnosticar por você. Use uma máquina virtual.
🛠️Boa prática: Se quiser uma única máquina para Frigate, Home Assistant e um LLM local, dimensione primeiro pelo LLM — veja as indicações de mini PC para Home Assistant e IA local.
Como configurar suas câmeras para o Frigate?
Configure dois streams no próprio firmware da câmera: um substream de 1280x720 a 5 fps para detecção e o stream principal em resolução nativa a 15 fps para gravação, ambos em H.264 e com a mesma proporção de tela. O modelo de detecção do Frigate trabalha com entrada de 320x320, então um stream de detecção em 4K não traz ganho algum e custa muito em decodificação.
- Use H.264 e não H.265 — o suporte de H.265 nos navegadores é limitado e a visualização ao vivo é a primeira a sofrer.
- Mude a taxa de quadros na câmera, nunca no Frigate: reduzir por software gasta CPU sem benefício.
- Prefira PoE cabeado a Wi-Fi; um substream que cai aparece como detecção perdida, não como falha evidente.
- Para câmeras que expõem RTSP e ONVIF corretamente, veja o guia de compra de câmeras locais para montagens com Frigate.
- 1No firmware da câmera, defina o substream em 1280x720, 5 fps, H.264, com intervalo de quadro I de 5 (um keyframe por segundo).
- 2Defina o stream principal na resolução nativa da câmera — 2688x1520 em um sensor de 4 MP comum — a 15 fps, H.264, intervalo de quadro I de 30.
- 3Mantenha a mesma proporção nos dois streams (16:9 com 16:9) para que as caixas delimitadoras correspondam entre detecção e gravação.
- 4Atribua o papel
detectao substream e o papelrecordao stream principal. - 5Suba a detecção para 10 fps apenas com alvos realmente rápidos, como um carro cruzando uma vista estreita da entrada.
💡Dica: Se os objetos no fundo da entrada nunca são detectados, a causa costuma ser resolução e não o modelo: em 1280x720 reduzidos para uma entrada de 320x320, uma pessoa distante são pouquíssimos pixels. Divida essa vista em uma segunda câmera ou um stream com zoom em vez de aumentar a resolução de detecção de forma geral.
📌Nota: O Frigate puxa cada câmera uma única vez e atende os demais clientes a partir dessa cópia, por isso vale apontar o Home Assistant para o Frigate e não para a câmera.
Como instalar o Frigate?
Use Docker Compose em um host Debian bare metal se quiser o caminho suportado; use o add-on do Home Assistant se aceitar menos controle em troca de uma instalação em um clique. Ambos precisam do mesmo config.yml e do mesmo broker MQTT.
- 1Instale o Docker em um host baseado em Debian e crie os diretórios
/confige/media/frigate. - 2Escreva um
config.ymlmínimo com uma única câmera e sem bloco de detector, para que o Frigate suba com os padrões e você confirme que o stream chega. - 3Suba o contêiner com
shm_sizeexplícito e o dispositivo correto:/dev/dri(Intel), o runtime de GPU (NVIDIA) ou/dev/hailo0(Hailo). - 4Abra a interface web e confira a imagem da câmera, os FPS de detecção e o tempo de inferência mostrado na página Sistema.
- 5Acrescente o bloco
detectorsreal, reinicie e confira se o tempo de inferência cai para o número publicado do seu hardware. - 6Configure o broker MQTT no
config.ymle depois adicione a integração Frigate no Home Assistant.
services:
frigate:
container_name: frigate
image: ghcr.io/blakeblackshear/frigate:0.17.2
restart: unless-stopped
privileged: true
shm_size: "512mb"
devices:
- /dev/dri/renderD128:/dev/dri/renderD128 # Intel iGPU (OpenVINO)
volumes:
- /etc/localtime:/etc/localtime:ro
- ./config:/config
- /srv/frigate/media:/media/frigate
- type: tmpfs
target: /tmp/cache
tmpfs:
size: 1000000000
ports:
- "8971:8971" # authenticated web UI
- "8554:8554" # RTSP restream
- "8555:8555/tcp"
- "8555:8555/udp"⚠️Aviso: Fixe a tag da imagem em uma versão específica em vez de stable. Os esquemas de configuração do Frigate mudam entre versões menores, e um docker compose pull sem supervisão na virada de 0.17 para 0.18 pode deixar um contêiner que se recusa a subir com o seu YAML atual.
🛠️Boa prática: Coloque uma câmera para funcionar antes de adicionar as demais. Quase toda thread de "o Frigate quebrou" termina na URL do substream de uma câmera específica, e isso é muito mais fácil de enxergar com uma única entrada na configuração.
Como é um config.yml do Frigate que funciona?
**Uma configuração funcional tem quatro blocos: mqtt, detectors, cameras com dois papéis de stream, e os filtros zones e review por câmera.** Todo o resto tem valores padrão que bastam no primeiro dia.
subtype=1esubtype=0são a convenção Dahua/Amcrest para substream e stream principal; a Reolink usah264Preview_01_subeh264Preview_01_main.retain.mode: motionmantém gravação contínua apenas onde houve movimento, e é a principal alavanca de economia de armazenamento.review.alerts.required_zonesimpede que um carro na via pública acorde o seu celular.- O Frigate 0.17 trouxe configuração completa pela interface, então a maior parte disso já pode ser editada no navegador em vez de na mão.
mqtt:
host: 192.168.1.10
user: frigate
password: "{FRIGATE_MQTT_PASSWORD}"
detectors:
ov:
type: openvino
device: GPU
cameras:
driveway:
ffmpeg:
inputs:
- path: rtsp://user:pass@192.168.1.51:554/cam/realmonitor?channel=1&subtype=1
roles: [detect]
- path: rtsp://user:pass@192.168.1.51:554/cam/realmonitor?channel=1&subtype=0
roles: [record]
detect:
width: 1280
height: 720
fps: 5
record:
enabled: true
retain:
days: 3
mode: motion
alerts:
retain:
days: 30
snapshots:
enabled: true
motion:
mask:
- 0,0,0.35,0,0.35,0.12,0,0.12 # timestamp overlay
zones:
driveway_apron:
coordinates: 0.14,0.98,0.62,0.55,0.95,0.72,0.88,1.0
loitering_time: 4
inertia: 3
review:
alerts:
labels: [person, car]
required_zones: [driveway_apron]
detections:
labels: [person, car, dog, cat]💡Dica: O Frigate 0.17 também introduziu Perfis — sobreposições de configuração nomeadas que você alterna sem reiniciar o contêiner. Um perfil "visitas em casa" que amplia required_zones é melhor do que editar o YAML duas vezes por semana.
Como zonas e máscaras eliminam alertas falsos?
Zonas filtram quais detecções importam; máscaras de movimento impedem que o Frigate sequer olhe para uma região. Use uma zona quando o objeto é real mas irrelevante, e uma máscara quando o movimento nem é um objeto. A presença em zona é avaliada pelo ponto central inferior da caixa delimitadora, então a zona precisa cobrir o chão onde estão pés ou rodas, não a altura das cabeças.
📍 Em uma frase
No Frigate, uma máscara de movimento impede totalmente que a detecção rode naquela região, enquanto uma zona com required_zones deixa a detecção funcionar normalmente e apenas restringe quais detecções podem gerar um alerta.
❌ Abordagem ruim
“Alertas para cada pessoa, em todas as câmeras, o dia inteiro — e notificações silenciadas depois de dois dias porque a calçada em frente gera quarenta alertas por noite.”
✅ Abordagem boa
“Uma zona driveway_apron cobrindo apenas o chão dentro do limite do terreno, review.alerts.required_zones apontando para essa zona, loitering_time: 4, e detections (sem notificação) ativas para todo o resto, para que o registro pesquisável continue completo.”
- Máscara de movimento: para marcações de data e hora, uma árvore balançando, uma bandeira. O Frigate nunca roda detecção ali. Use para movimento que nunca será um objeto de interesse.
- Máscara de filtro de objeto: suprime um rótulo específico em uma região específica — o carro do vizinho permanentemente detectado como
car, por exemplo. - **Zona +
required_zones:** o objeto é mesmo uma pessoa, mas uma pessoa na calçada não é um alerta. Essa é a correção certa para o fluxo de pedestres. loitering_time:** exige que o objeto permaneça N segundos na zona — um entregador que sobe pelo caminho se qualifica, alguém que passa direto não.inertia:** exige que o objeto permaneça dentro da zona por N quadros consecutivos (3 por padrão), para que a oscilação da caixa na borda não dispare um alerta.- Estimativa de velocidade: uma zona com exatamente quatro pontos alinhados ao chão mais uma lista
distancesgera um valor de velocidade na interface e via MQTT.
⚠️Aviso: Desenhar uma zona na metade superior do quadro não serve para nada. A presença é julgada pelo ponto central inferior da caixa delimitadora — desenhe as zonas no plano do chão.
🔍Insight: Alertas falsos quase nunca são um problema de qualidade do modelo. Numa instalação residencial típica, zonas e required_zones removem mais ruído do que qualquer upgrade de detector.
Como conectar o Frigate ao Home Assistant?
Configure primeiro a integração MQTT no Home Assistant, aponte o Frigate para o mesmo broker e só então instale a integração Frigate — ela cria entidades camera, image, sensor, switch e binary_sensor por câmera e por zona. Sem MQTT configurado antes, a integração instala e não produz nada.
- 1Instale um broker MQTT (o add-on Mosquitto é a escolha usual) e adicione a integração MQTT no Home Assistant.
- 2Aponte o bloco
mqttdo config.yml do Frigate para o mesmo broker, com usuário e senha próprios. - 3Instale a integração Frigate pelo HACS ou como integração nativa e aponte-a para o host do Frigate.
- 4Ative a integração Media Source para que gravações e snapshots apareçam no navegador de mídia.
- 5Construa as automações sobre os sensores binários por zona, e não sobre os por câmera.
binary_sensor
- O que você obtém:
- Movimento e presença de objeto por câmera, por zona e por rótulo de objeto
- Para que usar:
- O gatilho de praticamente qualquer automação — uma pessoa em uma zona específica é um gatilho muito melhor do que movimento em uma câmera
camera
- O que você obtém:
- Entidade de stream ao vivo servida pela retransmissão do Frigate na porta 8554
- Para que usar:
- Cartões de painel e transmissão; apontar o Home Assistant para cá em vez de para a câmera evita uma segunda conexão com ela
image
- O que você obtém:
- O snapshot mais recente do último objeto detectado, por câmera
- Para que usar:
- Anexar uma imagem a uma notificação no celular sem chamar a API de snapshot na mão
sensor
- O que você obtém:
- Contagens de objetos por zona e por câmera, além de números de desempenho do detector e dos processos
- Para que usar:
- Lógica de ocupação e um painel de saúde do sistema — o tempo de inferência aqui é o aviso antecipado de que um detector caiu para a CPU
switch
- O que você obtém:
- Chaves de detecção, gravação e snapshots por câmera
- Para que usar:
- Automações de privacidade, como desligar a detecção interna quando a presença indicar que há alguém em casa
A integração também expõe as ações camera.turn_on e camera.turn_off, suporta vários servidores Frigate com configurações MQTT separadas e permite sobrescrever o modelo de URL RTSP com Jinja2.
⚠️Aviso: Se a integração Frigate instala mas nenhuma entidade aparece, a causa é quase sempre MQTT: ou a integração nunca foi adicionada no Home Assistant, ou Frigate e Home Assistant estão falando com brokers diferentes.
🛠️Boa prática: Dispare automações pelo sensor binário de zona somado a uma condição no rótulo do objeto. Um sensor de movimento de câmera dispara com chuva; binary_sensor.driveway_driveway_apron_person não.
O que a busca semântica, o reconhecimento facial e o de placas acrescentam?
A busca semântica permite digitar "van preta na entrada à noite" e obter os clipes correspondentes; o reconhecimento facial e o de placas transformam detecções anônimas em detecções nomeadas — e ambos funcionam sem assinatura do Frigate+. Esses recursos custam RAM, não dinheiro.
- Busca semântica: exige no mínimo 8 GB de RAM, uma CPU com AVX e AVX2 e, idealmente, 16 GB mais uma GPU dedicada. Em um Raspberry Pi ela não roda de forma útil.
- Modelo de embeddings: o Jina CLIP V1 é o padrão; a variante
smallé quantizada e roda de forma aceitável na CPU, alargeusa a GPU quando há uma. - O Jina CLIP V2 cobre 89 idiomas em vez de apenas inglês, mas o Frigate documenta cerca de 3% de melhoria em troca de bem mais RAM e tempo de inferência, e desaconselha inferência em CPU.
- A reindexação é manual: ativar a busca semântica não indexa objetos já existentes. Use o botão "Reindex" na interface ou defina
reindex: True, contando com carga alta de CPU enquanto durar. - Reconhecimento facial e de placas rodam localmente e não exigem assinatura, embora os modelos do Frigate+ melhorem a eficiência.
- Descrições com GenAI: a 0.17 adicionou suporte a múltiplos provedores e uma integração dedicada com llama.cpp, então as descrições podem vir de um modelo no seu próprio hardware — veja automações com LLM local no Home Assistant.
💡Dica: Ative a busca semântica antes de acumular um ano de clipes. Reindexar 200.000 objetos rastreados em um mini PC sem GPU é trabalho de uma noite inteira.
📌Nota: O Frigate 0.16 acrescentou gatilhos de busca semântica — uma ação dispara quando um objeto rastreado corresponde a uma imagem ou descrição salva. É a ponte entre "pesquisar minhas gravações" e "automatizar pelo que elas significam".
O Frigate+ vale US$ 50 por ano?
O Frigate+ vale a pena assim que você tem um falso positivo específico e repetido que o modelo padrão não resolve; caso contrário, os modelos gratuitos com boas zonas dão conta. Custa US$ 50 por ano (cobrança em USD) e inclui até 12 modelos ajustados, com ajustes adicionais a US$ 5 cada.
Frigate+ ou modelos padrão?
Use um LLM local se:
- •Um objeto específico é classificado errado repetidamente no seu terreno
- •Você tem ângulos de câmera incomuns que o modelo padrão lida mal
- •Você quer rótulos sugeridos por IA para acelerar seus próprios envios
- •Você quer financiar o desenvolvimento contínuo do projeto de código aberto
Use um modelo em nuvem se:
- •Seus alertas falsos vêm do movimento na calçada — zonas resolvem isso de graça
- •Você precisa de rótulos fora da lista do Frigate; rótulos próprios ainda não estão disponíveis
- •Você tem apenas uma ou duas câmeras com enquadramentos simples
Decisão rápida:
- →Corrija primeiro as zonas e reavalie depois de duas semanas
- →Se os alertas continuarem errando em objetos reais, assine
- →Os modelos que você treinou continuam disponíveis para download após o cancelamento
- O modelo base do Frigate+ foi atualizado para 2026.0, construído sobre YOLOv9, com novos rótulos candidatos como
lawnmowereheron. - Ainda não é possível adicionar rótulos personalizados livres: o treinamento se limita ao conjunto de rótulos suportado pelo Frigate.
- Reconhecimento facial e de placas não exigem a assinatura.
🔍Insight: Assinar antes de ajustar as zonas é a forma mais comum de gastar US$ 50 sem ver melhoria alguma. Um modelo ajustado torna as detecções corretas mais confiáveis; ele não faz um pedestre corretamente detectado deixar de ser um pedestre.
Como o Frigate se compara em custo às câmeras por assinatura?
O Frigate converte uma mensalidade de nuvem por câmera em um custo único de hardware que não cresce com o número de câmeras. Acima de duas câmeras, o ponto de equilíbrio costuma cair dentro do primeiro ano.
Aspecto | Serviço em nuvem | Frigate |
|---|---|---|
| Custo recorrente | Mensal, muitas vezes por câmera | Nenhum |
| Custo inicial | Só a câmera | Host + detector + armazenamento |
| Detecção com IA | Nuvem do fabricante | Local (OpenVINO/Hailo/ONNX) |
| Onde ficam as imagens | Data center do fabricante | No seu disco |
| Queda de internet | Degradado ou inoperante | Plenamente funcional na LAN |
| Risco de perder recursos | O fabricante pode mudar os planos | A versão que você usa continua funcionando |
Adicionar uma câmera ao Frigate custa a câmera. Adicioná-la a um serviço por assinatura costuma custar a câmera mais outra linha na fatura — é aí que a diferença aumenta. Veja também como ter uma casa inteligente sem assinaturas.
📌Nota: Conte a energia com honestidade: um mini PC sempre ligado com discos consome cerca de 15–30 W. Em cinco anos é dinheiro real, mas continua bem abaixo da maioria dos planos de nuvem para várias câmeras.
Erros comuns ao configurar o Frigate
Cinco erros respondem pela maioria das montagens de Frigate que dão errado, e só um deles é sobre hardware.
- Detectar no stream principal: apontar o papel
detectpara um stream 4K multiplica o custo de decodificação sem nenhum ganho de precisão, porque a entrada do modelo é 320x320. Sempre detecte no substream e grave no principal. - **Deixar
shm_sizeno padrão:** 128 MB cobrem cerca de duas câmeras em 720p. As câmeras além disso caem de forma intermitente, sem erro evidente. Defina--shm-size=512mbe siga em frente. - Instalar a integração do Home Assistant antes do MQTT: a integração instala normalmente e não cria nada. Configure primeiro a integração MQTT no Home Assistant e o bloco
mqttno Frigate, apontando para o mesmo broker. - Resolver alertas falsos trocando de detector: um pedestre na calçada é uma detecção correta. A solução é uma zona com
required_zoneseloitering_time, não um acelerador mais rápido ou um modelo pago. - Gravar no SSD do sistema: a escrita contínua de vídeo consome rápido a durabilidade de um SSD de consumo. Coloque
/media/frigateem um HD, mantenha/tmp/cacherápido e useretain.mode: motion. - Implantar em um LXC do Proxmox: o repasse de dispositivos parece funcionar e depois quebra de um jeito não suportado e impossível de diagnosticar. Use uma máquina virtual QEMU.
Veredito: o que montar de fato?
Compre um mini PC Intel com 16 GB de RAM, rode o detector OpenVINO na iGPU dele, use câmeras PoE com substream de 720p a 5 fps e dedique a primeira semana às zonas em vez de a hardware. Essa montagem atende uma casa comum e deixa espaço para acrescentar um Hailo-8 mais tarde, se o número de câmeras crescer.
- Use OpenVINO em uma iGPU Intel se estiver começando do zero — o menor custo, sem hardware extra, e folga suficiente para 2 a 6 câmeras.
- Use um módulo Hailo-8 M.2 se passar de oito câmeras ou se o consumo importar.
- Use ONNX em uma GPU NVIDIA já existente se a máquina tiver uma, principalmente se ela também rodar um LLM local.
- Use um Coral apenas quando os watts forem a restrição rígida e você aceitar que esse não é mais o caminho recomendado.
- Evite o detector cpu; o OpenVINO em modo CPU é a melhor alternativa de reserva.
- Na dúvida, comece com um mini PC Intel N150 e duas câmeras, acerte as zonas e depois escale.
🛠️Boa prática: A ordem de gasto que realmente funciona: primeiro câmeras e switch PoE, depois o host, depois o armazenamento, e um acelerador só quando os números da página Sistema disserem que ele é necessário. Comprar o acelerador primeiro é a inversão clássica.
Perguntas frequentes
O que é o Frigate NVR?
O Frigate é um gravador de vídeo em rede de código aberto que executa detecção de objetos com IA localmente em streams de câmeras IP usando OpenCV e TensorFlow. Ele grava clipes com base no que foi detectado, e não em movimento bruto, e publica cada detecção via MQTT para que o Home Assistant possa automatizar em cima disso. O software principal não tem serviço de nuvem nem assinatura.
Ainda preciso de um TPU Google Coral para o Frigate em 2026?
Não. A documentação de hardware do Frigate afirma que o Coral já não é recomendado em instalações novas, exceto quando o consumo é uma restrição excepcionalmente rígida. Para uma montagem nova, os caminhos recomendados são o detector OpenVINO em uma iGPU Intel, um módulo Hailo-8 ou o detector ONNX em uma GPU NVIDIA já existente.
Qual versão do Frigate devo rodar?
O Frigate 0.17.2, lançado em 28 de junho de 2026, é a versão estável atual. A 0.18.0 está em beta desde julho de 2026 — a terceira beta saiu em 8 de agosto de 2026 —, então use a 0.18 apenas se você estiver confortável com mudanças de configuração entre versões menores.
Quanta RAM o Frigate precisa?
Detecção de objetos e gravação rodam com folga em 8 GB. A busca semântica eleva esse piso: o Frigate documenta 8 GB como mínimo, 16 GB ou mais com uma GPU dedicada como recomendação, e exige uma CPU compatível com as instruções AVX e AVX2.
Por que o Frigate fica alertando sobre pessoas que passam na frente da minha casa?
Porque essas são detecções corretas. Desenhe uma zona cobrindo apenas o chão dentro do seu terreno, defina review.alerts.required_zones para essa zona e acrescente loitering_time, para que quem passa precise parar antes de gerar um alerta. A presença é julgada pelo ponto central inferior da caixa delimitadora, então a zona precisa cobrir o plano do chão.
O Frigate funciona sem conexão com a internet?
Sim. Detecção, gravação, MQTT e automações do Home Assistant funcionam inteiramente na sua rede local. Só a visualização remota de fora de casa e provedores de GenAI na nuvem precisam de conectividade — e a 0.17 acrescentou uma integração com llama.cpp para gerar descrições também localmente.
Qual a diferença entre uma zona e uma máscara no Frigate?
Uma máscara de movimento impede que o Frigate execute qualquer detecção naquela região, o que serve para marcações de data e hora e folhagem em movimento constante. Uma zona deixa a detecção funcionar normalmente e apenas restringe, via required_zones, quais detecções podem gerar um alerta.
Quantas câmeras um servidor Frigate aguenta?
Depende do tempo de inferência mais do que do número de câmeras: as detecções úteis por segundo equivalem a cerca de 1000 dividido pelo tempo de inferência em milissegundos, compartilhadas entre as câmeras. A 5 fps de detecção por câmera e com um detector de 8 ms como uma Intel Arc A750 em YOLOv9-320, sobra bastante margem para uma instalação residencial típica.
Preciso do Frigate+ para reconhecimento facial ou de placas?
Não. Reconhecimento facial e de placas rodam localmente sem assinatura, embora os modelos do Frigate+ possam melhorar a eficiência. O Frigate+ custa US$ 50 por ano e inclui até 12 modelos ajustados, com ajustes adicionais a US$ 5 cada.
Posso rodar o Frigate em um contêiner LXC do Proxmox?
Não — LXC no Proxmox não é suportado explicitamente. Use uma máquina virtual QEMU. O repasse de uma iGPU, de um Coral ou de um módulo Hailo pode parecer funcionar em um LXC e depois falhar de um jeito impossível de suportar.
Fontes
- Hardware recomendado do Frigate — docs.frigate.video/frigate/hardware — tempos de inferência publicados por detector e a informação de que o Coral já não é recomendado em instalações novas.
- Configuração de detectores de objetos do Frigate — docs.frigate.video/configuration/object_detectors — lista completa dos valores de
typee a observação de que o detector CPU não é recomendado. - Configuração de câmeras do Frigate — docs.frigate.video/frigate/camera_setup — resoluções, taxas de quadros e intervalos de quadro I para detecção e gravação.
- Configuração de zonas do Frigate — docs.frigate.video/configuration/zones — required_zones, loitering_time, valor padrão de inertia e requisitos da estimativa de velocidade.
- Busca semântica do Frigate — docs.frigate.video/configuration/semantic_search — requisitos de RAM e AVX2, comparação entre Jina CLIP V1 e V2 e comportamento da reindexação.
- Integração do Frigate com o Home Assistant — docs.frigate.video/integrations/home-assistant — MQTT como pré-requisito e os tipos de entidade criados pela integração.
- Versões do Frigate no GitHub — github.com/blakeblackshear/frigate/releases — números de versão e datas de lançamento das 0.17.x e das betas 0.18.0.
- Frigate+ — frigate.video/plus/ — preço da assinatura, ajustes incluídos e limitações de rótulos.