飞牛OS+显卡直通+Docker部署Frigate教程

前言

我之前的NAS一直用的CasaOS，最近看到飞牛OS挺火的，特别是它自带的飞牛影视功能很吸引人。毕竟Emby和Plex都要付费，折腾开心版又太麻烦，索性就转到了飞牛OS体验一下。

装好飞牛OS之后，顺便就想把之前一直在玩的Frigate也部署上。Frigate是一个开源的、支持实时目标检测的NVR（网络视频录像机），能识别人、猫、狗、车等目标，还能联动Home Assistant，是智能家居安防的利器。

我的环境比较特殊：飞牛OS是装在ESXi虚拟机里的，先晒一下我运行马上600天的洋垃圾。我通过PCIe直通把一张NVIDIA P400直通进来。说实话P400应付Frigate还是比较吃力的，毕竟这是一张入门级的亮机卡，但好在能跑起来，GPU加速带来的CPU减负效果依然很明显。如果你的显卡更好（比如RTX系列），体验会好很多。

折腾了一番终于跑通了，今天就把整个过程分享给大家。如果你也在飞牛OS上用NVIDIA显卡跑Frigate，希望这篇教程能帮到你。

本篇你将学到：飞牛OS中安装NVIDIA驱动和Container Toolkit、Docker Compose部署Frigate并实现NVIDIA GPU直通、Frigate配置文件详解（ONNX模型 + YOLOX）、go2rtc直播流配置、在WebUI中创建检测区域、常见问题排错。

一、前置条件

开始之前，请确认以下条件：

1. 飞牛OS已安装并正常运行（我的版本是fnOS最新版，装在ESXi虚拟机中）

2. NAS上有NVIDIA显卡（我用的是P400，Turing架构及以上如RTX系列推荐）

3. 如果是虚拟机环境，需要将显卡通过PCIe直通给飞牛OS

4. 已开启SSH访问（方便命令行操作）

5. 有基本的Docker和Linux知识

6. 网络摄像头的RTSP地址已获取（海康/大华等品牌可通过SADP工具或摄像头后台查看）

二、安装NVIDIA驱动和Container Toolkit（关键步骤！）

飞牛OS的应用中心已经贴心地提供了NVIDIA相关套件，安装起来非常方便。

2.1 安装 NVIDIA-driver-580

打开飞牛OS的应用中心，搜索NVIDIA，找到NVIDIA-driver-580（或更新版本的驱动），点击安装即可。

安装完成后，通过SSH连接到NAS，验证驱动是否正常：

nvidia-smi

如果能看到显卡信息和驱动版本号，说明驱动安装成功。

2.2 安装 NVIDIA Container Toolkit

同样在飞牛OS的应用中心搜索并安装NVIDIA Container Toolkit。这个工具的作用是让Docker容器能够访问宿主机的NVIDIA GPU。

安装完成后，验证Docker是否能识别GPU：

docker run --rm --runtime=nvidia --gpus all nvidia/cuda:12.0-base nvidia-smi

如果能正常输出GPU信息，说明Container Toolkit配置成功。

三、下载YOLOX模型

Frigate 0.17版本支持多种检测模型，这里我们使用YOLOX的ONNX格式模型。先创建模型存放目录，再下载模型文件：

# 创建模型缓存目录（compose构建时也会自动创建相关目录） mkdir -p /vol1/appshare/frigate/config/model_cache cd /vol1/appshare/frigate/config/model_cache # 下载YOLOX-S模型（约30MB） wget https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.onnx

如果你的网络访问GitHub较慢，可以挂代理或先在电脑上下载后通过SFTP上传到NAS的对应目录。

四、编写 docker-compose.yml

在飞牛OS中，你可以通过Docker的"项目"功能（即docker-compose）来部署Frigate。以下是我使用的compose文件：

version: "3.9" services: frigate: container_name: frigate image: ghcr.io/blakeblackshear/frigate:0.17.0-tensorrt restart: unless-stopped privileged: true shm_size: "512mb" runtime: nvidia volumes: - /etc/localtime:/etc/localtime:ro - /vol1/appshare/frigate/config:/config - /vol1/appshare/frigate/video:/media/frigate - type: tmpfs target: /tmp/cache tmpfs: size: 1000000000 ports: - "8971:8971" # Web UI（推荐，SSL加密+用户认证） - "8554:8554" # RTSP直播流 - "8555:8555/tcp" # WebRTC - "8555:8555/udp" # WebRTC environment: NVIDIA_VISIBLE_DEVICES: all

关键配置项说明

image：使用 0.17.0-tensorrt 标签，内置TensorRT支持，NVIDIA显卡必选。

runtime: nvidia：告诉Docker使用NVIDIA运行时，实现GPU直通。

shm_size: "512mb"：共享内存大小，Frigate处理视频流需要较大共享内存，建议至少256MB。

NVIDIA_VISIBLE_DEVICES: all：让容器能看到所有GPU，如果只有一张卡填 all 即可。

privileged: true：特权模式，某些情况下GPU访问需要此权限。

tmpfs：将缓存放在内存中，提升读写性能，1GB大小足够。

端口说明（重要！）

8971端口（推荐使用）：这是Frigate新版Web UI的入口，支持SSL加密连接，并且有用户认证机制（首次访问会要求你创建管理员账号密码）。日常使用请统一通过这个端口访问，安全可靠。

5000端口（不建议开启）：这是Frigate的旧版API端口，没有任何用户认证，属于裸奔状态。如果你的NAS在内网还好，但一旦暴露到公网会有严重的安全风险。所以我这里直接没有映射这个端口，建议大家也跳过它。

8554端口：go2rtc RTSP转发流。8555端口：WebRTC低延迟直播。

五、编写 Frigate 配置文件

在 /vol1/appshare/frigate/config/ 目录下创建 config.yml，这是Frigate的核心配置文件：

# ============ MQTT配置 ============ mqtt: enabled: true host: 10.0.2.232 # 替换为你的MQTT Broker地址 # 如果你的MQTT Broker设置了用户名密码，取消下面的注释： # user: your_mqtt_username # password: your_mqtt_password # ============ 检测器配置 ============ detectors: onnx: type: onnx # ============ 目标追踪 ============ objects: track: - person - cat # ============ 快照设置 ============ snapshots: enabled: true timestamp: false clean_copy: false bounding_box: true retain: default: 10 quality: 95 detect: enabled: true record: enabled: true continuous: days: 0 alerts: retain: days: 3 mode: motion # ============ 模型配置 ============ model: model_type: yolox width: 640 height: 640 input_tensor: nchw input_dtype: float_denorm path: /config/model_cache/yolox_s.onnx labelmap_path: /labelmap/coco-80.txt # ============ 摄像头配置 ============ cameras: diaozhuang: enabled: true ffmpeg: inputs: - path: rtsp://admin:你的密码@10.1.1.1:8554/Streaming/Channels/101 roles: - detect live: streams: Stream 1: diaozhuang ffmpeg: hwaccel_args: preset-nvidia version: 0.17-0 go2rtc: streams: diaozhuang: - rtsp://admin:你的密码@10.0.2.67:8554/Streaming/Channels/101 lpr: enabled: false classification: bird: enabled: false

配置要点解析

1. MQTT配置

MQTT用于将Frigate的检测事件推送给Home Assistant或其他智能家居平台。如果你的MQTT Broker（比如HA自带的Mosquitto）设置了用户名和密码认证，需要在配置中加上 user 和 password 字段：

mqtt: enabled: true host: 10.0.2.232 user: your_mqtt_username password: your_mqtt_password

如果你的MQTT Broker没有设置认证（比如测试环境），可以省略 user 和 password。

2. 检测器选择：这里使用 onnx 类型的检测器。如果你的NVIDIA显卡支持TensorRT，也可以切换为 tensorrt 类型，推理速度更快。ONNX通用性很好，兼容性更强。

3. 模型配置：model 部分指定了YOLOX-S模型，输入分辨率640x640。

4. 硬件加速：ffmpeg.hwaccel_args: preset-nvidia 是关键配置，告诉FFmpeg使用NVIDIA的NVDEC来解码视频流，大幅降低CPU占用率。

5. go2rtc：Frigate内置的流转发服务，将RTSP流转为低延迟的WebRTC流。go2rtc中的RTSP地址和camera配置中的地址可以不同（比如一个主码流一个子码流）。

六、启动Frigate

通过飞牛OS的Docker图形界面来启动：

1. 打开飞牛OS的 Docker 应用

2. 进入"项目"页面

3. 点击"新增项目"

4. 项目名称填写 frigate

5. 路径选择你存放 docker-compose.yml 的目录

6. 将上面的compose内容粘贴进去

7. 点击"构建"

首次启动时，Frigate会自动拉取镜像（约2-3GB），耐心等待。启动成功后，你会在日志中看到检测器启动、摄像头处理器启动等信息。

七、访问Frigate Web界面

打开浏览器，访问：https://你的NAS_IP:8971

首次访问时，Frigate会要求你创建管理员账号和密码，请务必记住。登录后进入新版UI界面，你可以在 Live 页面查看实时画面和检测结果，在 Review 页面回顾检测事件和录像，在 Settings 中调整配置，在 Explore 中使用语义搜索功能。

八、在WebUI中创建检测区域

Frigate支持在摄像头画面中划定检测区域（Zone），只有目标进入指定区域才会触发告警，这样可以大大减少误报。比如你只想在有人进入客厅或餐厅时收到通知，而不是走廊经过也算。

创建区域的方法非常直观：

1. 进入Frigate WebUI，打开对应摄像头的设置页面

2. 找到 Zones 配置区域

3. 点击 Add Zone，给区域起个名字（如"客厅"、"餐厅"、"阳台"）

4. 在摄像头预览画面上直接拖拽绘制多边形，框出你想要监控的区域

5. 选择该区域要检测的目标类型（如person、cat等）

6. 保存即可

绘制完成后，你还可以在 review 配置中设置 required_zones，指定只有特定区域内的事件才算作告警或回顾对象。这一步完全不需要手动写坐标，WebUI会自动帮你生成对应的配置。

九、MQTT与Home Assistant联动（可选）

如果你使用Home Assistant，可以通过MQTT将Frigate的检测事件推送给HA：

1. 确保HA中已安装 MQTT集成（Add-on中安装Mosquitto Broker）

2. 在Frigate配置的 mqtt 部分填写MQTT的IP地址（如果Mosquitto设了密码，记得加上user和password）

3. 在HA中安装 Frigate集成（通过HACS安装）

4. 配置Frigate集成，填写Frigate的MQTT地址

联动后，你可以在HA中收到人/猫检测的推送通知、用检测事件触发自动化（比如检测到人自动开灯）、在HA仪表板中嵌入Frigate的实时画面。

十、性能参考

我用的是P400这种入门级显卡，应付Frigate其实比较吃力，但开启GPU加速后CPU占用依然明显降低。如果你的显卡更好（比如RTX系列），效果会好很多。具体性能因硬件而异：

CPU占用方面，开启GPU加速后Frigate的CPU占用显著降低。GPU占用取决于摄像头数量和分辨率。内存占用约1-2GB。P400使用ONNX模型跑640x640输入，单帧推理约80-120ms，换用更好的显卡可以降到15-30ms。

相比纯CPU推理，NVIDIA GPU加速带来的提升是非常显著的，即使是P400也能感受到明显的CPU减负。

总结

以上就是在飞牛OS上通过NVIDIA GPU直通 + Docker部署Frigate的完整教程。整体流程并不复杂：

1. 应用中心安装 NVIDIA-driver-580 和 NVIDIA Container Toolkit

2. 下载YOLOX模型文件

3. 编写 docker-compose.yml 和 config.yml

4. 通过Docker项目管理启动容器

5. 访问WebUI，创建检测区域

Frigate的AI检测能力真的很强，配合NVIDIA GPU加速，在NAS上就能跑出一套媲美商用方案的智能监控系统。即使像我这样在ESXi虚拟机里用P400这种入门卡，也能顺利跑起来。如果你也在飞牛OS上折腾Frigate，强烈推荐试试！

有什么问题欢迎评论区交流，也欢迎点赞收藏支持一下！

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～