2026年10月13日，GitHub 上 3.66 万星的开源监控项目 Frigate 发布了 0.18.1 维护版本，距离 9 月 12 日的大版本 0.18.0 刚过去一个月。 对还在给各家云监控按月交"AI 识别会员"的 DIY 玩家来说，这轮更新值得停下来看一眼：它不是又修了几个 bug，而是把"本地 AI 监控"这台戏的道具换了——大模型进监控、硬件阵容扩容、配置格式动刀。GitHub
先说清楚这篇是给谁看的：家里已经有几路能吐 RTSP 流的摄像头、有一台闲置 N100 小主机或 NAS、被"风吹树动就弹告警"折磨过、点开过 Frigate 教程又被 Docker 劝退的人。 如果你连命令行都不想碰，后面的内容跟你无关，继续用云监控就好，这不是贬义，是实话。小红书
0.18 真正变化的三件事
把官方发布说明和社区讨论放在一起看，0.18 的核心变化不是检测模型变强，而是接口的重组。
第一件：GenAI（生成式 AI）从单配置变成了多提供者架构。以前的 `genai` 配置只管"事件描述"，现在拆成了按 roles 分配的任务体系——物体描述、回顾摘要、向量嵌入（embeddings）、对话查询（chat）各自可以指定不同后端。 翻译成人话：你的监控不光能识别"门口有一个人"，还能用自然语言搜"上周穿红色外套在我门口停留超过一分钟的人"，或者让本地大模型每天给你生成一段事件摘要。这是把"录像检索"从拖进度条变成搜关键词的那一步。GitHub
第二件：Frigate 不再往硬盘里存带画框的 JPEG 快照了，改成统一保存干净的 WebP 原图快照，需要标注框的图改走 API 实时渲染，快照默认质量从 70 降到 60。老用户升级时依赖 `.jpg` 文件做二次开发的脚本会直接断。
第三件：官方镜像列表从传统的 x86/ARM 扩到了 tensorrt（英伟达）、rocm（AMD 显卡）、rk（瑞芯微 RK 系 NPU）、synaptics、jetson-jp6——用大白话说，你在开发板上跑 Frigate 硬件加速这件事，0.18 之后基本不用自己编译了。
代价是这一版有 breaking changes：zones 和 masks 的配置格式改了、新增了 enabled 和 friendly_name 字段，官方自己也承认自动迁移不一定全成功，要求升级前先备份 config 文件和 frigate.db。 10 月 13 日发的 0.18.1 就是这个大版本的修补版——按开源项目惯例，大版本后两个月内的 x.1/x.2 才是稳态上车点，现在是"可以尝鲜、生产环境再等一个小版本"的位置。GitHub
误报的锅，AI 不背：社区吵了一年半的真相
知乎上有物业安防从业者说得直接：AI 监控"上线第一周误报几百条是常态，树影、猫狗、车灯扫过都是误报源"。 小红书玩家吐槽"车被蹭了、东西不见了，面对几十 G 视频只能 8 倍速瞪眼刷"。 这两类抱怨，一类来自商用部署，一类来自纯录像方案，而 Frigate 的流水线恰好就是冲着这两个痛点设计的。知乎小红书
它的关键机制是把"检测"拆成两级：画面先过一遍极轻量的运动侦测，静止画面直接过滤，只有出现变化的区域才截取小块送入 AI 模型，而不是每帧整图跑推理。所以官方文档反复强调的一点：配置里的 detect 分辨率和检测 fps 只影响 AI 判断，和录像画质完全无关——哪怕检测设成 5fps、720P，录像仍是摄像头原画质。 这也是旧电脑、树莓派能跑多路的原因。知乎
理解了这一点，就知道"装了 AI 还是误报"的锅在谁身上：不在模型，在阈值、防抖时长、区域绘制和镜头选位。树影晃动的区域没画 mask、路灯扫过的路没设最小停留时间、广角镜头把半条马路都框进检测区——这些配置项在 0.18 里还改了格式，等于逼老用户重新交一遍学费。反过来说，新入坑的反而占便宜：按新格式一步到位，不存在迁移断点。
一个高频硬坑单独拎出来：Docker 默认共享内存只有 64MB，两路 720P 检测就会报 Bus error 崩掉，必须手动把 shm_size 调到 256MB 起步——官方文档和社区部署文都反复强调这一条，是新手翻车率最高的报错。知乎
算力账：Coral、Hailo、NPU，钱该花在哪一层
软件免费，成本全在硬件。把 B 站、知乎、小红书三个平台的近期晒单放一起，可以拼出一张比较完整的算力档位表：
第一档：纯 CPU + OpenVINO，0 元增量。 家里有 N100/N150 小主机或带核显 NAS 的，先别买任何加速棒。OpenVINO 在 Intel 核显上的推理能力撑 1-2 路检测没问题，绿联 NAS 配 Frigate 把普通摄像头升级成 AI 监控的方案今年在圈子里已经跑通了一轮。 告警实时性一般，但试错成本为零。知乎
第二档：专用加速棒，300-500 元档。 知乎 8 月底那篇被大量收藏的部署总结给的参考价：Google Coral USB 约 400 元，树莓派 5 配 Hailo-8 AI Kit 约 500 元，RK3588 开发板板载 NPU 自带加速。 多路摄像头（4 路以上）到这个档位才舒服，一次投入，之后零订阅。值得注意的变化是：0.18 把 rk（瑞芯微）、rocm、tensorrt 全做成了官方镜像，社区选型明显从"抱着 Coral 不放"转向板载 NPU 和显卡加速——按官方支持矩阵选型，比追单一老牌加速棒更稳。知乎
第三档：整机 NPU/GPU，适合本来就打算换主机的。 今年 8 月 TechnoTim 用 Minisforum MS-03 实测过 Intel NPU 跑 Frigate+OpenVINO+YOLOv9：NPU 推理性能接近 GPU，但整机功耗低 6.5W。 单看 6.5W 不起眼，按 7×24 常开算一年就是约 57 度电，摊下来一年差出三十几块电费不痛，痛的是 GPU 常转的风扇噪音和占用的 PCIe 槽位——监控机是全年无休的后台负载，NPU 的定位就是把这种持续型小活从 CPU/GPU 上卸下来。哔哩哔哩
对照另一边的账单：云监控的逻辑是视频上厂商服务器、AI 识别按月按路收费，萤石开放平台今年甚至把"AI+云存储"打包成了智能云存储产品继续往上叠。 Frigate 的镜像账单是一次性硬件费 + 电费 + 你自己承担运维：硬盘坏了录像就是真没了，机器宕了监控就是停了，没有客服兜底。这不是同一笔钱，是两种风险结构。顺带一提，B站今年 6 月还有 UP 主基于 Frigate 做了二开的 FrigateNVR，把回放检索做成了搜索引擎式交互，演示视频播放量两千八、收藏 112——"检索体验"这个新战场，社区已经自己动手了。知乎哔哩哔哩
谁该上车，谁不该
适合的四条硬标准：有多路 RTSP 摄像头、厌烦按月付费、在意家里画面出门（对，"陌生人脸识别"弹窗那种不安感）、手上有一台闲置主机且会基本 Docker 操作，或在玩 Home Assistant 想要联动。缺一条都建议缓。
纯小白、追求插上用、东西坏了要厂商赔的，别上。另外提醒一句：识别精度要求高的用户，Frigate 自带开源模型类别有限，官方增值服务 Frigate+ 是付费定制模型。 但"开源免费"和"识别一切"不是一回事，别被标题党教程带节奏。Frigate官网
下一步动作很简单，不用先买硬件：Frigate 官方支持读本地 MP4 循环模拟摄像头流。 今晚就能做的事是找一段自家门口录像，Docker 起一个 0.18.1，跑通"运动→检测→告警→检索"整条链路，确认误报调校符合预期，再决定要不要掏那 300-500 元的加速棒。眼下正值双 11 前的观望期，小主机和加速类硬件大概率有波动，模拟链路跑通再下手，比先囤硬件再学配置的顺序省心得多。知乎
至于要不要等"完全体"：盯两个信号就行——0.18 后续维护版本的节奏，以及 GenAI 语义检索在社区里的真实误报率反馈。监控这件事，晚两周上车不吃亏，装错了才亏。
