本帖最后由 gasment 于 2025-11-17 15:08 编辑
我的frigate里目前有10条检测流，峰值检测帧数为60fps，目前使用coral edge tpu跑默认的SSD MobileDet模型做对象检测，SSD MobileDet速度比较快（典型值10ms，我这里为6~7ms），但是精度不行；
需要提高精度的话要跑yolo/yolo-nas，但是官方尚未支持coral检测器的yolo模型；
最近翻到一个github项目，专门为frigate的coral检测器的适配了yolo v9模型(https://github.com/dbro/frigate-detector-edgetpu-yolo9)
如果你也使用coral检测，而又为检测精度烦恼，可以尝试下这个项目，我这里做下搬运
PS:如果想了解更多firgate知识，可以翻下我经验总结文档：【更新0.16.1正式版】万字经验，一文带你入门frigate AI监控 - 『HomeAssistant』综合讨论区 - 『瀚思彼岸』» 智能家居技术论坛 - Powered by Discuz!）
测试环境：
- frigate 0.16.2
- 黑裙DSM7.2 linux 5.10
- CC150 8C16T CPU
- nvidia T600 gpu (仅用于编解码）
- coral edge tpu pcie版
跟换模型前后对比：
- CPU：未见明显使用率提升
- coral：yolo9-small-320模型检测速率上升到8~10ms；yolo9-small-512模型检测速率上升到16~18ms；对比默认模型为6~7ms
项目使用方法：
1、下载3个必须文件
person
bicycle
car
motorcycle
airplane
bus
train
truck
boat
bird
cat
dog
horse
sheep
cow
elephant
bear
- 模型文件，目前（v1.5）作者提供了两个版本的模型：
- YOLO v9 small 320x320：输入尺寸为320x320，适合中近距离的检测，检测速度比较快，我这边测试是8~10ms
- YOLO v9 small 512x512: 输入尺寸为512x512，在320x320的基础上，对远距离小物体的检测更好，检测置信度普遍比320高一些，但是检测速度会下降，我这边测试是16~18ms
- 以上模型按需选择
- 320模型：github，网盘分流：
- 512模型：github,网盘分流：
2、将edgetpu_tfl.py、labels-coco17.txt、yolov9-s-relu6-tpumax_320_int8_edgetpu.tflite 3个文件放入到firgate的docker映射目录config下
比如/config/coral_yolo9/
3、停止frigate容器，修改frigate的compose配置。在volumes配置里添加：
volumes:
- /volume1/docker/frigate/frigate_16_release/config/coral_yolo9/edgetpu_tfl.py:/opt/frigate/frigate/detectors/plugins/edgetpu_tfl.py:ro
其中/volume1/docker/frigate/frigate_16_release/config/coral_yolo9/edgetpu_tfl.py需要改为你edgetpu_tfl.py文件的真实路径
4、重新构建frigate compose 容器，启动frigate，进入配置编辑器，将原来的detectors配置修改为：
# detectors: #原来的配置注释掉
# coral:
# type: edgetpu
# device: pci
detectors:
coral:
type: edgetpu
model: #新增一个模型配置
model_type: yolo-generic
labelmap_path: /config/coral_yolo9/labels-coco17.txt #按自己实际路径填写
path: /config/coral_yolo9/yolov9-s-relu6-tpumax_320_int8_edgetpu.tflite #按自己实际路径填写
width: 320 #按自己选择的模型填写
height: 320
5、保存配置后，重启firgate，观察日志有无报错，如启用成功，会看到一些相关输出
6、因为模型更换，识别置信度和旧模型存在差异，需要重新调试检测流的objects filters阈值
✅以上~
| 
发表于 
