↓ 跳过正文
Yang’s Notes
  1. 文章/

Frigate 换用 YOLOv9t + OpenVINO（Intel N97）

·261 字·2 分钟
Homelab Frigate Yolo Openvino Surveillance Self-Hosted
作者
Yang Hu
目录

将 Frigate 默认的 SSD MobileNet 检测器替换为 YOLOv9t（tiny），通过 OpenVINO 运行在 Intel N97 的核显上。涵盖模型导出、正确的 Frigate 配置，以及一个会导致 100% 误报的关键坑。

环境
#

  • 服务器： Intel N97（Debian 13），8 路摄像头
  • Frigate： 0.17，Docker 运行
  • 检测器： OpenVINO GPU（/dev/dri/renderD128）
  • 原模型： SSD MobileNet v2（内置，300×300）
  • 新模型： YOLOv9t ONNX（320×320，8.3 MB）

为什么换 YOLOv9t？
#

Frigate OpenVINO 镜像自带的 SSD MobileNet v2 速度快、资源占用低，但对画面边缘目标和部分遮挡目标的识别能力较弱。YOLOv9t（tiny）在精度上有明显提升，计算量却相差不大——在 320×320 输入、N97 核显约 18ms 推理速度下，跑 8 路摄像头完全够用。

导出模型
#

YOLOv9t 不在 Frigate 内置镜像里，需要自行导出。在宿主机上运行：

1
2
3
4
5

mkdir -p /home/yang/docker/frigate/config/model_cache
docker run --rm \
  -v /home/yang/docker/frigate/config/model_cache:/output \
  ultralytics/ultralytics:latest \
  bash -c 'cd /output && yolo export model=yolov9t.pt format=onnx imgsz=320'

这个命令会下载预训练的 YOLOv9t 权重，以 320×320 输入尺寸导出为 ONNX 格式，并将 yolov9t.onnx（8.3 MB）保存到 Frigate 的 config 目录——该目录在容器内挂载为 /config。

Frigate 配置
#

模型通过 /config 挂载，容器内路径为 /config/model_cache/yolov9t.onnx。YOLO 模型使用的 80 类 COCO labelmap 已内置于 Frigate 容器，路径为 /labelmap/coco-80.txt。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

detectors:
  ov:
    type: openvino
    device: GPU

model:
  path: /config/model_cache/yolov9t.onnx
  model_type: yolo-generic
  input_tensor: nchw
  input_pixel_format: bgr
  input_dtype: float
  width: 320
  height: 320
  labelmap_path: /labelmap/coco-80.txt

关键坑：不要用 model_type: yolov9
#

不要写 model_type: yolov9。 看起来是对的，但在 Frigate 0.17 中这是无效值。有效值只有：dfine、rfdetr、ssd、yolox、yolonas、yolo-generic。

写 yolov9 会触发配置校验错误，Frigate 进入 safe mode，悄悄回退到基于 CPU 的 TFLite 备用模型。那个模型对什么都给出接近 100% 的置信度——树叶被检测为人，空车道里全是车。看起来新模型完全失控，但实际上新模型根本没有加载。

所有 Ultralytics YOLO 模型（v8、v9 等）正确的写法都是 yolo-generic。

输出张量格式
#

导出的 ONNX 模型输出形状为 [1, 84, 2100]：

  • 84 个通道 = 4 个边框坐标（xywh，像素坐标）+ 80 个类别分数
  • 2100 = 320×320 输入下的 anchor 点数量

Frigate 的 yolo-generic 处理器会正确地转置并后处理这个输出，包括坐标归一化和 NMS，无需额外配置。

推理速度
#

切换后，OpenVINO 检测器推理速度约 18ms，对于 8 路 1–5 FPS 的摄像头流完全够用。

1
2

Detector: ov
  inference_speed: 18.5 ms

API 分数显示 Bug
#

在 Frigate 0.17 中，events API 顶层的 top_score 字段对自定义模型检测到的事件返回 null。真实分数嵌套在 data.score 和 data.top_score 里。这是一个显示 bug——检测本身正常工作，完整事件 JSON 中可以看到真实置信度（比如停放车辆 0.75–0.88）。

阈值
#

原来各摄像头的 min_score 和 threshold 是针对 SSD 的置信度分布单独调过的。YOLOv9t 整体精度更高，重置为 Frigate 默认值（min_score: 0.5，threshold: 0.7），只保留各摄像头的遮罩区域（mask）。后续根据实际检测情况再微调。