Adieu les caméras cloud : vidéosurveillance auto-hébergée avec Frigate, Tapo et un Intel Arc B580

Sun, 12 Apr 2026 00:00:00 +0000

J’habite au Canada. À un moment j’ai commencé à remarquer des signes de passage dans mon jardin. Animal ? Personne ? Impossible à dire. Du coup j’ai décidé de mettre des caméras. Ce qui devait être un simple achat s’est transformé en un vrai setup auto-hébergé avec détection par IA. Voici l’histoire.

Le point de départ : Amazon Blink

J’ai commencé par des caméras Amazon Blink. Pas cher, sur batterie, déclenchement par mouvement, et ça tient bien le climat canadien. Pas de câblage, pas de réseau à configurer. On les colle au mur et c’est parti.

Le problème ? Les faux positifs. En permanence. Une branche qui bouge dans le vent, une ombre, de la neige qui tombe… tout déclenche une alerte. Au bout de quelques semaines, soit on finit par ignorer toutes les notifications (ce qui rend les caméras inutiles), soit on perd du temps à regarder des clips de rien du tout. Pas idéal.

C’est là que j’ai commencé à lire sur Frigate et les caméras RTSP, et les choses sont devenues intéressantes.

Le nouveau setup

Caméras Tapo

J’ai remplacé les Blink par des caméras Tapo. L’intérêt principal : elles supportent le streaming RTSP nativement et ont un slot carte micro SD pour l’enregistrement local. Concrètement :

Un backup local sur la carte SD même si le réseau tombe
Un flux vidéo direct en WiFi vers le NVR, sans passer par le cloud
Des caméras qui fonctionnent à 100% sur le réseau local, sans compte ni abonnement

Frigate

Frigate est un NVR (enregistreur vidéo réseau) open source qui a vraiment beaucoup évolué. Il offre :

Un tableau de bord unique avec les vues en direct de toutes les caméras
La détection de mouvement comme premier filtre
La détection d’objets par IA qui identifie ce qui a bougé (personne, animal, voiture…)
Des descriptions de scènes complètes qui expliquent ce qui se passe réellement dans le clip

C’est ce dernier point qui change tout. Au lieu de recevoir « mouvement détecté », on obtient quelque chose comme :

Une personne ramasse une roue de vélo Une personne entre dans le cadre par le bas à droite et marche vers le centre de la zone où une roue de vélo est posée au sol. La personne se penche, ramasse la roue de vélo et se relève en la tenant. L’individu se retourne ensuite et repart vers la caméra, sortant du cadre par le bas.

Avec ce niveau de détail, je ne suis notifié que quand il se passe vraiment quelque chose.

Le matériel : Intel Arc B580

J’ai ajouté une Intel Arc B580 (Battlemage) dans mon serveur. Cette carte fait le double travail :

Décodage vidéo : décodage matériel accéléré de tous les flux RTSP
Inférence IA : exécution des modèles de détection et de description de scènes

Le support de la B580 dans Frigate est franchement correct. Les deux charges tournent sur le GPU en même temps, ce qui laisse le CPU tranquille. Les descriptions ne sont pas toujours parfaites mais elles sont largement suffisantes pour filtrer le bruit et n’alerter que sur des événements réels.

Une seule carte, une conso raisonnable, pas besoin d’une machine dédiée au ML. Ça fait le job.

Le modele de description de scenes : llama.cpp + Vulkan

Les descriptions IA ne viennent pas du cloud non plus. Je fais tourner un serveur LLM local avec llama.cpp et le backend Vulkan sur la B580. Frigate lui envoie des captures via une API compatible OpenAI, et le modele renvoie des descriptions de scene.

Voici le docker-compose du serveur d’inference :

version: "3.9"
services:
  llama-server-intel:
    image: ghcr.io/ggml-org/llama.cpp:server-vulkan
    container_name: llama-server-intel
    restart: unless-stopped
    devices:
      - /dev/dri:/dev/dri
    volumes:
      - /var/models:/models
    ports:
      - 4040:8080
    environment:
      # Workaround pour un bug fp16 du driver Mesa ANV sur les iGPU Intel.
      # Sans risque sur les dGPU (B580), ignore si pas necessaire.
      - GGML_VK_DISABLE_F16=${GGML_VK_DISABLE_F16:-0}
    command: >
      --model /models/Qwen3.5-9B-UD-Q4_K_XL.gguf
      --mmproj /models/mmproj/mmproj9B-BF16.gguf
      --n-gpu-layers 99
      --ctx-size ${LLAMA_CTX_SIZE:-131072}
      --host 0.0.0.0
      --port 8080

Le modele utilise est Qwen3.5-9B avec un projecteur de vision, quantifie pour tenir dans les 12 Go de VRAM de la B580. Vulkan est 30-60% plus rapide que SYCL sur les GPU Intel Arc, c’est donc le bon backend pour cette carte.

Docker-compose pour Frigate

Voici la config docker-compose de Frigate :

version: "3.9"
services:
  frigate:
    container_name: frigate
    privileged: true
    restart: unless-stopped
    image: ghcr.io/blakeblackshear/frigate:stable
    shm_size: 512mb
    volumes:
      - /etc/localtime:/etc/localtime:ro
      - ./config:/config
      - ./model:/model
      - ./storage:/media/frigate
      - /dev/dri/renderD128:/dev/dri/renderD128
      - type: tmpfs
        target: /tmp/cache
        tmpfs:
          size: 1000000000
    ports:
      - 5005:5000
      - 8971:8971
      - 8554:8554 # Flux RTSP
      - 8555:8555/tcp # WebRTC over tcp
      - 8555:8555/udp # WebRTC over udp
      - 1984:1984
    environment:
      PLUS_API_KEY: ${PLUS_API_KEY} # optionnel, pour Frigate+
      FRIGATE_RTSP_PASSWORD: ${FRIGATE_RTSP_PASSWORD}
      OPENAI_BASE_URL: http://llama-server-intel:8080/v1 # pointe vers le LLM local

Quelques notes :

/dev/dri/renderD128 donne a Frigate l’acces a la B580 pour le decodage video materiel
Le montage tmpfs sert de cache rapide pour les clips en cours de traitement
shm_size depend du nombre de flux camera (512 Mo suffit pour quelques cameras)
OPENAI_BASE_URL pointe vers le serveur llama.cpp pour les descriptions de scenes. Frigate utilise l’API compatible OpenAI, donc n’importe quel serveur local qui parle ce protocole fonctionne
Mettez vos secrets dans un fichier .env a cote du docker-compose, pas dans le YAML

Home Assistant

Tout se branche sur Home Assistant :

Les flux caméra et les événements Frigate apparaissent sur le dashboard HA
Les notifications passent par le moteur d’automatisation de HA
L’accès à distance se fait via la connexion sécurisée intégrée à HA

Les caméras détectent, Frigate analyse, Home Assistant notifie. Tout en local.

Pourquoi auto-héberger ses caméras ?

Vos données restent chez vous. Aucune image ne quitte votre réseau. Aucun fournisseur cloud ne stocke ou traite vos flux vidéo
Pas d’abonnement. Les caméras cloud adorent facturer au mois pour des fonctions “premium” comme la détection de personnes. Ici, zéro coût récurrent après le matériel
Beaucoup moins de faux positifs. La détection IA vs. la simple détection de mouvement, c’est le jour et la nuit
Des alertes vraiment utiles. Vous savez ce qui s’est passé, pas juste qu’il y a eu du mouvement
Fonctionne hors ligne. Le backup sur carte SD + NVR local fait que le système continue d’enregistrer même sans Internet

Résumé

Composant	Ce qu’il fait
Caméras Tapo	Flux RTSP + enregistrement local sur carte SD
Frigate	NVR open source avec détection d’objets par IA
Intel Arc B580	Décodage vidéo + inférence IA sur une seule carte
Home Assistant	Dashboard, notifications, accès distant
Serveur local	Fait tourner Frigate et Home Assistant

Pour conclure

Ça m’a pris un peu de temps à mettre en place, mais je suis vraiment content du résultat. Plus de dépendance au cloud, pas d’abonnement, et le problème des faux positifs est réglé. Les descriptions IA sont étonnamment bonnes et la B580 gère tout sans broncher.

Si vous en avez marre de recevoir des notifications pour des branches d’arbre, jetez un œil à Frigate. Le projet a beaucoup mûri et avec Home Assistant ça fait un système solide et fiable.

Et surtout : je peux enfin arrêter de vérifier mon téléphone à chaque coup de vent.

Caméras De Sécurité | Antoine Weill--Duflos