尽管热衷于尝试尖端服务器硬件,我的实验装备中仍充斥着旧游戏电脑、回收笔记本、办公迷你主机及翻新企业级设备。这一习惯也延伸至智能手机领域,尤其是其内置的丰富传感器极具挖掘价值。

例如,手机显示屏可充当自托管服务的专用仪表盘,我曾利用旧平板和手机为 Home Assistant 构建智能面板。其麦克风与扬声器组合可配置为语音控制 AI 管道的语音卫星,陀螺仪传感器则能实现涉及不同智能家电的自动化流程。

更为关键的是手机摄像头。在正确配置下,它能像传统监控系统一样录制视频。我将变身安全摄像头的智能手机与 Frigate 配对,后者不仅管理视频流,还利用目标检测功能触发自动化链。

保留旧手机:打造完全私密的安防摄像头

需明确的是,这些平价手机的摄像头虽无法拍摄风景大片或清晰人像,但录制监控视频绰绰有余,足以满足监视智能家居周边区域的需求,且画面分辨率尚可接受。

除了复活闲置设备,该方案的最大亮点在于隐私保护:无需担心外部 AI 服务器访问家庭私人安防画面。虽然购买现代安全摄像头仅需几美元,但若非仅限本地运行的设备,所有画面将在某家公司的服务器上处理,存在隐私隐患。

在应用层面,任何能为手机摄像头生成 RTSP 流的软件均适用。我通常使用 IP Webcam,RTSP Camera Server Pro 也能提供稳固效果。此外,需在路由器中为手机分配静态 IP 地址,避免每次重新分配地址时在 NVR(网络视频录像机)中反复更改配置。

Frigate 作为 NVR 中心:树莓派加 AI HAT 驱动目标检测

手机仅负责传输 RTSP 流,录制功能则由 NVR 承担。经试用,我最终选择 Frigate,因其轻量级特性可在性能较弱的硬件上运行,并提供额外功能增强安防设置。

具体而言,我构建了由树莓派 5 驱动的 Frigate 环境,并通过专用 NFS 共享将录制画面发送至 NAS。树莓派 5 虽能轻松处理多个摄像头流,但基于 AI 的目标检测会导致性能显著下降。

为此,我在树莓派上插入专用 AI HAT,使其能够处理多达六个 720p 子流的目标检测工作负载。同时,通过目标过滤器、运动掩码和区域设置,有效降低了误报率。

集成本地大语言模型与 Home Assistant

借助 Frigate 处理目标检测,我将其连接至 Home Assistant,设计了复杂的自动化管道。以 AI 事件摘要蓝图为例,当 Frigate 检测到可疑内容时,系统不再仅发送通知,而是调用大语言模型分析帧画面,生成物体摘要。

鉴于整个管道部署在本地,我选择了自托管的大语言模型。Gemma 4 E4B (Q4_K_M) 成为理想选择,因其足够轻量,即使在陈旧硬件上也能快速运行,并通过正确的 MMPROJ 文件支持图像分析能力。

配置过程涉及调试 Home Agent 和 LLM Vision 集成,并将 AI 事件摘要蓝图指向 Home Assistant 中的新实体。经过调整,Home Assistant 已能毫无困难地生成 Frigate 检测到物体的详细摘要。

与基于云的监控设备不同,该安防管道完全运行在被多数人丢弃的硬件上。除了节省数百美元购置所谓“AI 驱动”安全摄像头的费用外,该设置确保私人画面不会存储在第三方服务器上。即便不构建涉及 Home Assistant 和本地大语言模型的复杂工作流,普通智能手机在与 Frigate 配对后,仍可充当可靠的安全摄像头。