# Своё AI-видеонаблюдение без облака: Frigate, CodeProject.AI и TensorFlow

> Три open-source инструмента, чтобы распознавать объекты на камерах локально — от готового NVR до фреймворка. Записи остаются в вашей сети, без чужого облака.

Источник: https://blog.uspeshnyy.ru/blog/svoy-ai-videonablyudenie-frigate-codeproject-tensorflow/
Автор: Александр Успешный · blog.uspeshnyy.ru
Опубликовано: 2026-08-03
Теги: self-hosted

---

Умное видеонаблюдение обычно продают как облачную подписку: камера шлёт поток на чужой сервер, там нейросеть распознаёт людей и машины, а вам приходит уведомление. Удобно — пока не задумаешься, что записи с ваших камер (клиенты в клинике, сотрудники в офисе, склад с товаром) постоянно уходят наружу и хранятся неизвестно где.

Для бизнеса это не паранойя, а вопрос закона и репутации: видео с людьми — персональные данные, и отвечать за их утечку будете вы, а не облачный сервис. Хорошая новость: весь AI-слой можно держать у себя — [ровно тот случай, когда локальный AI защищает данные](/blog/lokalnye-ai-modeli-kogda-eto-zaschita-dannyh-a-kogda-dorogay/). Разберём три инструмента — это три уровня зрелости: готовое решение, гибкий сервер и фундамент, чтобы строить своё.

## Общая схема: где живёт AI

Идея во всех трёх случаях одна — вынести распознавание из облака в вашу сеть:

Камеры отдают поток на локальный сервер, он прогоняет кадры через нейросеть, а наружу идут только события — «во дворе человек», «у ворот машина». Сами видео остаются внутри периметра.

## 1. Frigate — готовое умное видеонаблюдение

[Frigate](https://github.com/blakeblackshear/frigate) — open-source NVR (сетевой видеорегистратор) для IP-камер с распознаванием объектов в реальном времени. Это уровень «поставил и работает»: обработка видео и AI-детекция выполняются локально на вашем сервере, потоки с камер не обязаны уходить во внешнее облако.

**Что умеет:**

- Распознавание людей, автомобилей, животных и других объектов в реальном времени
- Анализ видео без облака — всё считается на месте
- Интеграция с Home Assistant для автоматизаций (включить свет, отправить уведомление, открыть ворота)
- Поддержка GPU и AI-ускорителей: NVIDIA, Intel NPU, RKNN, Apple Silicon
- Версия 0.17 оптимизирована под разные архитектуры — от мини-ПК до сервера

Frigate — идеальная база для собственного решения по цепочке «камеры → события → AI-анализ → автоматизация». Если задача — умное наблюдение за помещением или территорией без ежемесячной подписки и без утечек, начинать стоит отсюда.

## 2. CodeProject.AI Server — свой AI-сервер по API

[CodeProject.AI Server](https://codeproject.ai/) — уровень выше по гибкости. Это open-source платформа, которая разворачивает AI-инференс локально и отдаёт его через API. Изображения и данные обрабатываются внутри вашей инфраструктуры — без обязательной отправки во внешние сервисы.

**Возможности:**

- Распознавание объектов и лиц
- Другие AI-задачи: классификация, сегментация и прочее
- Развёртывание на Windows, Linux, macOS или в Docker
- Поддержка GPU для ускорения

Логика та же, но управляете ей вы: IP-камеры → сервер → AI-детекция → API → события, уведомления, автоматизация. Разница с Frigate в том, что это не готовый NVR, а сервис-«движок»: к нему можно прикрутить свою систему, свою логику событий, свои интеграции. Данные остаются в вашей сети — то, что нужно приватным и критичным по безопасности системам.

## 3. TensorFlow — если нужно строить своё

Когда готовых кубиков не хватает, в основе почти всего лежит [TensorFlow](https://github.com/tensorflow/tensorflow) — одна из главных open-source экосистем для машинного обучения. Это уже не продукт «из коробки», а фундамент: на нём создают, обучают и запускают собственные ML/AI-модели.

**Что входит в экосистему:**

- **TensorBoard** — визуализация данных и метрик обучения
- **TensorFlow Serving** — production-инференс моделей
- **TFX** — ML-пайплайны для автоматизации workflow
- **TensorFlow Lite Micro** — запуск моделей на микроконтроллерах и embedded-устройствах

TensorFlow оправдан, когда нужна своя модель под конкретную задачу: не просто «человек в кадре», а «сотрудник без каски», «очередь длиннее пяти человек», «на полке закончился товар». Подходит для компьютерного зрения, классификации и регрессии, прогнозирования по временным рядам и построения собственных AI-сервисов в production.

## Как выбрать

| Инструмент | Порог входа | Гибкость | Кому |
|---|---|---|---|
| **Frigate** | Низкий | Средняя | Нужно умное видеонаблюдение «здесь и сейчас», без подписки и облака |
| **CodeProject.AI** | Средний | Высокая | Своя система событий и интеграций поверх готового AI-движка |
| **TensorFlow** | Высокий | Максимальная | Нужна собственная модель под нестандартную задачу |

Правило простое: не начинайте со стройки, если подойдёт готовое. Большинству бизнес-задач хватает Frigate или связки с CodeProject.AI, а TensorFlow подключают, когда упёрлись в то, что готовые детекторы не умеют.

## Что это даёт бизнесу

Локальный AI на камерах — это не «поиграться с open-source», а конкретная выгода:

- **Данные не покидают периметр** — меньше рисков по 152-ФЗ и меньше поводов для претензий клиентов и сотрудников, [та же приватность по умолчанию, что и у аналитики без куков](/blog/plausible-analytics-veb-analitika-bez-kukov-i-gdpr-golovnoy-/).
- **Нет ежемесячной подписки** за облачную аналитику — платите один раз за железо.
- **Нет вендор-лока** — система ваша, её нельзя «отключить» повышением тарифа или закрытием сервиса.
- **События превращаются в автоматизацию** — не просто запись «на всякий случай», а триггеры: оповестить охрану, зажечь свет, отметить событие в CRM.

Умные камеры — это уже не про «посмотреть, кто приходил», а про то, чтобы система сама реагировала. А делать это на своём железе сегодня реально и без облака.

**Следующий шаг:** хотите продумать, как приземлить локальный AI под вашу задачу — от видеонаблюдения до анализа процессов, — [напишите мне в Telegram](https://t.me/uspeshnyy).