Bonjour à tous,
je me permets de faire un sujet car c’est relativement compliqué je trouve de trouver une bonne configuration pour frigate detect, avec un Hailo8l en m.2 hat (soudé)
Voici ma config;
Pi5 8go
Haos dernière version
Frigate dernière version
Quelques precisions.
-
J’ai activeé le logger, mais je n’ai pas grand chose qui remonte (par exemple une detection d’objet n’est pas remonté, peut etre un souci dans ma config?)
-
Le gros du problème vient de la detection des chats (ou autres) - Les humains étant plutôt bien detectés. J’ai creer une video boucle (grace au flux existant) en mp4 avec le passage d’un chat pour tester des configs différentes, rien y fait, frigate detecte le move mais yolo ne semble pas vouloir travailler…
-
La liste coco.txt j’espère avoir la bonne, c’est un biece liste standart comme suit;
person
bicycle
car…
- J’ai varié de modèle, j’ai reussi à parser et compiler yolov8 et 9 de ONXX en HEF, (introuvable sous cette extension sur le web, donc je vais deposer le fichier ici pour que tous en profite car ca m’a pris sans blague 5h - les modèles nano et small seulement. Mais je ne trouve jamais le moyen de savoir si ca tourne, si ca fonctionne correctement car les log n’indique RIEN! et je ne vois aucune diff de detection.
En gros je voudrai m’assurer que la config est bonne.
Les images du NVR sont en sub-stream 640x320 (pas modifiable) en bitrate 725 (modifiable) 10 fps
Le main-stream en fullHD 2304|1296 bitrate 2mbps - 15 fps
Merci de votre aide
mqtt:
host: 192.168.1.40
port: 1883
topic_prefix: frigate
client_id: frigate
user: mqtt
password: Mosquitto
stats_interval: 60
detectors:
hailo:
type: hailo8l
device: PCIe
model:
width: 640
height: 640
input_tensor: nhwc
input_pixel_format: rgb
input_dtype: int
model_type: yolo-generic
path: /config/model_cache/yolov6n.hef
labelmap_path: /config/model_cache/coco.txt
logger:
default: info
logs:
frigate.app: info
frigate.object_detection: info
detector.hailo: info
watchdog.Jardin: info
frigate.object_processing: info
cameras:
# ========================================
# Camera de test - CHAT
# ========================================
Chat1:
ffmpeg:
inputs:
- path: file:/config/model_cache/Chat1.mp4
input_args:
-stream_loop
-1
-re
roles:
- detect
detect:
width: 640
height: 640
fps: 10
max_disappeared: 100 # Augmenté pour ne pas perdre les chats caché
stationary:
interval: 100 # Les chats peuvent rester immobiles longtemps
threshold: 80 # Threshold plus élevé pour chats stationnaires
objects:
track:
- person
- cat
filters:
cat:
# CONFIGURATION SPÉCIALE CHATS - ULTRA OPTIMISÉE
min_score: 0.35 # Réduit pour détecter même chats partiels
threshold: 0.40 # Seuil bas pour tracking sensible
min_area: 100 # Adapté à la nouvelle résolution
max_area: 3000 # Chats peuvent être proches de la caméra
min_ratio: 0.3 # Ratios larges car chats dans diverses positions
max_ratio: 4.0 # Chat étiré ou en mouvement
snapshots:
enabled: true
timestamp: true
bounding_box: true
crop: true # Ajoute un crop de l'objet détecté
height: 500 # Snapshots haute qualité
retain:
default: 5 # Garde plus de snapshots pour analyse
objects:
person: 2
cat: 2 # Garde plus de snapshots de chats
# ========================================
# JARDIN - CONFIGURATION ULTRA-OPTIMISÉE POUR CHATS
# ========================================
Jardin:
ffmpeg:
hwaccel_args: preset-rpi-64-h264
inputs:
# SUB-STREAM pour détection - RÉSOLUTION AUGMENTÉE!
- path: rtsp://192.168.1.10:80/ch1_1.264
roles:
- detect
# MAIN-STREAM pour enregistrement
- path: rtsp://192.168.1.10:80/ch1_0.264
roles:
- record
snapshots:
enabled: true
timestamp: true
bounding_box: true
crop: true # Ajoute un crop de l'objet détecté
height: 500 # Snapshots haute qualité
retain:
default: 5 # Garde plus de snapshots pour analyse
objects:
person: 40
cat: 25 # Garde plus de snapshots de chats
dog: 25
record:
enabled: true
retain:
days: 3
mode: motion
detect:
width: 640
height: 640 # CARRÉ pour optimiser le modèle YOLO!
fps: 10 # FPS augmenté pour meilleure détection mouvement
max_disappeared: 100 # Augmenté pour ne pas perdre les chats qui se cachent
stationary:
interval: 100 # Les chats peuvent rester immobiles longtemps
threshold: 80 # Threshold plus élevé pour chats stationnaires
objects:
track:
- person
- cat
- dog
filters:
person:
min_score: 0.70 # Augmenté pour réduire faux positifs
threshold: 0.75
min_area: 1500 # Augmenté car résolution plus haute
max_area: 100000
min_ratio: 0.3
max_ratio: 3.5
cat:
# CONFIGURATION SPÉCIALE CHATS - ULTRA OPTIMISÉE
min_score: 0.35 # Réduit pour détecter même chats partiels
threshold: 0.40 # Seuil bas pour tracking sensible
min_area: 500 # Adapté à la nouvelle résolution
max_area: 30000 # Chats peuvent être proches de la caméra
min_ratio: 0.3 # Ratios larges car chats dans diverses positions
max_ratio: 4.0 # Chat étiré ou en mouvement
dog:
min_score: 0.40
threshold: 0.45
min_area: 200
max_area: 30000
min_ratio: 0.3
max_ratio: 4.0
motion:
# MOTION ULTRA-SENSIBLE POUR DÉTECTER MOINDRE MOUVEMENT
threshold: 20 # Très sensible pour détecter chats furtifs
lightning_threshold: 0.8 # Ignorer changements luminosité brutaux
contour_area: 30 # Petit pour détecter mouvements subtils
delta_alpha: 0.2 # Sensibilité aux changements
frame_alpha: 0.05 # Adaptation plus rapide
frame_height: 120 # Résolution motion augmentée
improve_contrast: true # Amélioration contraste activée
mqtt_off_delay: 30 # Délai avant arrêt détection
zones: {}
mqtt:
enabled: true
timestamp: true
bounding_box: true
crop: true
height: 500
quality: 90 # Haute qualité pour analyse
required_zones:
- zone_jardin_principal
# ========================================
# FAÇADE 1
# ========================================
Facade1:
ffmpeg:
hwaccel_args: preset-rpi-64-h264
inputs:
- path: rtsp://192.168.1.10:80/ch0_1.264
roles:
- detect
- record
snapshots:
enabled: true
timestamp: true
bounding_box: true
retain:
default: 3
detect:
width: 640
height: 640
fps: 5
objects:
track:
- person
- cat
filters:
person:
min_score: 0.65
threshold: 0.70
min_area: 2000
cat:
min_score: 0.50
threshold: 0.60
min_area: 800
detect:
enabled: true
version: 0.16-0
face_recognition:
enabled: true
model_size: small
ui:
timezone: Europe/Paris
, je n’ai jamais pu avoir de cas pour améliorer la détection.