Info::Frigate utilisation

De wiki_pcwiki2
Aller à la navigationAller à la recherche

KEYWORDS: FRIGATE, UTILISATION

Le 12/10/2026:

Frigate : utilisation au quotidien

Ce wiki décrit l'usage courant de Frigate (interface, reconnaissance, apprentissage, e-mails, time-lapse). L'installation, la configuration, le dépannage et la sauvegarde sont dans le wiki d'installation (Frigate_installation.wiki).

login/pwd = root/fergu...N11
            pchevalier/11as...2311as...23
            admin/_fer...N11
           

NB: look @ 5050::/opt/frigate/[identifiants.txt|.env]

Utilisation

Accès à l'interface web

  • Adresse : taper simplement 192.168.1.247 (ou frigate si ce nom est déclaré) : Apache redirige vers https://192.168.1.247:8971. Attention : http://192.168.1.247:8971 (http avec le port) donne toujours « 400 Bad Request – The plain HTTP request was sent to HTTPS port ». Voir le wiki d'installation, section « HTTPS ».
  • Les identifiants sont récapitulés dans /opt/frigate/identifiants.txt (lisible par root uniquement).
  • Le certificat est signé par l'autorité locale « Autorité Frigate Maison ». Sans avertissement sur les appareils où cette autorité est installée (Firefox de srv18 : fait) ; ailleurs, le navigateur affiche un avertissement tant que l'autorité n'est pas importée.
  • Utilisateurs : admin et pchevalier (tous deux administrateurs). Mot de passe oublié : /opt/frigate/reinitialiser-mdp.sh [utilisateur] le réinitialise sans l'ancien (par l'accès interne du port 5000) et teste la connexion.
  • Pour changer le mot de passe : Settings → Users (au moins 12 caractères ; si le mot de passe est trop court, le bouton Enregistrer ne fait rien et n'affiche aucun message). Autre possibilité, en ligne de commande : /opt/frigate/changer-mdp-admin.sh.
  • Le port 5000 donne aussi accès à l'interface, en HTTP et sans mot de passe. Pour le fermer, supprimez la ligne - "5000:5000" dans docker-compose.yml, puis lancez docker compose up -d.

Principales vues :

  • Live (Direct) : image en direct de la caméra ;
  • Review (Activités) : alertes et détections à revoir ;
  • Explore : recherche dans les objets détectés, avec les descriptions de l'IA ;
  • Export : export d'un extrait vidéo ;
  • Settings (Paramètres) : masques et zones, utilisateurs, débogage ;
  • System : état du Coral, du CPU et des flux.

Commandes courantes

Toutes les commandes se lancent depuis /opt/frigate :

cd /opt/frigate
docker compose ps                 # état des conteneurs
docker compose logs -f frigate    # journaux Frigate en direct
docker compose logs -f mosquitto  # journaux du broker MQTT
docker compose restart frigate    # redémarrer Frigate (après modification de config.yml)
docker compose pull && docker compose up -d   # mettre à jour Frigate et Mosquitto
docker compose down               # tout arrêter

La configuration peut aussi être modifiée depuis l'interface web : Settings → Configuration Editor.

Vérifier le fonctionnement

# Statistiques : i/s de la caméra et temps d'analyse du Coral
curl -s http://127.0.0.1:5000/api/stats | python3 -m json.tool | less

# Voir les messages MQTT en direct
cd /opt/frigate && source .env
docker exec -it mosquitto mosquitto_sub -u "$FRIGATE_MQTT_USER" -P "$FRIGATE_MQTT_PASSWORD" -t 'frigate/#' -v

Valeurs normales :

  • camera_fps autour de 5 ;
  • inference_speed du Coral autour de 8 à 10 ms ;
  • connection_quality à excellent.

E-mails d'alerte

Envoyés par le vérificateur indépendant (fonctionnement, réglages SMTP et incidents : wiki d'installation, « Vérificateur indépendant des alertes »). Ajouté le 2026-10-09. Pour chaque alerte confirmée par le vérificateur, ou non vérifiable parce que hal ne répond pas, deux e-mails partent vers pchevalier@apsi.net (fonctionnement en place depuis 12:37 le 2026-10-09) :

  1. E-mail immédiat, environ 10 s après la détection (5 s de vérification et 3 s d'attente pour la reconnaissance faciale, réglable par MAIL_DELAI_IMMEDIAT) : la photo, le zoom, ce que voit l'IA et le nom de la personne si elle est déjà reconnue. Le texte précise que la vidéo suivra.
  2. E-mail de fin (avec aussi les photos des objets apparus après le premier e-mail, par exemple la voiture d'une alerte commencée par une personne), à la fin de l'alerte, en réponse au premier (sujet « Re: … — vidéo », en-têtes In-Reply-To et References), si bien que la messagerie le range dans la même conversation : la vidéo de l'alerte, le résumé et la liste complète des objets. Si l'e-mail immédiat n'a pas pu partir, l'e-mail de fin contient tout, photos comprises.

Pourquoi l'e-mail de fin arrive environ 1 minute après le départ de la personne : Frigate ne clôt une alerte qu'après 40 s sans activité (review.alerts.cutoff_time), puis le vérificateur attend 20 s que le dernier morceau de vidéo soit écrit. Mesure du 2026-10-09 à 12:25 : détection à 12:25:09, confirmation à 12:25:14, e-mail unique (ancien fonctionnement) à 12:26:29.

Contenu détaillé :

  • dans le sujet : la caméra, l'objet (ou le nom de la personne reconnue), la date et l'heure, et « (non vérifiée) » si l'IA n'a pas pu confirmer ;
  • dans le texte : ce que voit l'IA, le résumé de l'alerte, les zones traversées et un lien vers l'alerte dans Frigate (réseau local uniquement) ;
  • en pièces jointes : la photo avec le cadre, un zoom sur l'objet et l'extrait vidéo MP4 de l'alerte (de 3 s avant à 3 s après ; environ 6 Mo pour 30 s). Au-delà de 15 Mo, la vidéo est remplacée par le lien.

Ne déclenchent pas d'e-mail : les faux positifs et les simples détections (hors zone_active). Depuis le 2026-10-09, les personnes reconnues déclenchent aussi un e-mail (MAIL_IGNORER_CONNUS=0 dans docker-compose.yml, à la demande de Patrick : « des e-mails pour tout le monde »). Le nom reconnu apparaît dans le sujet. Pour ne plus recevoir d'e-mail pour certaines personnes : passer MAIL_IGNORER_CONNUS=1 et définir MAIL_NOMS_SANS_MAIL.

L'e-mail part environ 20 s après la fin de l'alerte, le temps que le dernier morceau de vidéo soit enregistré. Or une alerte se termine 40 s après le départ de l'objet. Il faut donc compter environ 1 minute après le départ de la personne.

Script lancé à chaque alerte : sendingAnAlert.sh

Ajouté le 2026-10-09. À chaque premier e-mail d'alerte, que l'envoi ait réussi ou non, /opt/frigate/sendingAnAlert.sh est lancé sur la machine hôte, en root.

Fonctionnement : le vérificateur tourne dans un conteneur et ne peut pas lancer un programme de la machine. Il publie donc, juste après le premier e-mail, un message MQTT frigate_verif/<caméra>/premier_mail. Le service systemd frigate-alerte (declencheur/ecoute-alertes.sh, qui utilise mosquitto_sub du paquet mosquitto-clients) écoute ces messages et lance le script.

Ce que reçoit le script :

Moyen Contenu
$1, $2 caméra (vivotek, garage), identifiant de l'alerte
Variables ALERTE_CAMERA, ALERTE_ID, ALERTE_HEURE, ALERTE_SUJET, ALERTE_MAIL_ENVOYE (1/0), ALERTE_OBJET (person, car…), ALERTE_NOM (nom reconnu, sinon vide), ALERTE_DESCRIPTION (ce que voit l'IA), ALERTE_VERDICT (confirme / inconnu), ALERTE_LIEN, ALERTE_SNAPSHOT (URL de la photo, depuis la machine)
Entrée standard le message complet en JSON (tous les objets de l'alerte, résumé)
  • Durée maximale 60 s (au-delà, le script est interrompu). Le script tourne en arrière-plan : il ne retarde ni les e-mails ni les alertes suivantes.
  • La sortie du script et son code de retour sont notés dans declencheur/declencheur.log.
  • Les textes (description de l'IA…) sont transmis tels quels et ne sont jamais interprétés par le shell (testé avec $(…) et des guillemets). Dans le script, toujours mettre les variables entre guillemets : "$ALERTE_DESCRIPTION".
  • Le modèle fourni se contente d'écrire une ligne dans le journal. Il suffit de le remplacer, en le gardant exécutable (chmod 750).

Commandes :

systemctl status frigate-alerte            # état du service
journalctl -u frigate-alerte -f            # journal du service
tail -f /opt/frigate/declencheur/declencheur.log
# tester sans vraie alerte (aucun e-mail envoyé) :
source /opt/frigate/.env; docker exec mosquitto mosquitto_pub -u "$FRIGATE_MQTT_USER" -P "$FRIGATE_MQTT_PASSWORD" \
  -t frigate_verif/garage/premier_mail -m '{"camera":"garage","review_id":"TEST","objets":[{"label":"person","nom":"Patrick"}]}'

Tests du 2026-10-09 : l'alerte Reolink de 12:32 a été rejouée. Confirmation à 12:40:03, e-mail immédiat à 12:40:07, e-mail vidéo à 12:40:42. Le déclenchement du script a été testé avec un message fictif.

Suivre le vérificateur

cd /opt/frigate
docker compose logs -f verificateur                     # verdicts en direct
tail -n 20 verificateur/data/verifications.jsonl        # historique
ls verificateur/data/faux_positifs/                     # captures des faux positifs
docker compose build verificateur && docker compose up -d verificateur   # après modification du code

# tester le modèle sur une image
python3 -I verificateur/test_vlm.py /chemin/image.jpg

Reconnaissance des visages

Activée le 2026-10-09 (face_recognition, modèle small, sur le processeur ; le Coral n'est pas utilisé). Pour chaque personne détectée, Frigate cherche un visage et le compare aux visages enregistrés dans la Bibliothèque de visages. S'il le reconnaît, le nom apparaît comme sous-étiquette de l'objet (par exemple person · « Prénom ») dans Explore, Activités et sur MQTT.

Apprendre un visage

  1. Menu Bibliothèque de visages.
  2. Ajouter un visage : choisir un nom (lettres, chiffres, espaces, apostrophes, tirets), puis Téléverser une image : une photo nette du visage, de face.
  3. Ensuite, à chaque passage devant la caméra, les visages détectés apparaissent dans l'onglet Récent (« Reconnaissances récentes »). Cliquer sur un visage, puis l'attribuer au bon nom pour entraîner la reconnaissance.
  4. Il faut prévoir une dizaine d'images variées (de face, de trois quarts, de jour, de nuit en infrarouge) pour une reconnaissance fiable. Préférer des images nettes ; les visages flous sont pénalisés (blur_confidence_filter).

Apprendre à partir d'une vidéo enregistrée

Frigate n'apprend que sur les visages vus après l'activation de la reconnaissance. Il n'apprend pas directement à partir d'une vidéo. On peut toutefois extraire des images d'un passage enregistré et les envoyer à la bibliothèque. Frigate trouve alors lui-même le visage dans chaque image, et refuse celles où il n'en trouve pas.

Le script travail/visages/extraire-visages.sh automatise cela :

# 1. planche contact (1 image par seconde) pour repérer les moments où le visage est de face
/opt/frigate/travail/visages/extraire-visages.sh Patrick <debut_epoch> <fin_epoch>
# 2. envoi des images choisies (en secondes depuis le début du clip)
/opt/frigate/travail/visages/extraire-visages.sh Patrick <debut_epoch> <fin_epoch> 20.0 21.2 22.4

Les heures de début et de fin d'une alerte (start_time, end_time) s'obtiennent avec curl -s "http://127.0.0.1:5000/api/review?limit=5&severity=alert".

Le 2026-10-09, la collection Patrick a été créée dans l'interface avec 1 photo. 7 images ont ensuite été ajoutées, tirées de l'alerte de 08:56 (secondes 20 à 23,6, visage de face, en 1080p), soit 8 images au total. Test sur une image non utilisée pour l'apprentissage : « Patrick », score 1,0. Remarque : la reconnaissance construit son modèle au premier appel qui suit l'ajout d'images. Ce premier appel peut donc répondre « No face was recognized ».

Ajout suivant, le même jour : 7 images tirées de l'alerte de 09:11 (secondes 23 à 26, de près, de face puis de trois quarts), soit 15 images au total. Les détections de 08:56 et de 09:11 ont reçu la sous-étiquette « Patrick » à la main (API POST /api/events/<id>/sub_label, ce qui équivaut à « Modifier la sous-étiquette » dans Explore).

Remarque : sur la capture de l'alerte de 09:11, le visage est trop petit ou de profil, et il reste « unknown ». La capture choisie par Frigate est la meilleure image de la personne, pas forcément celle du visage. En direct, Frigate analyse le visage sur plusieurs images, et c'est ce résultat qui compte.

Reste à faire : ajouter des images de nuit (infrarouge). Les photos de visages sont exclues de git (données personnelles).

Réglages utiles (section face_recognition) :

  • min_area (750 px par défaut) : taille minimale du visage. Un visage loin de la caméra est trop petit pour être reconnu.
  • recognition_threshold / unknown_score : sévérité de la comparaison.

Remarque : une personne reconnue reste une personne pour Frigate. L'alerte est toujours créée, avec son nom en sous-étiquette. Pour ne pas être notifié de ses propres passages, il faut filtrer sur cette sous-étiquette (dans le vérificateur ou dans Home Assistant).

Personnes et animaux connus

Nom Qui Reconnaissance État
Patrick propriétaire visage (Bibliothèque de visages) 15 images de jour le 2026-10-09 ; 31 le 2026-10-12 (rangement par eduquer.sh) ; manque la nuit
VW voiture (VW e-up!), plaque GL-117-AW lecture de plaque (lpr.known_plates) et modèle voitures plaque active depuis le 2026-10-09 ; 22 images dans le modèle voitures le 2026-10-12 (toutes les voitures vues jusque-là)
RAV4 Toyota voiture, plaque HF-515-AL lecture de plaque et modèle voitures plaque ajoutée le 2026-10-12 ; jamais vu à cette date
Marie José son épouse visage 6 images de jour (passage de 13:51 sur la Reolink, secondes 3 à 6 de la vidéo 4K). Test : « Marie-José », score 0,99. 15 le 2026-10-12
Maxime le jardinier visage collection créée, vide : à alimenter. Voir la remarque ci-dessous
Tommy chien (golden retriever) classification personnalisée (dog) détecté le 2026-10-10 à 11:23:40 (Reolink, score 0,82, zone garage_cour), grâce à YOLOv9 et aux seuils abaissés. Modèle chiens créé le 2026-10-12 : 8 images (tous les chiens vus jusque-là)
Camel chat couleur caramel classification personnalisée (cat), modèle chats pas encore filmé (2026-10-12)

Alimenter une collection de visages : lors d'un passage, dans Bibliothèque de visages → Récent, attribuer chaque visage au bon nom. On peut aussi partir d'une vidéo enregistrée avec [CAMERA=garage] travail/visages/extraire-visages.sh <Nom> <début> <fin> [secondes…] (caméra vivotek par défaut), en mettant le nom entre guillemets s'il contient un espace ou un accent. La Reolink est enregistrée en 4K : ses images donnent de très bons visages.

Toujours vérifier les images retenues (/opt/frigate/storage/clips/faces/<Nom>/) : Frigate peut garder une image floue, ou une image qui n'est pas un visage (le 2026-10-09, des cheveux et un manteau quand Marie-José baissait la tête). En supprimer avec Bibliothèque de visages ou avec l'API POST /api/faces/<Nom>/delete ({"ids": ["fichier.webp"]}).

Anciens passages restés « inconnu » : Frigate ne refait pas une reconnaissance après coup. Mettre le nom à la main (Explore → « Modifier la sous-étiquette »), ou bien utiliser Récent → « Retraiter le visage ». Viser une dizaine d'images par personne, de jour et de nuit.

Animaux : un seul modèle de classification par type d'objet, par exemple chiens (catégories Tommy, autre chien) et chats (catégories Camel, autre chat). Voir la section « Tommy ».

Maxime (salarié) : la reconnaissance faciale traite des données biométriques. Il faut informer Maxime de la présence de la caméra et de la reconnaissance de son visage, et obtenir son accord avant d'alimenter sa collection (RGPD).

Tommy (le chien)

Détection

Le 2026-10-09 à 09:12, Tommy (golden retriever) a suivi Patrick dans l'allée pendant 5 s environ, sans qu'aucun événement « dog » soit créé. Il était d'abord coupé par le bord droit de l'image, en partie sous le masque de mouvement, puis collé à Patrick. Pour devenir un événement, un objet doit dépasser min_score sur une image et atteindre threshold en moyenne sur plusieurs images. Les seuils des chiens et des chats ont donc été abaissés à 0,4 / 0,6.

Les chiens ne font pas partie des alertes (review.alerts.labels : person, car) : ils apparaissent en détections, sans vérification par l'IA et sans e-mail.

À vérifier : un passage de Tommy seul devant la caméra doit créer un événement « dog » dans Explore. Si ce n'est pas le cas, ou s'il y a des fausses détections de chien, ajuster les seuils.

Le reconnaître (« Tommy » plutôt que « dog »)

La reconnaissance faciale ne concerne que les personnes. Pour un animal, Frigate 0.18 propose la classification personnalisée d'objets (menu Classification) : un petit modèle, entraîné dans Frigate, ajoute une sous-étiquette aux objets « dog ».

  1. Il faut d'abord quelques détections « dog » de Tommy (voir ci-dessus).
  2. Menu Classification → créer un modèle (assistant) : type « objet », objet dog, classement par sous-étiquette, catégories Tommy et autre chien (une catégorie de rejet est utile, pour ne pas appeler « Tommy » n'importe quel chien).
  3. Classer les images proposées (onglet Récent), puis lancer l'entraînement.
  4. Configuration générée (exemple) :
classification:
  custom:
    chiens:
      threshold: 0.8
      object_config:
        objects: [dog]
        classification_type: sub_label

Fait le 2026-10-12 : les modèles chiens, chats et voitures ont été ajoutés directement dans config.yml (même forme que ci-dessus), et les 8 détections de chien passées rangées en Tommy. Voir « Logiciel d'éducation ».

Logiciel d'éducation (eduquer.sh)

/opt/frigate/education/eduquer.sh (bash, curl et jq, créé le 2026-10-12) range automatiquement les images d'apprentissage de Frigate à partir des détections, puis réentraîne les modèles. Il se lance à la main.

Ce qu'il traite

Frigate garde dans des files d'attente les images qu'il a analysées. Chaque nom de fichier commence par le numéro de la détection :

  • visages : storage/clips/faces/train/ (Bibliothèque de visages → Récent) ;
  • objets : storage/clips/<modèle>/train/ (menu Classification), pour chaque modèle d'objets de la configuration. Le 2026-10-12 : chiens (dog), chats (cat), voitures (car), seuil 0,8, résultat en sous-étiquette.

Comment il décide

Pour chaque image, il lit la détection et cherche une vérité, dans cet ordre :

  1. faux positif du vérificateur (verdict faux_positif dans verificateur/data/verifications.jsonl, ou sous-étiquette « faux positif ? ») : visage supprimé de la file ; objet rangé dans none (la catégorie de rejet de Frigate) ;
  2. correction manuelle dans Explore : une sous-étiquette mise à la main n'a pas de score (sub_label_score vide), contrairement à une reconnaissance automatique. L'image est rangée sous ce nom ;
  3. plaque connue (voiture dont la plaque est dans lpr.known_plates) : rangée sous ce nom ;
  4. reconnaissance très sûre : la détection et l'image sont reconnues sous le même nom avec un score ≥ 0,95 (SEUIL_SUR).

Sans vérité, l'image reste dans la file pour un tri à la main dans l'interface. Une sous-étiquette qui n'est pas une catégorie connue est ignorée.

Catégories acceptées (en tête du script, à compléter quand un nouvel animal ou une nouvelle voiture apparaît ; none est toujours accepté) :

[chiens]="Tommy|autre chien"
[chats]="Camel|autre chat"
[voitures]="VW|RAV4 Toyota|autre voiture"

Pour les visages, les catégories sont les noms de la bibliothèque (Patrick, Marie José, Maxime).

Noms de référence (choisis par Patrick le 2026-10-12) : VW (et non plus « petite VW ») et Marie José (sans tiret). Le même jour, ont été renommés en conséquence : la plaque connue (lpr.known_plates), la collection de visages (API PUT /api/faces/<ancien>/rename, qui renomme aussi la sous-étiquette des détections), la catégorie du modèle voitures (PUT /api/classification/voitures/dataset/<ancienne>/rename) et les catégories du script. Une sous-étiquette doit être écrite exactement comme sa catégorie, sinon le script l'ignore.

LEDS : sous-étiquette posée à la main le 2026-10-12 sur une fausse « voiture » de nuit (2026-10-10 à 23:49, Reolink : cadre « car 72 % » sur une plaque au sol, près des LED du jardin). Ce n'est pas une catégorie : le script l'ignore.

Entraînement

  • Visages : rien à faire, Frigate reconstruit son modèle au premier passage qui suit.
  • Objets : le modèle est réentraîné seulement si au moins deux catégories ont chacune au moins 10 images (MIN_IMAGES). Un modèle qui n'a vu qu'une catégorie colle cette étiquette à tous les objets : il faut des contre-exemples (autre chien, autre voiture, none).
  • Incident du 2026-10-12 : la première version n'exigeait que deux catégories non vides. Le modèle voitures a été entraîné sur 2 images (1 « petite VW », 1 « none ») et chargé à 11:11. Il a été retiré (fichiers de config/model_cache/voitures/ mis de côté) et Frigate redémarré quelques minutes plus tard ; aucune détection entre-temps, donc aucune fausse étiquette.

Utilisation

/opt/frigate/education/eduquer.sh --essai              # affiche ce qu'il ferait, sans rien modifier
/opt/frigate/education/eduquer.sh                      # range, puis entraîne si possible
/opt/frigate/education/eduquer.sh --sans-entrainement  # range sans entraîner
/opt/frigate/education/eduquer.sh --historique         # ajoute d'abord aux files les détections passées

--historique découpe l'objet sur la capture de chaque détection passée (/api/events/<id>/snapshot.jpg?crop=1) et la dépose dans la file du modèle. Chaque détection n'est ajoutée qu'une fois (liste dans education/historique.txt).

Journal : education/eduquer.log (en ajoutant | tee -a /opt/frigate/education/eduquer.log).

Premier passage, le 2026-10-12

  • Visages : 59 en attente. 5 → Marie-José (correction manuelle), 2 → Marie-José et 14 → Patrick (reconnaissances sûres). Patrick passe de 17 à 31 images, Marie-José de 8 à 15. 38 restent à trier à la main.
  • Historique : 8 chiens et 24 voitures ajoutés aux files (aucun chat détecté).
  • Voitures : 1 « petite VW » (plaque), 1 « none » (faux positif du vérificateur). Les 22 autres ont été vérifiées sur une planche contact : 21 sont la VW, la dernière ne montre que la cour. Total : petite VW 22, none 2.
  • Chiens : les 8 sont Tommy (vérifié sur une planche contact) : Tommy 8.
  • Aucun modèle d'objets n'est encore entraîné : il manque des contre-exemples. Les classer au fil des passages (menu Classification, ou sous-étiquette dans Explore), puis relancer eduquer.sh.

Améliorer la détection (« éduquer » Frigate)

Le modèle du Coral est un modèle générique (COCO) : il n'apprend pas tout seul. Pour réduire les fausses détections, il y a trois leviers :

  1. Réglages (gratuit, effet immédiat) : masques et zones (wiki d'installation, « Zones et masques »), puis filtres par objet :
cameras:
  vivotek:
    objects:
      filters:
        person:
          min_score: 0.6    # score minimal pour retenir une détection
          threshold: 0.75   # score moyen exigé pour confirmer l'objet
          min_area: 2000    # ignore les objets trop petits (en pixels)
  1. Frigate+ (payant, environ 50 $ par an) : envoi d'images depuis Explore, correction des annotations, puis modèle entraîné sur ses propres images, utilisable sur le Coral (model: path: plus://<id>).
  2. Reconnaissance de visages et de plaques (face_recognition, lpr) : elle fonctionne sur le processeur ; on l'entraîne en ajoutant des photos dans la Face Library.
  3. Classification personnalisée (chiens, chats, voitures) et logiciel d'éducation education/eduquer.sh, qui range automatiquement les images d'apprentissage à partir des détections : voir la section « Logiciel d'éducation ».

L'IA de hal (wiki d'installation, « IA générative sur hal ») ne réentraîne pas le Coral. Elle fournit un « second avis » sous forme de descriptions et de résumés d'alertes.

Time-lapse quotidien

Depuis le 2026-10-10 à 08:44, le time-lapse ne dépend plus des enregistrements : il n'y a plus d'enregistrement continu.

  • Capture : /opt/frigate/timelapse/capture.sh, lancé chaque minute par frigate-timelapse-capture.timer. Il récupère l'image courante de chaque caméra auprès de Frigate (/api/<caméra>/latest.jpg?height=540) dans /opt/frigate/storage/timelapse/images/<caméra>/<date>/HHMM.jpg. Une image pèse ~100 à 200 Ko, soit ~250 Mo par jour et par caméra, supprimés après l'assemblage.
  • Assemblage : /opt/frigate/timelapse/timelapse.sh [AAAA-MM-JJ] (par défaut : la veille), lancé chaque nuit (script bash : curl, jq et ffmpeg ; il remplace depuis le 2026-10-12 l'ancien timelapse.py). Depuis le 2026-10-10, les détections sont incrustées :
    • le film déroule les images minute par minute à 24 i/s (accéléré ×1440) ;
    • à chaque alerte ou détection de la journée (API /api/review), sauf les faux positifs du vérificateur (sous-étiquette « faux positif ? »), il insère l'extrait vidéo en vitesse réelle, de 2 s avant à 2 s après, au plus 60 s par moment. Les moments qui se chevauchent sont fusionnés. Un bandeau en bas indique « heure · noms reconnus et objets · vitesse réelle » (par exemple « 08:56:13 · Patrick · vitesse réelle », « 06:40:33 · voiture · vitesse réelle ») ;
    • tous les morceaux sont encodés de la même façon (960×540, 24 i/s, H.264 qualité 32, yuv420p plage limitée), puis mis bout à bout sans réencodage ;
    • depuis le 2026-10-12, une seconde vidéo ne contient que les extraits détectés, à la suite, sans l'accéléré : <date>-<x>-detections.mp4, où x est le nombre d'extraits (pas de fichier si x = 0). Elle réutilise les extraits déjà encodés : quelques secondes de calcul en plus. Pour un jour passé dont les images sont supprimées : timelapse.sh AAAA-MM-JJ --detections-seules ne refait que cette vidéo, à partir des extraits encore présents dans Frigate (utilisé le 2026-10-12 pour les 9, 10 et 11/10). Test du 2026-10-12 sur la matinée : Reolink, 2 extraits (06:27:25 et 06:37:48, voitures), 33 s, 0,7 Mo ;
    • les images du jour sont supprimées après réussite et conservées en cas d'échec. L'option --garder-images sert aux essais : /opt/frigate/timelapse/timelapse.sh 2026-10-10 --garder-images.
    • Test du 2026-10-10 à 09:08, sur la journée en cours : Reolink, 549 images et 2 moments (05:54:14 une personne, de nuit ; 06:40:33 une voiture), 45 s de film, 1,5 Mo, 37 s de calcul. Vivotek : 548 images, aucun moment, 1,0 Mo.
  • Anciennes versions (supprimées le 2026-10-12, à retrouver dans l'historique git) : timelapse.py, timelapse.sh.sans-detections (assemblage sans détections) et timelapse.sh.avant-capture (qui puisait dans les enregistrements).
  • Rattrapage : /opt/frigate/timelapse/rattrapage.sh AAAA-MM-JJ [HH:MM] recrée les images d'un jour à partir des enregistrements, s'ils existent encore. Utilisé le 2026-10-10 pour 00:00 → 08:44, avant la suppression du continu (524 images par caméra, en 5 min 35 s).
  • Minuteries systemd : frigate-timelapse-capture.timer (chaque minute) et frigate-timelapse.timer (chaque nuit à 00:20, Persistent=true : relancée au démarrage si la machine était éteinte). Les fichiers sont dans /etc/systemd/system/, avec une copie dans timelapse/. Journal : timelapse/timelapse.log. Restauration : cp /opt/frigate/timelapse/frigate-timelapse*.{service,timer} /etc/systemd/system/ && systemctl daemon-reload && systemctl enable --now frigate-timelapse.timer frigate-timelapse-capture.timer.
  • Résultat : /opt/frigate/storage/timelapse/videos/<caméra>/<date>.mp4 et <date>-<x>-detections.mp4 (sur srv18 : /data/frigate/timelapse/videos/ ; raccourci : /opt/frigate/timelapse/videos), conservé indéfiniment : Frigate ne gère pas ce dossier.
/data/frigate/timelapse/          (srv18) = /opt/frigate/storage/timelapse/ (5050)
├── videos/vivotek/2026-10-09.mp4 …   vidéos quotidiennes, ~1 min, gardées sans limite
├── videos/garage/2026-10-09.mp4 …
└── images/<caméra>/<date>/HHMM.jpg  captures du jour en cours, supprimées après l'assemblage
  • Si Frigate est arrêté, les minutes concernées manquent simplement dans la vidéo.
  • Test du 2026-10-10 sur la journée du 9 (partielle : enregistrements depuis 06:30, et Reolink seulement sur mouvement) : Vivotek 999 images, Reolink 759 images, en 11 min. Une journée complète prend environ 15 min la nuit.
systemctl list-timers frigate-timelapse.timer
/opt/frigate/timelapse/timelapse.sh 2026-10-10      # refaire un jour à la main

E-mail quotidien des time-lapses

Script /data/frigate/timelapse/videos/sendTimeLapseOfTheDay.sh sur srv18 (même fichier que /opt/frigate/storage/timelapse/videos/ ici), lancé chaque nuit à 01:00 par /etc/cron.d/sendTimeLapseOfTheDay de srv18, après le time-lapse de 00:20. Journal : /var/log/sendTimeLapseOfTheDay.log sur srv18.

  • Un e-mail par caméra, sujet « Time-lapses du <date> - camera <caméra> : <x> détections » (nombre tiré du nom <date>-<x>-detections.mp4, « aucune détection » s'il n'existe pas).
  • Pièces jointes : le time-lapse complet et la vidéo des détections. Si les vidéos d'une caméra dépassent 18 Mo (LIMITE_MO), seule la vidéo des détections est jointe, avec une note dans l'e-mail (l'encodage des pièces jointes ajoute environ un tiers).
  • Image de fond : une photo différente pour chaque e-mail, tirée au hasard dans /data/frigate/timelapse/imagesDeFondDeMail/, réduite à 1280 px par ImageMagick (installé sur srv18). Sans photo : fond-email.jpg.
  • Destinataires : variable RECIPIENTS en tête du script. Identifiants SMTP : /data/frigate/timelapse/.smtp-identifiants (chmod 600).
  • Versions précédentes du script : videos/.svg/sendTimeLapseOfTheDay.NN.sh (chmod 600).
# sur srv18 : renvoyer les e-mails d'un jour (attention : vers tous les destinataires)
/bin/sh /data/frigate/timelapse/videos/sendTimeLapseOfTheDay.sh 2026-10-11