Beberapa dari kita mungkin menghindari perangkat rumah pintar, terutama kamera keamanan, karena kekhawatiran privasi data. Insiden seperti kasus Ring beberapa waktu lalu membuktikan mengapa menyerahkan rekaman pengawasan pribadi ke server perusahaan pihak ketiga adalah ide yang kurang baik. Untungnya, ada cara untuk membangun solusi pengawasan yang canggih dan tetap menjaga privasi kita. Saya menambahkan sebuah AI kit ke kamera keamanan Raspberry Pi saya, dan hasilnya melampaui ekspektasi.

Berawal dari Raspberry Pi 5 yang tidak terpakai, saya memutuskan untuk menggabungkannya dengan beberapa kamera CCTV lama dan sebuah kamera RTSP buatan sendiri dari *smartphone* bekas. Dengan bantuan Frigate dan AI Kit resmi (modul OG, bukan varian +), saya berhasil mengubah Raspberry Pi menjadi hub NVR yang solid dengan kemampuan deteksi objek.

## Mengapa Frigate Menjadi Pilihan Terbaik

Ada banyak aplikasi perekam video jaringan (NVR) di ekosistem *self-hosted*, tetapi saya memilih Frigate untuk pengaturan kamera keamanan lokal saya. Pertama, Frigate sangat ringan sehingga tidak membebani sumber daya saat menghubungkan banyak kamera ke Raspberry Pi. Pembaruan terbaru juga membuatnya lebih mudah diakses dengan menambahkan penyesuaian, tombol, dan pengaturan penting ke antarmuka web minimalisnya.

Namun, yang paling penting, Frigate mendukung akselerator AI, termasuk modul **Hailo-8L** yang ada di dalam AI Kit yang saya gunakan. Fitur ini krusial untuk menambahkan kemampuan deteksi objek yang efisien. Frigate sendiri adalah salah satu alat NVR terbaik karena fitur pengawasan yang lengkap.

Untuk sistem operasi, saya memilih varian Lite dari **Raspberry Pi OS**. Sistem ini cukup ringan dan tidak akan menghabiskan banyak sumber daya. Meskipun ada opsi yang lebih *barebones* seperti Armbian, saya tidak ingin kesulitan memecahkan masalah *driver* acak, terutama karena saya berencana untuk menghubungkan akselerator AI dengan *single-board computer* ini.

## Membangun NVR Dasar dengan Docker

Langkah pertama adalah menyiapkan Raspberry Pi saya dengan Docker. Saya menggunakan skrip `dockerd-rootless-setuptool.sh install` untuk memastikan Docker tidak menjalankan kontainer dalam mode istimewa. Setelah itu, saya mengambil perintah dari dokumentasi resmi Frigate untuk menyebarkan kontainer.

Frigate memiliki antarmuka web yang mendukung penambahan kamera baru tanpa perlu mengedit *file* konfigurasi secara manual. Saya pun dengan mudah menghubungkan dua kamera, satu beresolusi 720p dan satu 1080p, ke server NVR Raspberry Pi. Setelah beberapa *handshake* RTSP, kamera-kamera tersebut segera muncul di Dashboard, di mana saya bisa memantau *stream* mereka dan memicu tugas perekaman *screenshot* dan video.

## Menambahkan Kekuatan AI dengan Hailo-8L HAT

Pada tahap ini, pengaturan Frigate saya sudah cukup baik untuk tugas pemantauan video dasar. Namun, saat mencoba mengaktifkan deteksi objek, latensinya melonjak melewati ambang 70ms. Ini terjadi karena CPU ARM dari Raspberry Pi tidak memiliki kemampuan pemrosesan yang cukup untuk tugas inferensi AI. Di sinilah **Hailo-8L AI Kit** berperan, mengambil alih beban penuh operasi deteksi objek.

Pemasangan HAT Hailo-8L ternyata lebih mudah dari yang saya duga. Karena saya menggunakan versi terbaru Raspberry Pi OS, saya harus terlebih dahulu membongkar *driver* Hailo-8L yang sudah terpaket dengan distro tersebut:

```bash
sudo modprobe -r hailo_pci
```

Setelah itu, saya mengganti nama *driver* tersebut untuk mencegah Raspberry Pi secara tidak sengaja menggunakannya untuk tugas inferensi Frigate. Kemudian, saya menggunakan perintah `wget` untuk mengunduh skrip instalasi khusus pengguna:

```bash
wget https://raw.githubusercontent.com/blakeblackshear/frigate/dev/docker/hailo8l/user_installation.sh
```

Saya mengubah skrip tersebut menjadi *executable* dengan `chmod +x user_installation.sh`, lalu menjalankannya. Setelah proses instalasi selesai, saya beralih ke *file* Konfigurasi di antarmuka web Frigate dan menambahkan argumen tertentu (dengan aturan indentasi yang benar) sebelum me-restart kontainer.

Sayangnya, Frigate pada awalnya menolak bekerja dengan akselerator AI. Setelah memeriksa *log*, saya menyadari bahwa variabel `desc_page_size` menyebabkan masalah. Setelah membaca ulang dokumentasi Frigate, saya menjalankan perintah berikut untuk mengatasi masalah tersebut:

```bash
echo 'options hailo_pci force_desc_page_size=4096' | sudo tee /etc/modprobe.d/hailo_pci.conf
```

Setelah itu, Frigate akhirnya bekerja dengan AI accelerator.

## Mengoptimalkan Deteksi Objek dengan Konfigurasi Frigate

Dengan AI HAT sekarang berfungsi, saya kembali ke Editor Konfigurasi. Saya menambahkan blok `detect` dan `record` dengan *snippet* yang diperlukan untuk setiap kamera.

Untuk menghindari pembebanan berlebihan pada sistem, saya menurunkan parameter `FPS` di bawah deteksi menjadi 8. Selain itu, saya juga menyertakan blok `object` dengan variabel `animal`, `person`, dan `vehicle` di bawah bagian `track`. Meskipun ada akselerator AI, sistem saya tetap memiliki batasan, sehingga optimisasi tetap penting.

Untuk memaksimalkan sumber daya, saya membuat **zona** guna menentukan wilayah mana yang ingin saya arahkan fitur deteksi objek Frigate, alih-alih membuang sumber daya untuk memantau bagian *feed* kamera yang tidak perlu.

Setelah menambahkan kamera tambahan dan menyempurnakan *mask*, saya melakukan beberapa eksperimen deteksi objek. Untuk deteksi manusia, instansi Frigate saya hampir selalu akurat, meskipun kadang salah melabeli selang *gardening* sebagai ular. Namun, selama saya tidak berlebihan dengan pengaturan *frame rate*, pengaturan ini bekerja dengan sangat baik di semua kamera keamanan saya.

Bagian terbaiknya? Tidak seperti solusi NVR berbasis *cloud* di luar sana, semua data di hub Frigate bertenaga Raspberry Pi dan AI ini tetap berada di jaringan lokal saya, menjaga privasi sepenuhnya. Bahkan, saya juga menggabungkan Frigate dengan **Home Assistant** untuk mendapatkan notifikasi terperinci dari kamera pengawasan saya, memanfaatkan *blueprint* yang tersedia.

## Referensi
https://www.xda-developers.com/i-added-an-ai-kit-to-my-raspberry-pi-security-camera/

Pelajari bagaimana membuat sistem kamera keamanan cerdas berbasis AI menggunakan Raspberry Pi dan kit AI, dengan fokus pada privasi dan kinerja lokal. Solusi ini menghindari masalah pengumpulan data pihak ketiga.

DIY Kamera Keamanan AI di Raspberry Pi: Lebih Baik dari Solusi Profesional?

Reggi

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#smart-home

Getting Lastest Post..

Populer Bulan Ini