新闻详情

新闻详情

首页 / 资讯中心 / 详情

Docker部署Fugleramme:无树莓派也能在家庭服务器上跑起鸟类识别相框的完整指南

发布时间:2026/11/19 4:42:29来源:尧图网络
Docker部署Fugleramme:无树莓派也能在家庭服务器上跑起鸟类识别相框的完整指南
Docker部署Fugleramme无树莓派也能在家庭服务器上跑起鸟类识别相框的完整指南【免费下载链接】fuglerammeBird frame for Raspberry Pi - real-time bird detection by audio, fully local AI, rendered as real, hand-cut 1800s bird illustrations. On an e-ink panel, a TV, or any screen.项目地址: https://gitcode.com/gh_mirrors/fu/fuglerammeFugleramme是一款开源的鸟类识别相框它通过麦克风实时收听鸟鸣用本地 AIBirdNET-Go识别物种再把每只鸟渲染成 19 世纪手绘博物插画拼成一幅会生长的鸟类海报。而借助 Docker 部署你不需要树莓派和电子墨水屏——一台装了 Docker 的家庭服务器加一个 USB 麦克风就能在电视、显示器或手机上看到自家花园此刻有哪些鸟 Fugleramme 的工作原理两个容器各司其职整个系统由两部分组成Docker 部署时对应两个容器组件职责端口BirdNET-Go监听麦克风音频识别鸟类存储检测记录8090仪表盘Fugleramme轮询 BirdNET-Go 的 API把识别结果渲染成插画页面8080页面/ 8080/admin管理页鸟一被听到Fugleramme 就把它匹配到对应插画按体型大小摆上纸张页面只在有新鸟时重绘前提条件一台 Linux 主机 一个 USB 麦克风在开始前请确认你的家庭服务器满足以下条件✅ 已安装 Docker支持docker compose命令✅ 一个 USB 麦克风指向窗外效果最佳✅ 系统必须是Linux——麦克风通过/dev/snd进入容器Docker DesktopmacOS/Windows无法捕获宿主机音频✅ 8080 与 8090 端口空闲 没有树莓派完全可以官方镜像是纯 Web 模式不提供电子墨水屏驱动。想要墨水屏相框才是树莓派的主场。快速开始一条命令启动鸟类识别相框克隆仓库进入examples/目录内含现成的 examples/docker-compose.yml即可同时拉起两个容器git clone https://gitcode.com/gh_mirrors/fu/fugleramme cd fugleramme/examples docker compose up -d启动后访问http://服务器IP:8080/—— 鸟类识别相框页面http://服务器IP:8080/admin—— 管理页设置模式、分辨率、语言等http://服务器IP:8090—— BirdNET-Go 仪表盘配置麦克风与位置该 compose 文件把日志和 HLS 片段放进内存tmpfs避免撑爆硬盘检测数据持久化在birdnet-data卷中这个卷一定要保留。配置麦克风与地理位置识别准不准的关键打开 BirdNET-Go 仪表盘:8090完成两步设置详见官方配置文档1. 添加声卡必做进入 Settings → Audio添加你的 USB 麦克风声音就进来了。2. 设置你的位置强烈建议填入准确经纬度识别器会据此过滤掉当地不可能出现的物种显著减少误报比如把摩托车听成海鹦。项目还内置了一份调好的检测参数模板 detector/config/config.yaml.template更高的阈值、范围过滤、假阳性过滤等级 2在漏报和乱报之间取得了不错的平衡。已有 BirdNET-Go只部署相框容器如果你家里已经跑着 BirdNET-Go就只需要 Fugleramme 一个容器用环境变量指向它services: fugleramme: image: ghcr.io/arnegiacomo/fugleramme:latest environment: FUGLERAMME_DETECTOR_URL: http://birdnet.local:8080 TZ: Europe/Oslo ports: - 8080:8080 volumes: - fugleramme:/data restart: unless-stopped volumes: fugleramme:⚠️ 注意容器内的127.0.0.1指的是容器自己。请填主机的名称、IP或同一个 Docker 网络中 BirdNET-Go 的容器名。环境变量预置不点管理页也能定制画面管理页上的每个设置都能用FUGLERAMME_名称环境变量在启动时播种常用项变量作用示例FUGLERAMME_MODE显示模式collage/latest/arrivalFUGLERAMME_WEB_RESOLUTION网页渲染分辨率720p/1080p/1440p/4KFUGLERAMME_WEB_ASPECT画面比例16:9/4:3FUGLERAMME_LOOKBACK_HOURS拼贴回看时长240 为全部时间FUGLERAMME_PRIMARY_LANGUAGE鸟名语言nb、en或sciFUGLERAMME_ADMIN_PASSWORD管理页密码建议设置⚠️ 这些变量只是播种而非覆盖一旦你在管理页保存过某项设置对应变量就会失效。想要重新播种删掉/data卷即可检测记录不受影响仅重置设置。完整变量清单见容器文档。画面投到哪台屏幕上电视、壁纸都支持Fugleramme 通过 HTTP 输出画面任何设备都能当相框详见显示方案文档电视/显示器用浏览器全屏打开:8080即可三星 The Frame 画框电视有社区项目可在 Art Mode 下推送拼贴画客厅里和真画作混挂毫无违和感macOS 壁纸/屏保用 examples/wallpaper-macos.sh 定期抓取渲染页面作为桌面背景锁屏画面同样惊艳更新与日常维护容器化部署的更新非常简单——镜像被替换而非原地升级数据卷不受影响docker compose pull docker compose up -d管理页的 System 选项卡发现新版本时会提醒你。得益于 Dockerfile 的分层设计165 MB 的鸟类插画按首字母拆成多个层更新只会拉取变化的部分几百 KB 起步。想要全自动可搭配 Watchtower 定时检查更新。镜像标签策略latest跟随每次发布0.20只在次版本内打补丁0.20.1完全固定不变。常见问题排查 页面空白或提示检测器不可达确认 BirdNET-Go 容器在跑docker ps检查管理页 Detector 选项卡里的地址点Test connection查看连通状态。检测器短暂离线时相框会保留上一页画面看起来像没动静。️ 有声音但识别不到鸟问题在 BirdNET-Go 一侧——打开:8090检查声卡是否选对。 管理页忘密码docker compose exec fugleramme sed ...修改卷内/data/settings.json的admin_password字段即可详见故障排查文档。 只显示拉丁文学名鸟名来自 BirdNET-Go 的本地化词库需要在 Detector 选项卡填写其密码OIDC 暂不支持。回顾一台 Linux 家庭服务器 USB 麦克风 三条命令你就能拥有这只会生长的鸟鸣相框。Fugleramme 完全本地运行、零云依赖识别结果以 19 世纪博物插画的姿态挂上你家任何一块屏幕——下一次窗外有鸟叫时画面会自己更新。【免费下载链接】fuglerammeBird frame for Raspberry Pi - real-time bird detection by audio, fully local AI, rendered as real, hand-cut 1800s bird illustrations. On an e-ink panel, a TV, or any screen.项目地址: https://gitcode.com/gh_mirrors/fu/fugleramme创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/18 21:21:17

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/18 20:01:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/18 21:21:16

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉