Google Coral adalah pekerja keras senyap lab rumahan AI. Akselerator USB atau M.2 yang murah, kontainer Frigate, dan Raspberry Pi dapat memantau setiap kamera di rumah tanpa membebani CPU. Kemudian Google menghentikan Coral. Pengecer kehabisan stok sepanjang 2025, dan repo perangkat lunak tidak memiliki komit bermakna selama berbulan-bulan. Forum lab rumahan telah menukar alternatif Google Coral sejak saat itu, dan jawabannya tidak selalu “beli yang bekas di eBay.”
Tujuh pilihan di bawah mencakup pengganti nyata: NPU khusus yang dikirim pada 2026, runtime perangkat lunak yang memungkinkan CPU Intel biasa melakukan pekerjaan Coral, dan stack NVR yang kebanyakan orang jalankan di atas. Masing-masing dinilai berdasarkan biaya per stream, integrasi dengan Frigate atau CodeProject.AI, dan apakah bertahan dalam alur kerja Docker-first.
Perbandingan cepat
| Solusi | Terbaik untuk | Tingkat gratis | Harga mulai | Fitur unggulan |
|---|---|---|---|---|
| Frigate + Intel iGPU (OpenVINO) | Deteksi objek murah di Intel N-series | Perangkat lunak gratis | ~$150 mini PC | Tanpa perangkat keras tambahan |
| CodeProject.AI | AI keamanan rumah multi-backend | Ya | Gratis, perangkat keras opsional | Integrasi Blue Iris dan Frigate |
| Intel OpenVINO Runtime | CPU Intel atau Arc GPU apa pun | SDK gratis | Gratis | Berjalan pada perangkat keras yang sudah dimiliki |
| Hailo-8/8L | NPU edge khusus, TOPS kelas Coral | SDK gratis | ~$150 untuk modul | 26 TOPS pada M.2 |
| Nvidia Jetson Orin Nano | SBC lengkap dengan inferensi GPU | JetPack gratis | ~$249 | Kit pengembang end-to-end |
| ONNX Runtime | Inferensi lintas platform pada perangkat keras apa pun | Gratis | Gratis | Satu runtime untuk setiap backend |
| Ultralytics YOLO | Model modern untuk menggantikan model Coral lama | Open source gratis | Gratis | Integrasi Frigate langsung |
Mengapa orang meninggalkan Google Coral
Alasannya menumpuk dengan cepat setelah Coral hilang dari Amazon dan Mouser.
- Pasokan kering. Toko Google Coral telah kehabisan stok USB Accelerator dan M.2 Dual TPU sejak akhir 2024. Pasar pihak ketiga mencantumkan unit bekas dengan harga berkali-kali lipat dari harga asli. Artikel XDA yang menunjukkan CPU Intel sebagai alternatif juga mencatat kekurangan yang sama.
- Perangkat lunak beku. Repo
libedgetpudangoogle-coral/edgetpudi GitHub tidak melihat rilisan yang signifikan lebih dari satu tahun. Versi Python dan TensorFlow baru tidak selalu bekerja dengan bersih dengan runtime yang lebih lama. - Penyimpangan ekosistem. Frigate 0.14 dan yang lebih baru menambahkan dukungan tingkat pertama untuk OpenVINO, TensorRT, ROCm, dan Hailo. Coral sekarang menjadi satu opsi di antara banyak, bukan default.
- Batas model. Coral menjalankan model TensorFlow Lite yang dikompilasi Edge TPU dengan kuantisasi tetap. Varian YOLOv8, YOLOv10, dan RT-DETR modern baik tidak dikompilasi untuk Edge TPU atau kehilangan akurasi yang cukup untuk menghitung tingkat alarm palsu.
- Headroom komputasi terbatas. Satu Coral maksimal sekitar 4 TOPS. Hailo-8 modern mencapai 26 TOPS di slot M.2 yang sama untuk uang kasar.
Alternatif-alternatif
Frigate pada Intel iGPU (via OpenVINO) -- Terbaik untuk deteksi objek murah
Setiap CPU Intel N-series atau Core terbaru menyertakan iGPU yang menjalankan model OpenVINO cukup cepat untuk beberapa stream kamera. Frigate mengambil iGPU secara otomatis setelah detektor OpenVINO dikonfigurasi, dan mini PC $150 menangani empat hingga enam stream 1080p pada deteksi 5 FPS tanpa kepayahan. Ini adalah setup yang ditunjukkan oleh artikel XDA sebagai pengganti Coral langsung.
Di mana ia jatuh pendek: model kecil tercepat OpenVINO (SSD MobileNet, YOLO-NAS terkuantisasi) tidak selalu setepat YOLOv10 segar yang berjalan di kartu yang lebih besar. iGPU Intel lama (pre-11th-gen) secara nyata lebih lambat.
Harga:
- Gratis: Frigate adalah open source, OpenVINO adalah SDK gratis.
- Berbayar: Mini PC (Beelink S12, Minisforum UN100C, atau NUC Intel lama) sekitar $150 bekas.
- vs Coral: Menggunakan perangkat keras yang kebanyakan lab rumahan sudah miliki, tidak ada akselerator terpisah.
Migrasi dari Coral: Sunting config.yml Frigate, tukar detektor edgetpu untuk openvino, ambil model format OpenVINO dari dokumen Frigate, mulai ulang. Zona kamera yang ada, topik MQTT, dan otomasi Home Assistant tidak berubah.
Unduh: Frigate adalah open source dan dikirim sebagai gambar Docker. OpenVINO Runtime dipasang melalui kontainer Frigate secara otomatis.
Garis bawah: Jawaban default untuk siapa pun dengan spare Intel mini PC dan hingga enam kamera.
CodeProject.AI Server -- Terbaik untuk Blue Iris dan backend campuran
CodeProject.AI Server adalah backend AI yang kebanyakan pengguna Blue Iris pasangkan dengan NVR mereka, dan juga terhubung ke Frigate. Ini mendukung model YOLOv5 dan YOLOv8, pembacaan plat nomor ALPR, pengenalan wajah, dan beberapa akselerator perangkat keras melalui satu dashboard web. Berjalan di Windows dan Linux, di Docker atau natively.
Di mana ia jatuh pendek: Modul Coral untuk CodeProject.AI masih berfungsi, tetapi fokus proyek telah bergeser ke backend CPU, DirectML, dan CUDA. Penginstal Windows kadang ketinggalan jalur Docker Linux.
Harga:
- Gratis: Server lengkap dan model default.
- Berbayar: Add-on berbayar opsional untuk modul lanjutan.
- vs Coral: Gratis seperti Coral setelah perangkat keras dibeli, dan mencakup pengenalan wajah dan pembacaan plat langsung dari kotak.
Migrasi dari Coral: Instal CodeProject.AI, instal modul OpenVINO atau CUDA yang cocok dengan host, arahkan Blue Iris atau Frigate ke URL CodeProject.AI. Tidak ada rekompilasi model.
Unduh: CodeProject.AI Server menyediakan gambar Docker untuk Linux dan penginstal asli untuk Windows.
Garis bawah: Pilihan yang tepat ketika NVR adalah Blue Iris di Windows, atau ketika pengenalan plat nomor penting.
Intel OpenVINO Runtime -- Terbaik untuk perangkat keras yang sudah dimiliki
Intel OpenVINO mengubah CPU Intel generasi ke-8 atau lebih baru, GPU Intel Arc apa pun, dan Neural Compute Stick 2 apa pun menjadi target inferensi. Runtime adalah satu perpustakaan Python atau C++, dan itu mendukung detektor Frigate, CodeProject.AI, dan naskah khusus yang tak terhitung jumlahnya. Pada CPU laptop Intel Core i5-1240P ia mencapai throughput kelas Coral pada model MobileNet SSD yang sama.
Di mana ia jatuh pendek: OpenVINO adalah Intel-only. Pengguna AMD Ryzen tidak mendapatkan apa pun darinya. Papan Arm (Raspberry Pi, Orange Pi) memerlukan runtime yang benar-benar berbeda.
Harga:
- Gratis: SDK dan runtime lengkap.
- Berbayar: N/A.
- vs Coral: Biaya perangkat keras nol jika host sudah berbasis Intel.
Migrasi dari Coral: Konversi model TensorFlow Lite ke format OpenVINO IR dengan alat mo, atau ambil model yang sudah dikonversi dari model zoo Frigate. Sambungkan ulang konfigurasi detektor, mulai ulang.
Unduh: OpenVINO Runtime tersedia sebagai gambar Docker, paket pip, dan penginstal asli untuk Windows dan Linux.
Garis bawah: Opsi tanpa perangkat keras. Jika kotak NVR sudah berjalan di Intel, instal OpenVINO terlebih dahulu sebelum berbelanja untuk apa pun.
Hailo-8 dan Hailo-8L -- Terbaik untuk kekuatan NPU edge khusus
Modul Hailo adalah analogi perangkat keras terdekat dengan Coral. Hailo-8L menjalankan 13 TOPS pada slot M.2 A+E kurang lebih dengan harga yang dulunya Coral perintahkan. Hailo-8 menggandakan itu pada 26 TOPS. Keduanya jatuh ke Frigate melalui plugin detektor Hailo komunitas dan ke SDK Hailo resmi untuk pekerjaan khusus.
Di mana ia jatuh pendek: Penyiapan SDK Hailo lebih berat daripada cerita plug-and-play Coral. Model Zoo Hailo mencakup sebagian besar arsitektur umum tetapi pipeline konversi membutuhkan latihan.
Harga:
- Gratis: SDK dan runtime.
- Berbayar: Sekitar $70 untuk Hailo-8L, sekitar $150 untuk Hailo-8, ditambah slot M.2 di host.
- vs Coral: Biaya serupa, throughput berkali-kali lipat, secara aktif dipelihara.
Migrasi dari Coral: Beli modul, instal firmware dan SDK Hailo, ganti blok detektor Frigate dengan varian Hailo, unduh file model yang dikompilasi. Konfigurasi kamera tidak berubah.
Unduh: Hailo Developer Zone mengirimkan SDK untuk Ubuntu dan gambar kontainer.
Garis bawah: Pilihan terbaik ketika Coral sudah dalam rencana tetapi throughput atau pilihan model perlu tumbuh.
Nvidia Jetson Orin Nano -- Terbaik untuk SBC lengkap dengan inferensi GPU
Kit pengembang Nvidia Jetson Orin Nano menempatkan CPU Arm, GPU Nvidia dengan tensor cores, dan Jetpack (stack CUDA dan TensorRT) di satu papan kecil. Ini menjalankan Frigate dengan detektor TensorRT pada kecepatan bingkai yang sangat tinggi, dan juga dapat menyelenggarakan NVR itu sendiri, jadi Coral plus Raspberry Pi runtuh menjadi satu unit.
Di mana ia jatuh pendek: Biaya pendahuluan lebih tinggi dari Coral USB. Gambar Jetpack berbasis Ubuntu dan memerlukan flashing bukan instalasi OS biasa. Papan Jetson Nano yang lebih lama jauh lebih lambat dan harus dihindari pada 2026.
Harga:
- Gratis: SDK Jetpack.
- Berbayar: Sekitar $249 untuk kit pengembang Orin Nano 8 GB, lebih tinggi untuk Orin NX dan AGX.
- vs Coral: Menggantikan baik host dan akselerator, jadi total biaya selaras dengan mini PC plus Hailo.
Migrasi dari Coral: Instal ulang Frigate di Jetpack, gunakan detektor TensorRT, konversi model ke format mesin TensorRT dengan alat trtexec. Aliran kamera dan integrasi Home Assistant tetap tidak berubah.
Unduh: Unduhan Nvidia Jetson menyediakan SDK Jetpack dan gambar pra-flashed.
Garis bawah: Jalur all-in-one. Tepat ketika host NVR itu sendiri juga siap untuk penggantian.
ONNX Runtime -- Terbaik untuk satu runtime di setiap backend
ONNX Runtime adalah mesin inferensi lintas platform Microsoft. Itu menargetkan CUDA, TensorRT, DirectML, ROCm, CoreML, dan CPU dengan satu API. Frigate 0.14 mengirimkan dukungan ONNX Runtime yang memungkinkan file model yang sama berjalan pada GPU Nvidia hari ini, GPU AMD minggu depan, dan CPU laptop di jalan.
Di mana ia jatuh pendek: ONNX Runtime adalah runtime, bukan katalog model. Pengguna masih memerlukan file model (YOLOv8, RT-DETR, MobileNet). Beberapa optimisasi eksperimental tertinggal di belakang SDK spesifik vendor seperti TensorRT.
Harga:
- Gratis: Open source.
- Berbayar: N/A.
- vs Coral: Gratis, agnostik perangkat keras, dan pilihan model jauh lebih besar.
Migrasi dari Coral: Ekspor model saat ini ke format ONNX, tukar detektor Frigate ke onnx, mulai ulang. Jika host memiliki GPU, instal penyedia eksekusi CUDA atau ROCm.
Unduh: ONNX Runtime tersedia di PyPI, npm, NuGet, dan sebagai perpustakaan asli yang sudah dibangun sebelumnya.
Garis bawah: Taruhan teraman untuk lab rumahan campuran di mana komputasi mungkin berubah setiap tahun.
Ultralytics YOLO -- Terbaik untuk model modern untuk memberi makan runtime
Ultralytics YOLO mengirimkan YOLOv8, YOLOv10, dan YOLO11 dengan API Python yang mengekspor ke setiap runtime di daftar ini. Akurasi deteksi jauh di depan model MobileNet SSD yang lebih lama yang dikirim Coral, dan alarm palsu pada setup Frigate turun secara nyata ketika model bertukar.
Di mana ia jatuh pendek: Ultralytics mengubah lisensinya menjadi AGPL-3.0 untuk build open source. Penyebaran komersial memerlukan lisensi Ultralytics berbayar. Beberapa ekspor terkuantisasi masih perlu penyetelan untuk mencocokkan akurasi asli FP16.
Harga:
- Gratis: AGPL-3.0 untuk penggunaan pribadi dan open-source.
- Berbayar: Lisensi Ultralytics Enterprise untuk penggunaan komersial.
- vs Coral: Gratis untuk penggunaan rumah, model akurasi lebih tinggi daripada zoo Coral asli.
Migrasi dari Coral: Pilih model YOLO yang cocok dengan host (YOLOv8n untuk CPU, YOLOv8s atau lebih besar untuk GPU dan NPU), ekspor ke format yang Frigate harapkan, mulai ulang kontainer.
Unduh: Ultralytics ada di PyPI dan GitHub dengan beban dan alat ekspor.
Garis bawah: Sumber model setelah runtime diselesaikan. Kualitas deteksi Frigate sering meningkat lebih banyak dari swap model daripada swap perangkat keras.
Cara memilih
Pilih Frigate pada Intel iGPU dengan OpenVINO jika NVR adalah mini PC dan jumlah kamera di bawah enam. Jalur termurah, tanpa perangkat keras tambahan.
Pilih CodeProject.AI Server jika NVR adalah Blue Iris di Windows, atau setup memerlukan pengenalan wajah atau plat tanpa glue code ekstra.
Pilih Intel OpenVINO Runtime pada host berbasis Intel apa pun sebagai titik awal sebelum berbelanja untuk perangkat keras baru.
Pilih Hailo-8 atau Hailo-8L ketika Coral dalam rencana dan slot M.2 gratis. Faktor bentuk yang sama, komputasi lebih banyak, secara aktif dipelihara.
Pilih Nvidia Jetson Orin Nano ketika kotak NVR itu sendiri siap untuk penggantian dan SBC lengkap masuk akal.
Gunakan ONNX Runtime sebagai lapisan abstraksi jika perangkat keras mungkin berubah lagi dalam setahun atau dua.
Umpan salah satu dari atas dengan model Ultralytics YOLO ketika tingkat alarm palsu di zoo Coral lama mulai menyakitkan.
Tetap di Coral hanya jika modul sudah terinstal dan bekerja. Tidak ada upgrade untuk dibeli, dan mendorong setup ke rilis Frigate yang lebih baru akan terus bekerja selama bertahun-tahun. Jangan mulai lab rumahan baru di Coral pada 2026.
FAQ
Apakah Google Coral dihentikan? Ya. USB Accelerator Coral, Coral M.2 Dual TPU, dan Coral Dev Board telah kehabisan stok melalui saluran pengecer Google sendiri sejak akhir 2024, dan repo perangkat lunak telah menjadi dorman.
Apa alternatif Google Coral termurah? Frigate berjalan pada Intel iGPU dengan OpenVINO. Perangkat lunaknya gratis, dan mini PC Intel bekas mulai sekitar $100. Tidak ada akselerator khusus yang diperlukan.
Bisakah saya masih membeli Coral USB Accelerator? Hanya melalui pasar pihak ketiga dengan harga bengkak. Membeli yang bekas pada 2026 tidak disarankan ketika jalur Hailo-8L, Jetson Orin Nano, dan Intel iGPU biaya yang sama atau lebih sedikit.
Apakah Frigate mendukung alternatif ke Coral? Ya. Frigate 0.14 dan yang lebih baru mengirimkan detektor untuk OpenVINO, TensorRT, ONNX Runtime, Hailo, dan ROCm. Menukar adalah perubahan file konfigurasi.
Apa NPU terbaik untuk kamera keamanan pada 2026? Hailo-8 untuk akselerator drop-in (slot M.2, 26 TOPS) atau Nvidia Jetson Orin Nano ketika seluruh host NVR siap untuk penggantian. Keduanya secara aktif dipertahankan dan mencakup arsitektur model modern yang Coral tidak.
Apakah saya perlu melatih ulang model saya? Tidak. Model TensorFlow Lite atau ONNX yang ada dapat diekspor ke runtime target. Beberapa backend lebih suka kuantisasi INT8, yang memerlukan pass kalibrasi tetapi tidak memerlukan pelatihan ulang dari awal.
