監視カメラ録画サーバー自作｜NVR構築の実際

AI検知を実装する際の判断軸は、「推論の遅延（Latency）」と「誤検知率」です。特に、動体検知（Motion Detection）のみでは、木の揺れや光の変化による誤通知が多発します。これを防ぐには、物体検知（Object Detection）エンジンを介し、検出されたバウンディングボックスの信頼度（Confidence Score）を閾値（例：0.7以上）で制御するロジックの実装が不可欠です。

パフォーマンス最適化と運用コスト（TCO）の設計

完成したNVRシステムを安定稼働させるためには、ネットワーク帯域のボトルネック解消と、熱管理、そして電力効率の最適化という3つの視点が必要です。

まず、ネットワーク面では、カメラからのストリーム流入（Ingress）が集中するため、サーバー側のNICは2.5GbEまたは10GbEに対応した構成が望ましいです。例えば、Intel X550-T2のようなマルチポートNICを使用すれば、カメラ用ネットワークと管理用ネットワークを物理的に分離でき、トラフィックの混雑を防げます。また、VLAN（Virtual LAN）を構築し、監視カメラ専用のセグメントを作成することで、セキュリティ向上とブロードキャストドメインの縮小を同時に実現できます。

次に、熱管理です。NVRは24時間稼働するため、HDDやCPUの温度上昇が故障率に直結します。ケースファンには、低騒音かつ高静圧なNoctua NF-A12x25などの高品質モデルを採用し、HDDトレイ周辺のエアフローを確保することが重要です。特に、高密度にHDDを配置する構成では、周囲温度が40℃を超えると、書き込みエラー率（UER）が急増するため注意が必要です。

最後に、運用コスト（TCO）の観点からは、電力消費量の計算も欠かせません。

• CPU (Ryzen 9 9950X, TDP 170W, 実効負荷時 60W)
• HDD×4 (各約8W = 32W)
• PoE Switch & その他 (約20W) 合計で、サーバー単体で約112W程度の常時消費電力が見込まれます。日本国内の電気料金（31円/kWhと仮定）では、月額約25kWh、すなわち約750円の電気代が加算されます。

システム拡張性を考慮し、将来的にカメラ台数が増えた際でも、電源ユニット（PSU）の容量に余裕を持たせ（例：850W 80PLUS GOLD以上）、PCIeスロットに空きを残した設計を行うことが、長期的な自作NARR運用の成功の鍵となります。

用途と要件に基づくNVRソフトウェア・ハードウェア構成の徹底比較

自作NVR（Network Video Recorder）の構築において、最も重要な意思決定は「どのソフトウェアを使い、どのデバイスでAI検知（物体認識）を行うか」という点に集約されます。監視カメラの解像度が4Kや8Kへと高まり、H.265コーデックによる高圧縮化が進む2026年現在、単なる録画機能だけでなく、CPU負荷を抑えつつ「人」「車両」「動物」をリアルタイムで識別する推論性能の確保が、システム全体の安定性を左右します。

以下に、検討すべき主要な構成要素を5つの視点から比較・整理しました。

1. NVRソフトウェアの機能・コスト比較

ソフトウェアの選択は、OSの制約（WindowsかLinuxか）と、利用可能なAIアクセラレータとの親和性に直結します。特にFrigateはDocker環境での動作を前提としており、Google Coral TPU等のエッジデバイスとの連携において圧倒的な低遅延を実現します。

2. AI推論ハードウェアの性能と電力効率

AI検知（Object Detection）をCPUのみで行うのは、現代の多画素化された環境では現実的ではありません。NPUやGPUを活用することで、CPU使用率を劇的に下げることが可能です。

| ハードウェア構成 | 推論エンジン | 消費電力 (目安) | 検知能力・用途 | | :---rypt | Google Coral TPU | Edge TPU | 約 2W - 4W | 高速な物体検知（人・車） | | NVIDIA RTX 4060 | CUDA / Tensor Core | 約 115W | 高度な画像解析・多画素同時処理 | | Intel OpenVINO (iGPU) | OpenVINO | 約 15W - 45W | CPU/iGPU統合による低コスト構成 | | Hailo-8 M.2 AI Accelerator | Hailo AI Engine | 約 2.5W | 超低消費電力・高スループット |

3. ストレージ冗長性と信頼性の設計

監視カメラの録画データは、書き込みが24時間継続されるため、HDDへの負荷（TBW/DWPD）が極めて高いのが特徴です。RAID構成による耐障害性と、書き込み速度のバランスを考慮する必要があります。

4. カメラ規格と通信プロトコルの互換性マトリクス

導入するIPカメラが、自作NVRのソフトウェアでどの程度制御可能かを確認するための指標です。ONVIF準拠度が高いほど、設定の自動化が容易になります。

5. システム構築予算の目安（構成ティア別）

カメラ台数と要求されるAI検知精度に応じた、サーバー本体の概算コストです。

自作NVRの設計において、最も避けるべきは「後出しのスペック不足」です。特にAI推論用のアクセラレータ（CoralやGPU）と、ストレージの書き込み耐性は、構築後に変更するのが極めて困難な項目です。まずはカメラ台数と、検知したい対象（人か、それともナンバープレートのような微細なものか）を明確にし、上記比較表から最適な組み合わせを選択してください。

よくある質問

Q1. 市販の専用NVRを購入する場合と、自作サーバーを構築する場合で、コスト面での大きな違いはどこにありますか？

既製品のNVR（例：Reolink製NVRシリーズ）は、設定が容易で導入コストも抑えられますが、ストレージ拡張性やAI解析機能に限界があります。一方、自作サーバー（Intel Core i5-13400搭載構成など）は、初期投資としてHDDやPoEスイッチの費用がかかりますが、将来的にGoogle Coral TPUを追加して高度な検知を行うなど、機能拡張による「1カメラあたりの処理能力向上」という長期的なコストパフォーマンスに優れています。

Q2. 4Kカメラを複数台運用する場合、ストレージ容量はどの程度見積もっておくべきでしょうか？

H.265圧縮を使用し、4K/30fpsで録画する場合、1台あたり1日約60GB〜100GBの容量を消費します。例えば、4台のカメラで30日間の録画保存を行うには、最低でも7TB〜12TB程度の空き容量が必要です。WD Purple Pro 14TBのような監視カメラ専用HDDを使用し、RAID 5構成をとる場合は、パリティ用の容量を含めて18TB以上の物理容量を確保することを推奨します。

Q3. FrigateとBlue Iris、どちらのソフトウェアを選ぶべきでしょうか？

Linux環境（Docker）での運用が可能で、Google Coral TPUによる爆速なAI検知を実現したいならFrigate一択です。対して、WindowsベースでGUIの使いやすさや、既存の各種プラグイン機能を重視するならBlue Irisが適しています。自作サーバーにIntel第12世代以降のCPU（QuickSync対応）を採用し、ハードウェアデコードを活用する構成なら、どちらのソフトでも低負荷な運用が可能です。

Q4. HDDを選ぶ際、一般的なデスクトップ用HDDと監視カメラ専用HDDでは何が違うのでしょうか？

WD Blueなどのデスクトップ用は、24時間365日の書き込みを想定した設計ではありません。一方、WD PurpleやSeagate SkyHawk AIといった監視カメラ専用モデルは、多台数のカメラからの同時ストリーム書き込みに耐えうるエラー復旧機能（TLER）を備えています。録画サーバーの安定稼働には、書き込み継続性を重視して必ず監視用・NAS用グレードを選択してください。

Q5. 使用しているIPカメラがONVIF規格に対応しているか、どのように確認すればよいですか？

製品仕様書に「ONVIF Profile S/G/T」の記載があるか確認してください。特にFrigate等の自作ソフトでは、RTSPストリームの取得とメタデータ連携のためにProfile Sへの準拠が重要です。ReolinkやAmcrestなどのメーカーは対応が進んでいますが、安価なノーブランド品はONVIF実装が不完全なケースがあります。購入前に必ず、公式ドキュメントで規格への適合性をチェックしてください。

Q6. PoEスイッチを選定する際、最も注意すべきスペックは何ですか？

「PoE給電容量（PoE Budget）」の合計値です。例えば、1台あたり最大15.4Wを消費するPoEカメラを8台接続する場合、スイッチ単体で123.2W以上の供給能力が必要です。TP-LinkのTL-SG1218MPEのような、ポート数だけでなく総給電容量が明記されているモデルを選び、各カメラの最大消費電力（ワット数）の合計に20%程度の余裕を持たせて設計してください。

Manually Q7. 録画中にサーバーのCPU使用率が急上昇してしまう原因は何でしょうか？

主に「画像解析（Motion Detection）」をCPUで行っていることが原因です。カメラからの高解像度ストリームをソフトウェアでデコードし、ピクセル差分を計算すると負荷が膨大になります。この問題を解決するには、Google Coral M.2 AcceleratorなどのAIアクセラレータを導入し、物体検知の推論処理を専用チップへオフロード（肩代わり）させることが、自作NVR構築における最も効果的な対策です。

Q8. ネットワーク帯域が不足して録画映像がカクつく場合はどうすればよいですか？

4Kカメラが増えると、1台あたり20Mbps程度の帯域を占有します。カメラ台数が増えた際は、サーバーへのアップリンクを1GbEから2.5GbE（例：QNAP製スイッチ等）へアップグレードすることを検討してください。また、管理用ネットワークと映像トラフィック用のネットワークをVLANで分離し、ルーターやL3スイッチでのトラフィック制御を行うことで、録画の遅延や[パケット](/glossary/パケット)ロスを防ぐことができます。

Q9. H.264からH.265（HEVC）に移行することで、どの程度のメリットがありますか？

H.265への移行により、画質を維持したままビットレートを約50%削減できる可能性があります。これは、同じ10TBの[HDD](/glossary/hdd)容量であっても、録画可能な期間を実質2倍に引き延ばせることを意味します。ただし、デコード（再生）側の負荷は増えるため、Intel QuickSync Video（QSV）に対応したCPUを使用するなど、ハードウェア支援を活用できる構成にすることが不可欠です。

Q10. 将来的にAI検知の精度を向上させるための、サーバー構成のトレンドはありますか？

「エッジAI」と「サーバーサイドAI」のハイブリッド化が進んでいます。カメラ側で人物や車両の一次検知を行い（Edge AI）、サーバー側のFrigate等で詳細な属性解析（色、服装、ナンバープレート等）を行う構成です。これに伴い、サーバー側にはより高性能な[NPU（Neural Processing Unit）や、FPGAを用いた推論アクセラレータを搭載できるような、拡張性の高い[PCIeスロットを備えたマザーボードの採用が重要視されています。

まとめ

• AI検知の負荷軽減には、Google Coral TPUなどの専用アクセラレータを活用し、CPUリソースを映像解析ではなく録画処理に集中させる構成が理想的です。
• ソフトウェア選定は、Linux環境でAI統合が進むFrigateか、Windowsベースで多機能なBlue Irisか、運用環境とスキルセットに応じて決定してください。
• ストレージ設計では、H.265圧縮を前提としたビットレート計算を行い、[RAID](/glossary/raid) 5やZFSを用いた冗長構成によってデータ消失リスクを最小化することが不可欠です。
• カメラ選定においては、ONVIF規格への準拠とPoE受電対応を確認し、ネットワーク配線と管理の簡素化を図る必要があります。
• 高解像度（4K以上）化に伴うギガビットイーサネット帯域の圧迫と、ディスク書き込み遅延によるフレームドロップへの対策を事前に検証しておくことが重要です。
• 運用フェーズを見据え、ローカルストレージだけでなく、重要なイベント録画のみを外部サーバーやクラウドへ転送するハイブリッドなバックアップ戦略も検討しましょう。

次のアクション： まずは手持ちの余剰パーツを用いて小型の検証機を構築し、実際のビットレートに基づいたストレージ容量のシミュレーションから着手してください。

Amcrest AD410 PoEドアベルとFrigate顔認識統合。Coral TPU+RTSP+Doorbird比較のPC運用ノウハウ。