So verwandeln Sie ein altes Android-Smartphone in ein intelligentes KI-gestütztes Überwachungssystem

Fast jedes household hat ein altes Android-Smartphone, das in einer Schublade Staub ansetzt. Der Bildschirm ist intakt, die Kamera ist akzeptabel, aber der Akku hält nur noch einen halben Tag oder der Prozessor kann moderne Apps nicht mehr bewältigen. Meistens landen diese Geräte entweder bei Verwandten oder werden für immer vergessen. kürzlich bin ich auf ein interessantes Repository CCTV-Smartphone-AI-Monitoring gestoßen (der Autor nennt das System Sentinel), das eine Möglichkeit bietet, dieses Gadget sinnvoll einzusetzen.

Das Projekt erfasst Video vom Smartphone über das lokale Netzwerk, führt die Aufzeichnung auf einem PC durch und bindet multimodale neuronale Netze ein, um zu erkennen, was im Bild passiert.

Was unter der Haube von Sentinel steckt

Die Idee, ein Smartphone in eine Überwachungskamera zu verwandeln, ist nicht neu, aber die meisten fertigen Lösungen stoßen auf zwei Probleme: Entweder sind sie an kostenpflichtige chinesische Cloud-Dienste gebunden, oder sie bieten einen simplen RTSP-Stream ohne brauchbare Analytik. Sentinel löst beide Probleme gleichzeitig.

Das System ist in zwei Teile gegliedert:

1. CamFlow — eine leichtgewichtige App für Android 8.0+, die den Kamera-Feed erfasst und JPEG-Frames per HTTP POST an den Server sendet.
2. Eine Python-Server-Komponente (Flask + OpenCV) — empfängt den Stream, verwaltet einen Frame-Buffer, organisiert das Browser-Streaming, schreibt Archive auf die Festplatte und steuert die KI-Aufrufe.

Alle Videos und Logs bleiben strikt in Ihrem lokalen Netzwerk. Nur einzelne Frames werden extern gesendet, wenn Sie sich entscheiden, ein Cloud-neuronales Netz für die Ereignisanalyse anzubinden.

So funktioniert die Token-effiziente Pipeline

Einen 25 fps Video-Stream direkt in ein modernes multimodales neuronales Netz einzuspeisen, kostet jeden Entwickler eine hübsche Summe. Der Sentinel-Autor hat sich für einen bewährten Zwei-Stufen-Ansatz entschieden:

Zunächst übernimmt klassische Computer Vision basierend auf OpenCV das Ruder. Das motion_trigger-Modul berechnet die Differenz zwischen aufeinanderfolgenden Frames. Solange nichts im Raum passiert, bleibt der Server im SLEEP-Zustand und verbraucht keine API-Ressourcen.

Sobald die Bewegung den festgelegten Schwellenwert überschreitet, wechselt das System in den OBSERVE-Zustand. Dann kommt das Vision-Modell zum Einsatz. Es analysiert den Frame, prüft auf das Vorhandensein von Personen, bewertet das Risikoniveau und gibt ein striktes JSON zurück:

{
  "has_person": true,
  "person_count": 1,
  "activity": "standing",
  "risk_level": "info",
  "confidence": 0.95,
  "summary": "Человек стоит около рабочего стола."
}

Wenn eine Person tatsächlich länger als der Dwell Threshold-Schwellenwert im Frame verweilt, wird das Ereignis in der ai_events.jsonl-Datenbank aufgezeichnet und auf dem Dashboard angezeigt. Wenn die Bewegung aufhört, wartet das System eine Pause von End Grace ab und geht wieder in den Ruhezustand.

Hauptfunktionen des Projekts

Plugin-freies Video-Streaming. Die Web-Oberfläche liefert einen Live-Feed über MJPEG. Die Latenz über Heim-Wi-Fi ist minimal, und das Video lässt sich in jedem Browser ohne Software-Installation öffnen.

Flexible Integration mit Modell-Anbietern. Das Projekt wurde ursprünglich um den chinesischen Volcengine Ark aufgebaut, aber in Version 1.1 fügte der Autor einen universellen Client hinzu. Jetzt können Sie OpenAI (GPT-4o-mini), Google Gemini, DashScope (Qwen VL), SiliconFlow oder ein lokales Gateway mit einer OpenAI-kompatiblen API verbinden.

Verhaltensanpassung durch Prompts. Die Dashboard-Einstellungen enthalten Felder für den langfristigen Kontext (Scene Profile) und den operativen Fokus (Session Focus). Sie können direkt in der Web-Oberfläche schreiben: „Dies ist ein Laborflur. Achten Sie darauf, wenn jemand Kartons trägt oder länger als 10 Sekunden an der Tür verweilt.