Google Coral

Google Coral era el caballo de carga silencioso de los laboratorios caseros de IA. Un acelerador USB o M.2 barato, un contenedor de Frigate y una Raspberry Pi podían vigilar todas y cada una de las cámaras de la casa sin freír el CPU. Luego Google eliminó Coral. Los minoristas se agotaron durante 2025, y los repositorios de software no han tenido confirmaciones significativas durante meses. Los foros de laboratorios caseros han estado intercambiando alternativas de Google Coral desde entonces, y la respuesta no siempre es “compra una usada en eBay”.

Los siete picks a continuación cubren los reemplazos reales: NPU dedicados que se envían en 2026, runtimes de software que permiten que una CPU Intel simple realice el trabajo de Coral, y la pila NVR que la mayoría de las personas ya ejecutan encima. Cada uno se juzga por el costo por transmisión, la integración con Frigate o CodeProject.AI, y si sobrevive a un flujo de trabajo de Docker-first.

Comparación rápida

Solución Mejor para Nivel gratuito Costo inicial Característica destacada
Frigate + Intel iGPU (OpenVINO) Detección de objetos barata en Intel N-series Software gratuito ~$150 mini PC Sin hardware adicional
CodeProject.AI IA de seguridad del hogar multi-backend Sí Gratuito, hardware opcional Integración de Blue Iris y Frigate
Intel OpenVINO Runtime Cualquier CPU Intel o GPU Arc SDK gratuito Gratuito Se ejecuta en hardware que ya tienes
Hailo-8/8L NPU de borde dedicado, TOPS de clase Coral SDK gratuito ~$150 para el módulo 26 TOPS en M.2
Nvidia Jetson Orin Nano SBC completo con inferencia de GPU JetPack gratuito ~$249 Kit de desarrollo end-to-end
ONNX Runtime Inferencia multiplataforma en cualquier hardware Gratuito Gratuito Un runtime para cada backend
Ultralytics YOLO Modelos modernos para reemplazar los antiguos de Coral Open source gratuito Gratuito Integración directa de Frigate

Por qué la gente se va de Google Coral

Las razones se acumulan rápidamente una vez que Coral desaparece de Amazon y Mouser.

Las alternativas

Frigate en Intel iGPU (vía OpenVINO) -- Mejor para detección de objetos barata

Cada CPU Intel N-series o Core reciente incluye una iGPU que ejecuta modelos OpenVINO lo suficientemente rápido para varios flujos de cámara. Frigate recoge la iGPU automáticamente una vez que se configura el detector OpenVINO, y una mini PC de $150 maneja entre cuatro y seis transmisiones 1080p a detección de 5 FPS sin sudar. Esta es la configuración que el artículo de XDA señala como el reemplazo directo de Coral.

Donde falla: Los modelos más pequeños y rápidos de OpenVINO (SSD MobileNet, YOLO-NAS cuantizado) no siempre son tan precisos como un YOLOv10 reciente ejecutándose en una tarjeta más grande. Las iGPU Intel antiguas (anteriores a la 11ª generación) son notablemente más lentas.

Precios:

Migración de Coral: Edita config.yml de Frigate, cambia el detector edgetpu por openvino, tira el modelo en formato OpenVINO de la documentación de Frigate, reinicia. Las zonas de cámara existentes, los temas MQTT y las automatizaciones de Home Assistant no cambian.

Descargar: Frigate es open source y se envía como una imagen Docker. OpenVINO Runtime se instala automáticamente a través del contenedor de Frigate.

Conclusión: La respuesta predeterminada para cualquiera con una mini PC Intel de repuesto y hasta seis cámaras.

CodeProject.AI Server -- Mejor para Blue Iris y backends mixtos

CodeProject.AI Server es el backend de IA que la mayoría de los usuarios de Blue Iris emparejan con su NVR, y también se conecta a Frigate. Admite modelos YOLOv5 e YOLOv8, lectura de placas de matrícula ALPR, reconocimiento facial y múltiples aceleradores de hardware a través de un único panel web. Se ejecuta en Windows y Linux, en Docker o de forma nativa.

Donde falla: El módulo de Coral para CodeProject.AI aún funciona, pero el enfoque del proyecto se ha desplazado a backends de CPU, DirectML y CUDA. El instalador de Windows a veces se queda atrás de la ruta de Docker de Linux.

Precios:

Migración de Coral: Instala CodeProject.AI, instala el módulo OpenVINO o CUDA que coincide con el host, apunta Blue Iris o Frigate a la URL de CodeProject.AI. Sin recompilación de modelos.

Descargar: CodeProject.AI Server proporciona imágenes Docker para Linux e instalador nativo para Windows.

Conclusión: La opción correcta cuando el NVR es Blue Iris en Windows, o cuando el reconocimiento de placas es importante.

Intel OpenVINO Runtime -- Mejor para hardware que ya tienes

Intel OpenVINO convierte cualquier CPU Intel de octava generación o posterior, cualquier GPU Intel Arc y cualquier Neural Compute Stick 2 en un objetivo de inferencia. El runtime es una única biblioteca de Python o C++, y alimenta el detector de Frigate, CodeProject.AI e innumerables scripts personalizados. En una CPU portátil Intel Core i5-1240P alcanza rendimiento de clase Coral en el mismo modelo MobileNet SSD.

Donde falla: OpenVINO es solo Intel. Los usuarios de AMD Ryzen no obtienen nada de esto. Las placas Arm (Raspberry Pi, Orange Pi) necesitan un runtime completamente diferente.

Precios:

Migración de Coral: Convierte modelos TensorFlow Lite al formato OpenVINO IR con la herramienta mo, u obtén un modelo preconvertido del zoo de modelos de Frigate. Reconfigurar la configuración del detector, reiniciar.

Descargar: OpenVINO Runtime está disponible como imagen Docker, paquete pip e instalador nativo para Windows y Linux.

Conclusión: La opción sin hardware. Si la caja NVR ya se ejecuta en Intel, instala OpenVINO primero antes de comprar cualquier otra cosa.

Hailo-8 y Hailo-8L -- Mejor para potencia NPU de borde dedicada

Los módulos Hailo son el análogo de hardware más cercano a Coral. El Hailo-8L ejecuta 13 TOPS en una ranura M.2 A+E por aproximadamente el mismo precio que Coral solía ordenar. El Hailo-8 duplica eso a 26 TOPS. Ambos se conectan a Frigate a través del complemento detector Hailo de la comunidad y al SDK oficial de Hailo para trabajo personalizado.

Donde falla: La configuración del SDK de Hailo es más pesada que la historia de plug-and-play de Coral. El Zoo de Modelos de Hailo cubre la mayoría de las arquitecturas comunes, pero el pipeline de conversión necesita práctica.

Precios:

Migración de Coral: Compra el módulo, instala el firmware y SDK de Hailo, reemplaza el bloque detector de Frigate con la variante Hailo, descarga el archivo de modelo compilado. Las configuraciones de cámara no cambian.

Descargar: Hailo Developer Zone envía SDK para Ubuntu e imágenes de contenedor.

Conclusión: La mejor opción cuando Coral ya estaba en el plan pero el rendimiento o la opción de modelo necesita crecer.

Nvidia Jetson Orin Nano -- Mejor para SBC completo con inferencia de GPU

El kit de desarrollo Nvidia Jetson Orin Nano coloca una CPU Arm, una GPU Nvidia con núcleos tensor y Jetpack (stack CUDA y TensorRT) en una pequeña placa. Ejecuta Frigate con el detector TensorRT a velocidades de fotogramas muy altas, y también puede alojar el propio NVR, por lo que Coral más una Raspberry Pi colapsan en una única unidad.

Donde falla: Costo inicial más alto que Coral USB. La imagen Jetpack está basada en Ubuntu y requiere flasheo en lugar de una instalación de SO normal. Las placas Jetson Nano más antiguas son mucho más lentas y deben evitarse en 2026.

Precios:

Migración de Coral: Reinstala Frigate en Jetpack, usa el detector TensorRT, convierte modelos al formato de motor TensorRT con la herramienta trtexec. Los flujos de cámara e integraciones de Home Assistant permanecen sin cambios.

Descargar: Descargas de Nvidia Jetson proporcionan SDK de JetPack e imágenes preprogramadas.

Conclusión: La ruta todo en uno. Correctamente cuando la caja NVR en sí también está lista para el reemplazo.

ONNX Runtime -- Mejor para un runtime en cada backend

ONNX Runtime es el motor de inferencia multiplataforma de Microsoft. Apunta a CUDA, TensorRT, DirectML, ROCm, CoreML y CPU con una sola API. Frigate 0.14 envió soporte de ONNX Runtime que permite que el mismo archivo de modelo se ejecute en una GPU Nvidia hoy, una GPU AMD la próxima semana y una CPU portátil en el camino.

Donde falla: ONNX Runtime es un runtime, no un catálogo de modelos. Los usuarios todavía necesitan un archivo de modelo (YOLOv8, RT-DETR, MobileNet). Algunas optimizaciones experimentales se quedan atrás de los SDK específicos del proveedor como TensorRT.

Precios:

Migración de Coral: Exporta el modelo actual al formato ONNX, cambia el detector de Frigate a onnx, reinicia. Si el host tiene una GPU, instala el proveedor de ejecución CUDA o ROCm.

Descargar: ONNX Runtime está disponible en PyPI, npm, NuGet y como bibliotecas nativas precompiladas.

Conclusión: La apuesta más segura para un laboratorio casero mixto donde la computación podría cambiar cada año.

Ultralytics YOLO -- Mejor para modelos modernos para alimentar el runtime

Ultralytics YOLO envía YOLOv8, YOLOv10 y YOLO11 con una API de Python que exporta a cada runtime en esta lista. La precisión de detección está muy por delante de los modelos MobileNet SSD más antiguos que Coral envió, y las falsas alarmas en una configuración de Frigate bajan notablemente cuando el modelo se intercambia.

Donde falla: Ultralytics cambió su licencia a AGPL-3.0 para compilaciones de código abierto. Las implementaciones comerciales necesitan la licencia Ultralytics pagada. Algunas exportaciones cuantizadas aún necesitan ajuste para igualar la precisión de los originales FP16.

Precios:

Migración de Coral: Elige un modelo YOLO que coincida con el host (YOLOv8n para CPU, YOLOv8s o mayor para GPU y NPU), exporta al formato que Frigate espera, reinicia el contenedor.

Descargar: Ultralytics está en PyPI y GitHub con pesos y herramientas de exportación.

Conclusión: La fuente de modelos una vez que se resuelve el runtime. La calidad de detección de Frigate a menudo mejora más por un intercambio de modelo que por un intercambio de hardware.

Cómo elegir

Elige Frigate en Intel iGPU con OpenVINO si el NVR es una mini PC y el recuento de cámaras es inferior a seis. El camino más barato, sin hardware adicional.

Elige CodeProject.AI Server si el NVR es Blue Iris en Windows, o la configuración necesita reconocimiento facial o placas sin código pegajoso adicional.

Elige Intel OpenVINO Runtime en cualquier host basado en Intel como punto de partida antes de gastar en nuevo hardware.

Elige Hailo-8 o Hailo-8L cuando Coral estaba en el plan y la ranura M.2 está libre. Mismo factor de forma, mucha más computación, mantenido activamente.

Elige Nvidia Jetson Orin Nano cuando la caja NVR en sí está lista para el reemplazo y un SBC completo tiene sentido.

Usa ONNX Runtime como la capa de abstracción si el hardware podría cambiar de nuevo en un año o dos.

Alimenta cualquiera de los anteriores con modelos Ultralytics YOLO cuando la tasa de alarma falsa en el zoo Coral antiguo comienza a doler.

Mantente en Coral solo si los módulos ya están instalados y funcionando. No hay actualización para comprar, y presionar la configuración a una versión de Frigate más nueva seguirá funcionando durante años. No comiences un laboratorio casero nuevo en Coral en 2026.

FAQ

¿Google Coral se descontinuó? Sí. El Coral USB Accelerator, Coral M.2 Dual TPU y Coral Dev Board no han tenido stock en los canales minoristas de Google desde finales de 2024, y los repositorios de software se han vuelto inactivos.

¿Cuál es la alternativa más barata de Google Coral? Frigate ejecutándose en Intel iGPU con OpenVINO. El software es gratuito y una mini PC Intel usada comienza alrededor de $100. No se requiere acelerador dedicado.

¿Todavía puedo comprar un Coral USB Accelerator? Solo a través de mercados de terceros a precios inflados. No se recomienda comprar usado en 2026 cuando los caminos Hailo-8L, Jetson Orin Nano e Intel iGPU cuestan lo mismo o menos.

¿Frigate soporta alternativas a Coral? Sí. Frigate 0.14 y posteriores envían detectores para OpenVINO, TensorRT, ONNX Runtime, Hailo y ROCm. El intercambio es un cambio de archivo de configuración.

¿Cuál es el mejor NPU para cámaras de seguridad en 2026? Hailo-8 para un acelerador conectado (ranura M.2, 26 TOPS) o Nvidia Jetson Orin Nano cuando toda la caja del host NVR está lista para el reemplazo. Ambos se mantienen activamente y cubren las arquitecturas de modelos modernos que Coral no lo hace.

¿Necesito reentrenar mis modelos? No. Los modelos TensorFlow Lite u ONNX existentes se pueden exportar al runtime objetivo. Algunos backends prefieren cuantización INT8, que requiere un paso de calibración pero no requiere reentrenamiento desde cero.