SSD Nodes Learn Hosting plans →
الأدلة Matt Connorبقلم Matt Connor

إعداد تحويل Jellyfin العتادي باستخدام NVIDIA وDocker

تعلّم إعداد NVENC وNVDEC في حاوية Jellyfin عبر Docker Compose، ثم تحقّق فعلياً من استخدام وحدة معالجة الرسومات باستخدام الأمر nvidia-smi.

ما الذي ستبنيه

يتكوّن إعداد تحويل الفيديو العتادي في Jellyfin باستخدام وحدة معالجة رسومات NVIDIA من 4 خطوات بترتيب ثابت، ولا تُنفَّذ الخطوة الأخيرة إلا داخل Jellyfin. لا يمكن للحاوية رؤية وحدة معالجة رسومات لم يحمّل برنامج تشغيل المضيف لها. ولا يمكن لـJellyfin استخدام وحدة معالجة رسومات لا تراها الحاوية. نفّذ الخطوات بهذا الترتيب، وستعرف بوضوح أين تبحث عند حدوث أي عطل.

  1. ثبّت برنامج تشغيل NVIDIA على المضيف، ثم تحقّق منه باستخدام nvidia-smi.
  2. ثبّت NVIDIA Container Toolkit حتى يتمكّن Docker من إتاحة وحدة معالجة رسومات للحاوية.
  3. احجز وحدة معالجة الرسومات لخدمة Jellyfin في docker-compose.yml، ثم تحقّق من أن الحاوية تراها.
  4. فعّل NVENC وNVDEC في إعدادات التشغيل الخاصة بـJellyfin، ثم تحقّق من أن تشغيل فيديو فعلياً يستخدمهما.

NVENC (مشفّر NVIDIA) وNVDEC (مفكّك تشفير NVIDIA) هما وحدتا وظائف ثابتة على البطاقة. وهما منفصلتان عن نوى التظليل التي تنفّذ أعمال CUDA (بنية الأجهزة الموحدة للحوسبة). وهذا الفصل هو السبب الأساسي لتنفيذ ذلك: فالبث الذي يستهلك عدة أنوية من المعالج عند معالجته برمجياً يستهلك جزءاً صغيراً من نواة واحدة، إضافة إلى وحدة عتادية مخصصة على وحدة معالجة الرسومات.

التشغيل المباشر يتفوق على كل عمليات التحويل، لذا تحقّق منه أولاً

قبل إعداد أي من ذلك، تحقّق مما إذا كنت تجري عملية تحويل لسبب يمكنك إزالته ببساطة. يجري Jellyfin التحويل عندما يتعذر على العميل تشغيل الملف بصيغته الحالية. والسبب يكون دائماً تقريباً واحداً من قائمة قصيرة: برنامج ترميز الفيديو، أو برنامج ترميز الصوت، أو تنسيق الحاوية، أو الترجمات المستندة إلى الصور، أو حد معدل البت الذي طلبه العميل، أو الدقة أو قيد آخر أبلغ به العميل.

افتح Dashboard، ثم Playback، وراقب جلسة نشطة أثناء تشغيل شيء ما. ترسل الجلسة التي تحمل الحالة Direct playing الملف من دون تغيير، ولا تستهلك تقريباً أي CPU. أما الجلسة التي تحمل الحالة Transcoding فتُظهر سبب اختيار Jellyfin للتحويل. أزل هذا السبب، ولن تحتاج GPU إلى العمل إطلاقاً.

تزيل تغييران معظم عمليات التحويل. اضبط جودة تطبيق العميل على Auto أو على الحد الأقصى، لأن طلب العميل 4 Mbps يفرض إعادة ترميز ملف بمعدل 20 Mbps، بصرف النظر عن برنامج الترميز الذي يستخدمه. ثم استخدم تطبيق عميل أصلياً بدلاً من علامة تبويب في المتصفح، لأن المتصفح هو المشغّل الأكثر تقييداً لديك، بينما يشغّل التطبيق الأصلي على التلفاز نفسه الملف ذاته غالباً بتشغيل مباشر.

لا تحتاج الترجمات المستندة إلى الصور إلى دمجها في الفيديو إلا عندما يتعذر على العميل عرضها مباشرة. ترجمات PGS المستخرجة من قرص Blu-ray وترجمات VOBSUB المستخرجة من قرص DVD هي صور، لكن العملاء المتوافقين يعرضونها من دون إعادة ترميز الفيديو؛ ويدعم مشغّل Android المدمج في Jellyfin ترجمات PGS مباشرة. تُرسل الترجمات النصية بتنسيق SRT بشكل منفصل عندما يدعمها العميل. ويكون تحويل مسارات الترجمة إلى نص مفيداً عندما تفرض مشكلة توافق الترجمات دمجها في الفيديو. يغطّي الدليل الخاص بتشغيل خادم وسائط Jellyfin على VPS بقية إعدادات جانب الخادم.

لا تتضمن معظم خطط VPS أي GPU على الإطلاق

لا تتضمن خطط VPS القياسية أي GPU. نفّذ هذا الأمر على الخادم قبل التخطيط لأي شيء آخر.

lspci -nn | grep -Ei "3d|display|vga"

في VPS نموذجي يعمل عبر KVM، يعرض هذا الأمر محول عرض افتراضياً من برنامج hypervisor، أو لا يعرض شيئاً مفيداً. لا يستطيع هذا الجهاز ترميز الفيديو. لا يظهر GPU حقيقي إلا عندما يمرّر المزوّد بطاقة فعلية إلى مثيلك أو يمنحك جزءاً منها، وتكون أسعار هذه الخطط أعلى وفقاً لذلك. يوضّح ما أعباء العمل التي تبرر فعلياً دفع تكلفة VPS مزود بـ GPU من يحتاج إلى ذلك ومن لا يحتاج إليه.

إذا لم يتوفر GPU، فاستهدف التشغيل المباشر واجعل تحويل الترميز بالبرمجيات حالة نادرة. يكون تحويل ترميز برمجي واحد بدقة 1080p وبترميز H.264 حملاً ثقيلاً، لكنه يظل ممكناً على بضع أنوية من CPU. أما تحويل ترميز برمجي بدقة 4K HDR مع tone mapping، فلا يستطيع VPS صغير إتمامه في الوقت الفعلي، ولذلك يتقطع البث بينما يظل استخدام CPU عند 100 percent.

ثبّت برنامج تشغيل NVIDIA على المضيف

تذكر وثائق Jellyfin 10.11 أن الحد الأدنى لإصدار برنامج تشغيل NVIDIA على Linux هو 520.56.06. قد يتطلب بناء jellyfin-ffmpeg المثبّت إصداراً أحدث من برنامج التشغيل؛ إذ يعرض سجل تحويل الترميز الحد الأدنى المطلوب عندما تكون واجهة NVENC API في برنامج التشغيل قديمة جداً. يوفّر Ubuntu أداة مساعدة تختار الحزمة المتوافقة نيابةً عنك.

sudo ubuntu-drivers list --gpgpu
sudo ubuntu-drivers install --gpgpu
sudo reboot

يختار --gpgpu إصدار الخادم دون واجهة رسومية من برنامج التشغيل. وهذا هو الإصدار المناسب لخادم الوسائط، لأن الخادم لا يحتوي على سطح مكتب. يعرض الأمر list الفروع المتاحة لك، ويمكنك تثبيت فرع محدد بالاسم، مثل sudo ubuntu-drivers install --gpgpu nvidia:570-server. استخدم فرعاً ظهر فعلياً في القائمة، وليس الفرع المكتوب هنا.

لا يثبّت إصدار الخادم دائماً الحزمة nvidia-smi تلقائياً. ثبّت حزمة utils المطابقة للفرع الذي اخترته، مثل sudo apt install nvidia-utils-570-server. ثم تحقّق من برنامج التشغيل.

nvidia-smi

تعرض النتيجة السليمة جدولاً يحتوي في رأسه على إصدار برنامج التشغيل وإصدار CUDA، وتعرض بطاقتك باسمها. تعرض قائمة العمليات العمليات التي تستخدم موارد Compute أو Graphics أو Other في GPU. قد تحتوي هذه القائمة على عمليات في GPU سليم، بينما يعني فراغها عدم الإبلاغ عن أي عمليات تستخدم GPU. تحدث مشكلتان شائعتان هنا. يعني nvidia-smi: command not found أن حزمة utils مفقودة، وليس أن برنامج التشغيل مفقود. يعني NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver أن وحدة kernel غير محمّلة. وفي التثبيت الجديد، يعني ذلك غالباً أنك لم تُعد تشغيل الخادم بعد، أو أن Secure Boot يرفض تحميل وحدة غير موقّعة. تأكد من وجود الوحدة باستخدام lsmod | grep nvidia. إذا لم يطبع ذلك شيئاً وفشل sudo modprobe nvidia مع Key was rejected by service، فإن Secure Boot يحظر الوحدة. يوضّح إزالة رفض مفتاح Secure Boot كيفية التحقق من حالة البرنامج الثابت، ثم تسجيل machine owner key أو تعطيل فرض التحقق.

تثبيت NVIDIA Container Toolkit

يتيح برنامج التشغيل للمضيف استخدام GPU. لكن Docker لن يمرّره إلى الحاوية بعد، لأن الحاوية لا تحتوي على عقد الجهاز ولا على مكتبات برنامج التشغيل. يتولى NVIDIA Container Toolkit حقن الاثنين عند بدء الحاوية. تتبع هذه الأوامر خطوات التثبيت الرسمية من NVIDIA لنظامي Debian وUbuntu. يثبّت الدليل الحالي من NVIDIA حزم toolkit أيضاً على إصدار واحد باستخدام متغير إصدار؛ أما ترك التثبيت دون هذا القيد، كما هنا، فيثبّت أحدث إصدار متاح في المستودع.

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

لا يكفي تثبيت الحزمة، لأنك يجب أن تعرّف Docker بوجود runtime.

sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

يكتب nvidia-ctk runtime configure إدخال runtime من نوع nvidia داخل /etc/docker/daemon.json. إعادة التشغيل هي الخطوة التي يتجاوزها المستخدمون غالباً، وتجاوزها يسبب الخطأ الأكثر شيوعاً في هذا الإعداد. اختبر آلية التشغيل قبل أن تلمس Jellyfin.

sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smi

من المفترض أن يطبع ذلك الجدول نفسه الذي طبعه المضيف. إذا فشل بدلاً من ذلك مع خطأ يفيد بتعذر تحديد device driver ذي إمكانات gpu، فهذا يعني أن Docker daemon لا يعرف nvidia runtime. لذلك شغّل أمر الإعداد مرة أخرى، ثم أعد تشغيل daemon.

امنح حاوية Jellyfin الوصول إلى GPU في Docker Compose

هذه هي صيغة Compose الحديثة. وهي مبنية على المثال الذي تنشره Jellyfin، وتكتب متغيرَي بيئة NVIDIA صراحةً.

services:
  jellyfin:
    image: jellyfin/jellyfin
    container_name: jellyfin
    user: 1000:1000
    network_mode: host
    restart: unless-stopped
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
      - NVIDIA_DRIVER_CAPABILITIES=all
    volumes:
      - /srv/jellyfin/config:/config
      - /srv/jellyfin/cache:/cache
      - /srv/media:/media:ro
    runtime: nvidia
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

شغّلها واطلب من الحاوية مباشرةً.

docker compose up -d
docker compose exec jellyfin nvidia-smi

إذا عرض ذلك جدول برنامج التشغيل من داخل الحاوية، فهذا يعني أن GPU مرئي وأن مكتبة الإدارة تعمل. لكن ما زال عليك التحقق من مكتبات الفيديو ومن عملية تحويل ترميز فعلية.

تحتاج أربعة أسطر في هذا الملف إلى توضيح. capabilities: [gpu] مطلوب من Compose نفسه، وحذفه يجعل Compose يرفض الخدمة بدلاً من تشغيلها دون GPU. NVIDIA_DRIVER_CAPABILITIES=all مهم لأن مجموعة الأدوات لا توصل مكتبات الفيديو إلى الحاوية إلا عند طلب capability الخاصة بالفيديو، وعندما يكون المتغير غير مضبوط فإنه يستخدم utility وcompute فقط افتراضياً. تحدد صورة Jellyfin الرسمية هذا المتغير مسبقاً، لذلك يكون السطر في تلك الصورة إجراءً احتياطياً ضد أي إعداد يتجاوزه؛ وتوضح وثائق Jellyfin أنه يجب إضافته بنفسك إذا أنشأت صورتك الخاصة. من دون capability الخاصة بالفيديو، تعمل CUDA بينما لا يعمل NVDEC، ويسجل سجل تحويل الترميز Cannot load libnvcuvid.so.1. network_mode: host هو ما يستخدمه مثال NVIDIA الخاص بـJellyfin. يذكر دليل حاوية Jellyfin أن استخدام شبكة المضيف اختياري، لكنه مطلوب لـDLNA. وإذا استخدمت شبكة bridge بدلاً من ذلك، فعليك نشر 8096/tcp ومنفذ الاكتشاف التلقائي 7359/udp بنفسك.

user: 1000:1000 هو الأخير، ولا علاقة له بـGPU. فهو يحدد الملفات التي يمكن لـJellyfin قراءتها من mount الوسائط، ويظهر عدم التطابق هنا في صورة مكتبة فارغة بدلاً من خطأ في الصلاحيات. يشرح كيفية ربط PUID وPGID بمستخدم الحاوية والملفات على القرص ترقيم المستخدم والمجموعة، وهو الترقيم نفسه الذي عيّنته مسبقاً إذا كنت تشغّل حزمة Sonarr وRadarr في Docker Compose إلى جانب هذه الحاوية.

لماذا لا تزال معظم الأدلة تكتب runtime: nvidia

يظهر الشكل الأقدم في كل دليل تقريباً ستجده، وهو ليس خاطئاً. إنّه جزء من التاريخ. سجّلت الحزمة الأصلية nvidia-docker2 وقت تشغيل OCI باسم nvidia، وكان المسار القائم على متغيرات البيئة يستخدم NVIDIA_VISIBLE_DEVICES مع وقت التشغيل هذا، سواء عبر اختياره باستخدام --runtime=nvidia أو باعتباره وقت التشغيل الافتراضي لـDocker. أضاف Docker 19.03 الخيار --gpus وواجهة API سليمة لطلبات الأجهزة. استغرق Compose وقتاً أطول للحاق بذلك، وعندما فعل، أُضيف طلب الجهاز تحت deploy.resources.reservations.devices، وهو مفتاح تعلّم معظم الناس تجاهله لأن deploy كان يعني Docker Swarm.

نتيجة ذلك هي أن الشكلين يعملان اليوم، وأن المثال المنشور لـJellyfin يتضمنهما معاً. لا يكلّف الاحتفاظ بـruntime: nvidia شيئاً، ويجعل الملف يعمل مع إصدارات Compose الأقدم. إذا احتفظت بـruntime: nvidia فقط وحذفت كتلة deploy، فيجب أن تحتفظ بـNVIDIA_VISIBLE_DEVICES=all، لأن هذا المسار القديم يقرأ متغير البيئة ليقرر الأجهزة التي يجب إدراجها، ولا يملك طلب جهاز آخر يقرأه بدلاً من ذلك.

فعِّل التحويل بالترميز العتادي من NVIDIA داخل Jellyfin

لم تُخبر Jellyfin حتى الآن باستخدام البطاقة. انتقل إلى Dashboard، ثم Playback، ثم Transcoding. اضبط Hardware acceleration على Nvidia NVENC. حدّد Enable hardware encoding، وإلا فستفك Jellyfin الترميز على GPU ثم تجري الترميز على CPU، فتدخل في حالة مربكة يظهر فيها نشاط على GPU بينما تظل CPU تعمل بكثافة.

يبدّل Enable enhanced NVDEC decoder بين مسار NVDEC الحالي ومسار CUVID الأقدم. اتركه مفعّلاً. تحتاج معالجة Dolby Vision إلى تفعيله حتى تستخدم NVDEC أصلاً.

ضمن Enable hardware decoding for، حدّد برامج الترميز التي تستطيع بطاقتك فك ترميزها فعلياً فقط. هذا هو الإعداد الذي يخطئ فيه المستخدمون كثيراً. قد يؤدي تحديد AV1 على بطاقة لا تحتوي على وحدة فك ترميز AV1 إلى طلب فك الترميز عتادياً والفشل مع Hardware is lacking required capabilities. ولا يضمن اختيار غير مدعوم الرجوع إلى فك الترميز البرمجي.

ينطبق قيد آخر على الصفحة بأكملها: لا يكون تسريع العتاد مدعوماً بالكامل إلا مع البنية المضمّنة jellyfin-ffmpeg. تحذّر وثائق Jellyfin من أن ملفات FFmpeg الثنائية القادمة من أي مصدر آخر تؤدي إلى تسريع جزئي، لذلك إذا وجّهت مسار FFmpeg إلى FFmpeg النظام، فأعده إلى المسار السابق.

برامج الترميز التي يمكن لجيل وحدة GPU لديك فك ترميزها وترميزها

هذه هي الحدود التي توثّقها Jellyfin لـ NVENC وNVDEC. فك الترميز والترميز قدرتان منفصلتان، وقد تتوفر إحداهما في البطاقة دون الأخرى.

  • H.264 8-bit: كل وحدة GPU من NVIDIA تتوفر فيها NVENC وNVDEC تفك ترميزه وترمّزه.
  • HEVC 8-bit: فك الترميز والترميز متاحان بدءاً من Maxwell من الجيل الثاني (GM206) والإصدارات الأحدث.
  • HEVC 10-bit: فك الترميز متاح بدءاً من Maxwell من الجيل الثاني والإصدارات الأحدث، مع اقتصاره في ذلك الجيل على المتغيرات GM206، بينما لا يتوفر الترميز إلا بدءاً من Pascal والإصدارات الأحدث.
  • AV1: فك الترميز متاح بدءاً من Ampere والإصدارات الأحدث، باستثناء شريحة مراكز البيانات GA100 (كما يسرد جدول وحدات فك الترميز من NVIDIA أيضاً Hopper من دون دعم فك ترميز AV1)، بينما يتوفر الترميز بدءاً من Ada Lovelace والإصدارات الأحدث، وتدعمه Jellyfin بدءاً من 10.9.

يظهر الفرق في HEVC 10-bit بوضوح في الاستخدام العملي. تفك بطاقة Maxwell المبنية على GM206 ترميز ملف 4K HDR لديك باستخدام GPU، ولا يمكنها ترميز خرج 10-bit، لكنها تدعم ترميز H.264 8-bit وHEVC 8-bit. أما شرائح Maxwell الأخرى فلا تفك ترميز HEVC 10-bit عتادياً على الإطلاق. تختار Jellyfin برنامج ترميز الخرج استناداً إلى قدرات العميل وإعدادات الترميز؛ ويفرض مسار تحويل HEVC في Jellyfin استخدام ملف التعريف Main بدقة 8-bit. اختر خرج AV1 للعملاء الذين يدعمونه فقط.

لماذا تعيد مطابقة النغمات تشبيع وحدة GPU بهدوء

مطابقة النغمات من HDR (النطاق الديناميكي العالي) إلى SDR (النطاق الديناميكي القياسي) هي الإعداد الذي يستنزف موارد GPU المتاحة، والسبب معماري. يجري فك الترميز على NVDEC. ويجري الترميز على NVENC. أما مطابقة النغمات فلا تجري على أي منهما؛ فهي مرشح CUDA يُنفَّذ على أنوية التظليل، وهي الجزء العام الغرض من GPU الذي ينفذ أعمال الحوسبة. لذلك، يستخدم تدفق 4K HDR الذي يحتاج إلى مطابقة النغمات وحدة فك الترميز ووحدة الترميز، كما يحمّل أنوية التظليل فوق ذلك.

يوثّق Jellyfin أن مطابقة النغمات عبر CUDA متاحة على كل وحدة GPU من NVIDIA تستطيع فك ترميز HEVC ‏10-bit. وهذا يعني أن مربع الاختيار يظهر ويعمل على بطاقات لا تستطيع تشغيلها باستمرار عند 4K. يتمثل العَرَض في بدء التدفق ثم توقّفه للتخزين المؤقت وعدم استقراره، بينما يعرض nvidia-smi أن وحدة الترميز مشغولة بالكاد.

لذلك تجدر مراقبة تحميل أنوية التظليل بشكل منفصل.

nvidia-smi dmon -s u

يطبع ذلك سطراً واحداً كل ثانية، مع أعمدة منفصلة لـ sm وenc وdec. يشير انخفاض enc وdec بجوار قيمة sm مرتفعة إلى أن الحمل يقع على أنوية التظليل وليس على الوحدات ذات الوظائف الثابتة. لذلك تكون مطابقة النغمات أو تغيير الحجم أو دمج الترجمة في الفيديو هي التكلفة المحتملة. تعامل مع ذلك كمؤشر لا كدليل قاطع؛ إذ تعرّف NVIDIA استخدام GPU بأنه نسبة فترة العينة التي كان خلالها kernel واحد على الأقل قيد التنفيذ. لذلك تعني القراءة المرتفعة أن أنوية التظليل كانت مشغولة، ولا تعني أنها وصلت إلى أقصى طاقتها. كما يتعامل مسار CUDA مع Dolby Vision profile 5 باستخدام zero copy، وهذا مهم لأن الإطارات، من دون zero copy، تنتقل إلى ذاكرة النظام ثم تعود منها بين خطوات المرشح، وتستهلك هذه الرحلة ذهاباً وإياباً عرض النطاق الترددي مع كل إطار.

ما الذي يحدّه فعلياً سقف جلسات NVENC للمستهلكين

رسم بيانيNVENC engines and concurrent encode session cap, NVIDIA published support matrix, October 2026
البيانات وراء هذا الرسم البياني
[
  {
    "label": "GeForce RTX 5090",
    "nvenc_engines": 3,
    "max_encode_sessions": 12
  },
  {
    "label": "GeForce RTX 4090",
    "nvenc_engines": 2,
    "max_encode_sessions": 12
  },
  {
    "label": "GeForce RTX 4060",
    "nvenc_engines": 1,
    "max_encode_sessions": 12
  }
]

هذه أرقام المصفوفة المنشورة من NVIDIA حتى October 2026، وليست قياسات أُجريت هنا. تفرض سياسة NVIDIA سقفاً على جلسات الترميز المتزامنة عبر جميع بطاقات GeForce في النظام الواحد، بحد إجمالي قدره 12، بغض النظر عن الطرازات المستخدمة. يوجد هذا السقف في برنامج التشغيل، وليس في العتاد، وقد رفعته NVIDIA أكثر من مرة على مر السنين؛ لذلك راجع المصفوفة الحالية بدلاً من الاعتماد على موضوع قديم في أحد المنتديات. عدد المحركات هو العامل الذي يتغير فعلاً باختلاف البطاقة: تحتوي GeForce RTX 5090 على 3 من محركات NVENC، بينما تحتوي GeForce RTX 4060 على 1. يعني ازدياد عدد المحركات زيادة معدل الترميز المتوازي، وليس ارتفاع الحد الأقصى للجلسات.

يحسب السقف جلسات الترميز، بما في ذلك عمليات ترميز الفيديو خارج Jellyfin. لا يؤدي Direct Play أو remuxing إلى فتح جلسة ترميز. تُدرج بطاقات مراكز البيانات مثل L4 على أنها غير مقيّدة في المصفوفة نفسها، لكن طرازات مثل A100 وH100 لا تحتوي على مُرمّز NVENC؛ لذلك تحقق من البطاقة المحددة في خطة GPU VPS.

عند بلوغ السقف، تفشل عملية التحويل، ويتضمن سجل FFmpeg الرمز OpenEncodeSessionEx failed: out of memory (10). تشير الرسالة إلى الذاكرة، لكن رفض الجلسة بسبب بلوغ الحد يعرض الرمز نفسه؛ لذلك تحقق من عدد التدفقات المتزامنة قبل البحث عن تسرّب في VRAM. عملياً، يواجه معظم المستخدمين سقف tone mapping أو حد النطاق الترددي للرفع قبل الوصول إلى الجلسة الثانية عشرة بوقت طويل.

أثبت أن وحدة GPU تنفّذ التحويل، ولا تعتمد على الإعدادات

الإعداد المحفوظ ليس دليلاً. شغّل ملفاً تعرف أنه يفرض التحويل، ثم نفّذ ثلاثة فحوصات.

  1. افتح Dashboard، ثم Playback. يجب أن تقول الجلسة النشطة Transcoding، وأن تذكر السبب. إذا كانت تقول Direct playing، فلا يُنفَّذ أي تحويل، وأنت تختبر الملف الخطأ.
  2. افتح Dashboard، ثم Logs، وافتح أحدث سجل FFmpeg.Transcode. يُظهر التحويل الكامل باستخدام العتاد -hwaccel cuda و-hwaccel_output_format cuda في سطر الأوامر، مع مُرمّز NVENC مثل h264_nvenc أو hevc_nvenc، أو مُرمّز AV1 NVENC على Ada Lovelace والإصدارات الأحدث. ظهور libx264 هناك يعني أن الترميز يُنفَّذ برمجياً، مهما كانت صفحة الإعدادات تدّعي. وغياب -hwaccel cuda مع وجود مُرمّز NVENC يعني أن فك الترميز هو الجزء الذي يُنفَّذ برمجياً.
  3. نفّذ nvidia-smi على المضيف أثناء استمرار التشغيل. يجب أن تظهر عملية من /usr/lib/jellyfin-ffmpeg/ffmpeg مع تخصيص ذاكرة GPU، ويجب أن تعرض nvidia-smi dmon -s u قيماً غير صفرية في عمودي enc وdec.

نفّذ الفحص الثالث على المضيف، وليس داخل الحاوية. يعرض nvidia-smi داخل الحاوية عادةً قائمة عمليات فارغة، لأنه لا يستطيع رؤية معرّفات العمليات خارج مساحة الأسماء الخاصة به، بينما تظل أرقام الاستخدام معروضة بشكل صحيح. قائمة العمليات الفارغة داخل الحاوية ليست عطلاً.

عندما ينتقل إلى المعالجة البرمجية من دون إبلاغك

يختار Jellyfin برنامج ترميز برمجياً عندما تكون عملية الترميز العتادي معطّلة أو عندما لا يتوفر برنامج الترميز العتادي المطلوب. وقد يؤدي فشل المسار العتادي أثناء التشغيل إلى استمرار فشل البث، لذلك اقرأ سجل FFmpeg بدلاً من افتراض أن كل فشل ينتقل إلى المعالجة البرمجية.

يعني Cannot load libnvcuvid.so.1 في سجل التحويل أن المُحمِّل الديناميكي فشل في تحميل مكتبة فك الترميز. لا تثبت الرسالة وحدها ما إذا كانت المكتبة قد أُجريت لها عملية mount. افحص NVIDIA_DRIVER_CAPABILITIES=all ومكتبات برامج تشغيل الحاوية والروابط الديناميكية. إذا غيّرت البيئة، فأعد إنشاء الحاوية باستخدام docker compose up -d؛ إذ يحافظ restart العادي على الإعدادات القديمة.

يعني No capable devices found الصادر من h264_nvenc أن FFmpeg وصل إلى مكتبة الترميز، لكنه لم يجد بطاقة قابلة للاستخدام. افحص docker compose exec jellyfin nvidia-smi مرة أخرى، ثم اقرأ رسائل السجل السابقة للبحث عن حالات فشل الجهاز وقدرات برنامج الترميز.

يُعد ارتفاع استهلاك CPU مع انخفاض نشاط GPU سبباً للتحقق من المراحل التي تستخدم المعالجة البرمجية. أزل تحديد برامج الترميز التي لا يستطيع جهازك فك ترميزها، ثم أعد تشغيل الملف نفسه واقرأ سجل FFmpeg مرة أخرى لترى ما إذا كان -hwaccel cuda يظهر. إذا ظهر وما زال CPU مشغولاً، فابحث عن مرحلة لا يستطيع Jellyfin نقلها إلى GPU، مثل حرق الترجمة النصية للصورة.

عادةً ما يكون توقّف التحويل بعد بدئه أثناء تشغيل 4K HDR، مع عمل 1080p بشكل سليم، ناتجاً عن الحد الأقصى لمعالجة مطابقة النغمات، وليس عن خلل في التثبيت. راقب العمود sm في nvidia-smi dmon -s u، ثم أعد تشغيل الملف نفسه بعد تعطيل مطابقة النغمات: إذا استقر البث، فكانت مطابقة النغمات هي العامل المقيِّد. بعد ذلك، خفّض الدقة التي يطلبها العميل أو احتفظ بملفات 4K HDR على العملاء القادرين على تشغيلها مباشرة.

FAQ

لماذا يظل Jellyfin يستخدم CPU بعد تفعيل NVENC؟

تحقق من أحدث سجل FFmpeg.Transcode ضمن Dashboard، ثم Logs. إذا ظهر فيه libx264، فهذا يعني أن الترميز يعمل برمجياً. وإذا كان -hwaccel cuda مفقوداً أيضاً، فتحقق من وحدة فك الترميز المحددة في الأمر، وشغّل docker compose exec jellyfin nvidia-smi للتأكد من أن GPU مرئي. إذا ظهر -hwaccel cuda بجانب libx264، فالأمر يطلب فك الترميز باستخدام GPU مع الترميز البرمجي؛ فتحقق من تفعيل Enable hardware encoding ومن أن Jellyfin يتعرف على وحدة ترميز الأجهزة المطلوبة. لا تثبت flags وحدها نجاح فك الترميز باستخدام GPU. إذا ظهر h264_nvenc من دون -hwaccel cuda، فتحقق من تحديد codec الملف ضمن Enable hardware decoding for. قد يؤدي تحديد codec لا تستطيع بطاقتك فك ترميزه إلى خطأ في وحدة فك ترميز الأجهزة بدلاً من الرجوع إلى البرمجيات. إذا كان العنصران موجودين وما زال CPU مشغولاً، فالحمل ناتج عن مرحلة تستمر على CPU، مثل دمج الترجمة داخل الفيديو.

هل ما زلت أحتاج إلى السطر runtime: nvidia في Docker Compose؟

لا، إذا كان لديك block deploy.resources.reservations.devices وإصدار حديث من Docker Compose. هذا block هو الصيغة الحديثة لطلب الأجهزة ويؤدي المهمة نفسها. runtime: nvidia هو المسار الأقدم من عصر nvidia-docker2، وما زال يعمل، كما أن المثال المنشور من Jellyfin يحتفظ بالاثنين. لا يسبب الاحتفاظ بالاثنين مشكلة. أما الاحتفاظ بـruntime: nvidia فقط، فيعني أنه يجب عليك الاحتفاظ أيضاً بـNVIDIA_VISIBLE_DEVICES=all، لأن هذا المسار لا يتضمن طلباً للأجهزة ليستخلص منه القائمة، بل يأخذ قائمة الأجهزة من البيئة.

كم عدد التدفقات التي يمكن لـNVIDIA GPU واحد تحويل ترميزها في الوقت نفسه؟

تحدّد السياسة المنشورة من NVIDIA بطاقات GeForce بحد أقصى قدره اثنتا عشرة جلسة ترميز متزامنة مجتمعة لكل نظام، اعتباراً من October 2026؛ وتظهر بطاقات مراكز البيانات مثل L4 على أنها غير مقيّدة، بينما لا تحتوي بعض طرز مراكز البيانات على وحدة ترميز NVENC. نادراً ما يكون هذا الحد هو ما يوقفك. يعمل تحويل HDR إلى SDR على shader cores بدلاً من NVENC، ولذلك يضيف حداً منفصلاً للأداء. قِس حالتك الخاصة باستخدام nvidia-smi dmon -s u وراقب عمود sm، لا عدد الجلسات.

هل يمكنني استخدام تحويل الترميز بالأجهزة على VPS لا يحتوي على GPU؟

لا. يحتاج الترميز إلى كتلة NVENC الفعلية، ويعرض lspci -nn | grep -Ei "3d|display|vga" على VPS قياسي فقط محول عرض افتراضياً من hypervisor. الحل العملي في خطة لا تحتوي على GPU هو إزالة عمليات تحويل الترميز بدلاً من ذلك: ارفع إعداد جودة العميل إلى Auto، واستخدم تطبيق عميل أصلياً بدلاً من المتصفح، واستخدم عميلاً يعرض ترجماتك المعتمدة على الصور مباشرة، أو حوّلها إلى نص عندما تفرض توافقية الترجمة دمجها داخل الفيديو.

لماذا يتقطّع تشغيل 4K HDR بينما يعمل تحويل ترميز 1080p بسلاسة؟

يستخدم الحملان أجزاء مختلفة من البطاقة. يعتمد تحويل ترميز 1080p SDR غالباً على فك الترميز والترميز، وكلاهما يعمل على عتاد ذي وظيفة ثابتة عندما تدعم بطاقتك codec، إضافة إلى أي تحجيم أو إزالة تشابك أو دمج للترجمة يحتاج إليه التدفق. يضيف تدفق 4K HDR تحويل النطاق اللوني، وهو filter لـCUDA يعمل على shader cores، إضافة إلى إطار أكبر بكثير لتحجيمه. يشير ظهور nvidia-smi dmon -s u بقيمتي enc وdec منخفضتين بجانب sm مرتفع إلى ذلك، لأن الكتل ذات الوظيفة الثابتة محمّلة بشكل خفيف بينما shader cores مشغولة. يحسم إعادة تشغيل الملف مع إيقاف تحويل النطاق اللوني الأمر.

هل كان هذا المقال مفيدًا؟