Jellyfin: NVIDIA-GPU für Transcodierung in Docker nutzen
Richten Sie NVENC und NVDEC in Jellyfin mit Docker Compose ein. Prüfen Sie Host, Container und echte GPU-Transcodierung mit nvidia-smi.
Was Sie einrichten
Hardware-Transcodierung von Jellyfin auf einer NVIDIA-GPU umfasst vier Schritte in fester Reihenfolge. Nur der letzte Schritt findet innerhalb von Jellyfin statt. Der Container kann keine GPU sehen, deren Treiber auf dem Host nicht geladen wurde. Jellyfin kann keine GPU verwenden, die der Container nicht sehen kann. Halten Sie diese Reihenfolge ein. Dann gibt es für jeden Fehler eine eindeutige Prüfungsstelle.
- Installieren Sie den NVIDIA-Treiber auf dem Host und bestätigen Sie die Installation mit
nvidia-smi. - Installieren Sie das NVIDIA Container Toolkit, damit Docker eine GPU an einen Container übergeben kann.
- Reservieren Sie die GPU in
docker-compose.ymlfür den Jellyfin-Dienst und bestätigen Sie anschließend, dass der Container sie sieht. - Aktivieren Sie NVENC und NVDEC in den Wiedergabeeinstellungen von Jellyfin und bestätigen Sie anschließend, dass eine tatsächliche Wiedergabe diese Funktionen verwendet.
NVENC (NVIDIA encoder) und NVDEC (NVIDIA decoder) sind fest verdrahtete Funktionsblöcke auf der Karte. Sie bestehen aus separater Hardware und sind nicht Teil der Shader-Kerne, die CUDA (compute unified device architecture) ausführen. Genau deshalb lohnt sich diese Konfiguration: Ein Stream, der bei softwarebasierter Verarbeitung mehrere CPU-Kerne auslastet, benötigt nur einen kleinen Teil eines CPU-Kerns und einen dedizierten Hardwareblock auf der GPU.
Direct Play hat Vorrang vor jedem Transcoding, prüfen Sie das zuerst
Bevor Sie dies konfigurieren, prüfen Sie, ob das Transcoding einen Grund hat, den Sie einfach beseitigen können. Jellyfin verwendet Transcoding, wenn der Client die Datei nicht unverändert wiedergeben kann. Der Grund gehört fast immer zu einer kurzen Liste: der Videocodec, der Audiocodec, das Containerformat, bildbasierte Untertitel, ein vom Client angefordertes Bitratenlimit oder eine vom Client gemeldete Auflösung beziehungsweise andere Einschränkung.
Öffnen Sie Dashboard und anschließend Playback. Beobachten Sie eine aktive Sitzung, während etwas wiedergegeben wird. Eine als Direct playing gekennzeichnete Sitzung sendet die Datei unverändert und benötigt nahezu keine CPU-Leistung. Eine als Transcoding gekennzeichnete Sitzung zeigt den Grund an, aus dem Jellyfin diese Auswahl getroffen hat. Beseitigen Sie diesen Grund, muss die GPU überhaupt nicht ausgeführt werden.
Zwei Änderungen beseitigen die meisten Transcoding-Vorgänge. Setzen Sie die Qualität der Client-App auf Auto oder auf den maximalen Wert. Wenn der Client 4 Mbps anfordert, erzwingt das eine erneute Kodierung einer Datei mit 20 Mbps, unabhängig vom enthaltenen Codec. Verwenden Sie anschließend eine native Client-App statt eines Browser-Tabs. Ein Browser ist der am stärksten eingeschränkte Player, den Sie besitzen. Eine native App auf demselben TV kann dieselbe Datei häufig per Direct Play wiedergeben.
Bildbasierte Untertitel müssen nur dann in das Video eingebrannt werden, wenn der Client sie nicht direkt darstellen kann. PGS-Untertitel aus einem Blu-ray-Rip und VOBSUB aus einem DVD-Rip sind Bilder. Kompatible Clients zeigen sie jedoch ohne erneute Videokodierung an. Der integrierte Android-Player von Jellyfin unterstützt PGS direkt. Textuntertitel im SRT-Format werden separat gesendet, wenn der Client sie unterstützt. Das Konvertieren von Untertitelspuren in Text ist sinnvoll, wenn die Untertitelkompatibilität das Einbrennen erzwingt. Der übrige Teil der serverseitigen Konfiguration wird im Leitfaden zum Betrieb eines Jellyfin-Medienservers auf einem VPS behandelt.
Die meisten VPS-Tarife haben überhaupt keine GPU
Standard-VPS-Tarife enthalten keine GPU. Führen Sie diesen Befehl auf dem Server aus, bevor Sie weitere Planungen vornehmen.
lspci -nn | grep -Ei "3d|display|vga"Auf einem typischen KVM-VPS wird ein virtueller Anzeigeadapter des Hypervisors oder nichts Brauchbares ausgegeben. Dieses Gerät kann keine Videos codieren. Eine echte GPU ist nur verfügbar, wenn der Anbieter eine physische Karte an Ihre Instanz durchreicht oder Ihnen einen Teil davon zuweist. Entsprechend teuer sind diese Tarife. Welche Workloads die Kosten für einen GPU-VPS tatsächlich rechtfertigen erläutert, für wen sich ein solcher VPS eignet und für wen nicht.
Wenn keine GPU vorhanden ist, sollten Sie Direct Play anstreben und Software-Transcoding als Ausnahme betrachten. Ein einzelner Software-Transcode von 1080p-H.264 ist anspruchsvoll, auf einigen CPU-Kernen aber noch bewältigbar. Ein 4K-HDR-Software-Transcode mit Tone Mapping kann auf einem kleinen VPS nicht in Echtzeit abgeschlossen werden. Deshalb ruckelt der Stream, während die CPU dauerhaft bei 100 Prozent ausgelastet ist.
Installieren Sie den NVIDIA-Treiber auf dem Host
Jellyfin 10.11 nennt unter Linux einen NVIDIA-Treiber ab Version 520.56.06 als Mindestanforderung. Der installierte jellyfin-ffmpeg-Build kann einen neueren Treiber erfordern. Das Transcoding-Log gibt die Mindestversion aus, wenn die NVENC-API des Treibers zu alt ist. Ubuntu stellt ein Hilfsprogramm bereit, das automatisch ein passendes Paket auswählt.
sudo ubuntu-drivers list --gpgpu
sudo ubuntu-drivers install --gpgpu
sudo reboot--gpgpu wählt die Headless-Servervariante des Treibers aus. Diese Variante ist für einen Medienserver vorgesehen, weil auf dem System keine Desktopumgebung läuft. Der Listenbefehl gibt die verfügbaren Zweige aus. Sie können einen Zweig anhand seines Namens festlegen, zum Beispiel sudo ubuntu-drivers install --gpgpu nvidia:570-server. Verwenden Sie einen Zweig, den der Befehl tatsächlich ausgegeben hat, nicht den hier angegebenen.
Die Servervariante installiert nvidia-smi nicht immer automatisch. Installieren Sie das passende Utils-Paket für den ausgewählten Zweig, zum Beispiel sudo apt install nvidia-utils-570-server. Prüfen Sie anschließend den Treiber.
nvidia-smiEin fehlerfreies Ergebnis zeigt im Kopfbereich eine Tabelle mit der Treiberversion und der CUDA-Version sowie Ihre Grafikkarte anhand ihres Namens. Die Prozessliste meldet Prozesse, die Compute-, Graphics- oder Other-GPU-Ressourcen verwenden. Auf einer funktionierenden GPU kann diese Liste Einträge enthalten. Eine leere Liste bedeutet, dass keine GPU-Prozesse gemeldet werden. Zwei Fehler treten hier häufig auf. nvidia-smi: command not found bedeutet, dass das Utils-Paket fehlt, nicht der Treiber. NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver bedeutet, dass das Kernelmodul nicht geladen ist. Bei einer frischen Installation liegt das fast immer daran, dass noch kein Reboot durchgeführt wurde oder Secure Boot das Laden eines nicht signierten Moduls verhindert. Prüfen Sie mit lsmod | grep nvidia, ob das Modul vorhanden ist. Wenn dieser Befehl nichts ausgibt und sudo modprobe nvidia mit Key was rejected by service fehlschlägt, blockiert Secure Boot das Modul. Ablehnung des Secure-Boot-Schlüssels beseitigen beschreibt, wie Sie den Firmwarestatus prüfen und anschließend einen Machine-Owner-Key registrieren oder die Erzwingung deaktivieren.
NVIDIA Container Toolkit installieren
Der Treiber ermöglicht dem Host die Nutzung der GPU. Docker reicht die GPU trotzdem noch nicht in einen Container durch, weil dem Container sowohl die Device Nodes als auch die Treiberbibliotheken fehlen. Das NVIDIA Container Toolkit stellt beides beim Start des Containers bereit. Die folgenden Befehle entsprechen den Installationsschritten von NVIDIA für Debian und Ubuntu. Die aktuelle Anleitung von NVIDIA bindet die Toolkit-Pakete außerdem über eine Versionsvariable an eine bestimmte Version. Wenn diese Bindung wie hier weggelassen wird, wird die neueste im Repository verfügbare Version installiert.
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-toolkitDie Installation des Pakets reicht nicht aus, weil Docker über die verfügbare Runtime informiert werden muss.
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart dockernvidia-ctk runtime configure schreibt einen nvidia-Runtime-Eintrag in /etc/docker/daemon.json. Der Neustart ist der Schritt, der häufig übersprungen wird. Dadurch entsteht der häufigste Fehler in dieser gesamten Konfiguration. Testen Sie die Verbindung, bevor Sie Jellyfin konfigurieren.
sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smiDamit sollte dieselbe Tabelle ausgegeben werden wie auf dem Host. Wenn stattdessen ein Fehler ausgegeben wird, dass kein Device-Treiber mit GPU-Funktionen ausgewählt werden kann, kennt der Docker-Daemon die nvidia-Runtime nicht. Führen Sie den Konfigurationsbefehl erneut aus und starten Sie den Daemon neu.
Jellyfin-Container in Docker Compose Zugriff auf die GPU geben
Dies ist die moderne Compose-Form. Sie basiert auf dem von Jellyfin veröffentlichten Beispiel und schreibt die beiden NVIDIA-Umgebungsvariablen explizit aus.
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]Starten Sie den Container und fragen Sie ihn direkt ab.
docker compose up -d
docker compose exec jellyfin nvidia-smiWenn dabei die Treibertabelle aus dem Container ausgegeben wird, funktionieren die GPU-Sichtbarkeit und die Management-Bibliothek. Die Videobibliotheken und ein tatsächlicher Transcode müssen weiterhin geprüft werden.
Vier Zeilen in dieser Datei müssen erklärt werden. capabilities: [gpu] wird von Compose selbst benötigt. Wenn es fehlt, verweigert Compose den Start des Dienstes, anstatt ihn ohne GPU zu starten. NVIDIA_DRIVER_CAPABILITIES=all ist wichtig, weil das Toolkit die Videobibliotheken nur dann in den Container einbindet, wenn die Videofähigkeit angefordert wird. Wenn die Variable nicht gesetzt ist, werden standardmäßig nur die Fähigkeiten utility und compute aktiviert. Das offizielle Jellyfin-Image setzt sie bereits. Bei diesem Image schützt die Zeile daher vor einer Überschreibung. In der Jellyfin-Dokumentation steht, dass Sie die Zeile selbst hinzufügen müssen, wenn Sie ein eigenes Image erstellen. Ohne die Videofähigkeit funktioniert CUDA, während NVDEC nicht funktioniert. Das Transcode-Log meldet dann Cannot load libnvcuvid.so.1. network_mode: host wird auch im NVIDIA-Beispiel von Jellyfin verwendet. Die Container-Anleitung von Jellyfin bezeichnet das Host-Netzwerk als optional, für DLNA jedoch als erforderlich. Wenn Sie stattdessen ein Bridge-Netzwerk verwenden, veröffentlichen Sie 8096/tcp und den UDP-Port 7359 für die automatische Erkennung selbst.
user: 1000:1000 ist der letzte Eintrag und hat nichts mit der GPU zu tun. Er legt fest, welche Dateien Jellyfin auf Ihrem Medien-Mount lesen kann. Eine Abweichung zeigt sich hier als leere Bibliothek und nicht als Berechtigungsfehler. Wie PUID und PGID einen Container-Benutzer den Dateien auf dem Datenträger zuordnen erklärt die Nummerierung. Es handelt sich um dieselbe Nummerierung, die Sie bereits festgelegt haben, wenn Sie den Sonarr- und Radarr-Stack in Docker Compose daneben betreiben.
Warum die meisten Tutorials noch runtime: nvidia schreiben
Die ältere Form erscheint in fast jedem Leitfaden, den Sie finden werden, und sie ist nicht falsch. Sie ist historisch bedingt. Das ursprüngliche nvidia-docker2-Paket registrierte eine OCI-Runtime namens nvidia, und der Pfad über Umgebungsvariablen verwendete NVIDIA_VISIBLE_DEVICES mit dieser Runtime. Ausgewählt wurde sie entweder durch --runtime=nvidia oder als Standard-Runtime von Docker. Docker 19.03 fügte das Flag --gpus und eine geeignete API für Geräteanforderungen hinzu. Compose benötigte länger für die Unterstützung. Als sie verfügbar war, wurde die Geräteanforderung unter deploy.resources.reservations.devices hinterlegt. Die meisten Benutzer hatten diesen Schlüssel ignoriert, weil deploy früher Docker Swarm bezeichnete.
Das Ergebnis ist, dass heute beide Formen funktionieren und das veröffentlichte Beispiel von Jellyfin beide gleichzeitig enthält. runtime: nvidia beizubehalten kostet nichts und sorgt dafür, dass die Datei auch mit älteren Compose-Versionen funktioniert. Wenn Sie nur runtime: nvidia beibehalten und den Block deploy entfernen, müssen Sie NVIDIA_VISIBLE_DEVICES=all beibehalten. Dieser Legacy-Pfad liest die Umgebungsvariable, um zu entscheiden, welche Geräte eingebunden werden sollen, und kann stattdessen keine Geräteanforderung auswerten.
NVIDIA-Hardware-Transcodierung in Jellyfin aktivieren
Bisher wurde Jellyfin noch nicht angewiesen, die Grafikkarte zu verwenden. Öffnen Sie Dashboard, anschließend Playback und dann Transcoding. Setzen Sie Hardware acceleration auf Nvidia NVENC. Aktivieren Sie Enable hardware encoding. Andernfalls dekodiert Jellyfin auf der GPU und kodiert anschließend auf der CPU. Das ist der verwirrende Zwischenzustand, in dem die GPU Aktivität zeigt und die CPU weiterhin stark ausgelastet wird.
Enable enhanced NVDEC decoder schaltet zwischen dem aktuellen NVDEC-Pfad und dem älteren CUVID-Pfad um. Lassen Sie diese Option aktiviert. Für die Verarbeitung von Dolby Vision muss sie aktiviert sein, damit NVDEC überhaupt verwendet wird.
Aktivieren Sie unter Enable hardware decoding for nur die Codecs, die Ihre Grafikkarte tatsächlich dekodieren kann. Diese Einstellung wird häufig falsch gesetzt. Wenn Sie AV1 auf einer Karte ohne AV1-Decoder aktivieren, kann dies Hardware-Dekodierung anfordern und mit Hardware is lacking required capabilities fehlschlagen. Eine nicht unterstützte Auswahl garantiert keinen Fallback auf Software-Dekodierung.
Für die gesamte Seite gilt außerdem eine weitere Einschränkung: Die Hardwarebeschleunigung wird nur mit dem enthaltenen jellyfin-ffmpeg-Build vollständig unterstützt. Die Dokumentation von Jellyfin weist darauf hin, dass FFmpeg-Binärdateien aus anderen Quellen zu einer nur teilweise funktionierenden Beschleunigung führen. Wenn Sie den FFmpeg-Pfad auf ein System-FFmpeg gesetzt haben, stellen Sie ihn wieder zurück.
Welche Codecs Ihre GPU-Generation dekodieren und kodieren kann
Dies sind die von Jellyfin dokumentierten Grenzen für NVENC und NVDEC. Dekodieren und Kodieren sind getrennte Fähigkeiten. Eine Karte kann die eine Fähigkeit unterstützen, ohne die andere zu unterstützen.
- H.264 8-bit: Jede NVIDIA-GPU mit NVENC und NVDEC dekodiert und kodiert diesen Codec.
- HEVC 8-bit: Dekodieren und Kodieren ab Maxwell der zweiten Generation (GM206) und neuer.
- HEVC 10-bit: Dekodieren ab Maxwell der zweiten Generation und neuer. Von dieser Generation unterstützen dies nur die GM206-Varianten. Kodieren wird erst ab Pascal und neuer unterstützt.
- AV1: Dekodieren ab Ampere und neuer, außer beim Rechenzentrum-Chip GA100. Auch NVIDIAs Decodertabelle führt Hopper ohne AV1-Dekodierung auf. Kodieren wird ab Ada Lovelace und neuer unterstützt. Jellyfin unterstützt dies ab Version 10.9.
Die Trennung bei HEVC 10-bit ist in der Praxis entscheidend. Eine Maxwell-Karte auf Basis von GM206 dekodiert Ihre 4K-HDR-Datei auf der GPU und kann keine 10-bit-Ausgabe kodieren. Sie unterstützt jedoch das Kodieren von H.264 8-bit und HEVC 8-bit. Andere Maxwell-Chips dekodieren HEVC 10-bit überhaupt nicht per Hardware. Jellyfin wählt den Ausgabe-Codec anhand der Fähigkeiten des Clients und der Kodierungseinstellungen. Der HEVC-Transkodierungspfad verwendet zwingend das 8-bit-Main-Profil. Wählen Sie AV1 als Ausgabe nur für Clients, die diesen Codec unterstützen.
Warum Tone Mapping die GPU-Auslastung unbemerkt wieder erhöht
Das Tone Mapping von HDR (High Dynamic Range) nach SDR (Standard Dynamic Range) ist die Einstellung, die Ihr GPU-Budget aufbraucht. Der Grund dafür liegt in der Architektur. Das Decoding läuft auf NVDEC. Das Encoding läuft auf NVENC. Das Tone Mapping läuft auf keinem dieser Blöcke. Es ist ein CUDA-Filter, der auf den Shader-Kernen ausgeführt wird. Diese bilden den universell einsetzbaren Teil der GPU für Rechenaufgaben. Ein 4K-HDR-Stream, der Tone Mapping benötigt, verwendet daher den Decoder und den Encoder und belastet zusätzlich die Shader.
Jellyfin dokumentiert CUDA-Tone-Mapping als auf jeder NVIDIA-GPU verfügbar, die HEVC mit 10 Bit decodieren kann. Dadurch wird die Option auch auf Karten angezeigt und aktiviert, die den Vorgang bei 4K nicht dauerhaft bewältigen können. Das typische Verhalten ist ein Stream, der startet, puffert und sich nie stabilisiert, während nvidia-smi meldet, dass der Encoder kaum ausgelastet ist.
Deshalb sollten Sie die Shader-Auslastung separat überwachen.
nvidia-smi dmon -s uDer Befehl gibt eine Zeile pro Sekunde mit separaten Spalten für sm, enc und dec aus. Niedrige Werte für enc und dec neben einem hohen sm-Wert weisen eher auf die Shader als auf die Festfunktionsblöcke hin. Daher sind Tone Mapping, Skalierung oder das fest eingebrannte Einfügen von Untertiteln wahrscheinlich die Ursache für die Last. Betrachten Sie dies als Hinweis, nicht als Beweis: NVIDIA definiert die GPU-Auslastung als den Anteil des Abtastzeitraums, in dem mindestens ein Kernel ausgeführt wurde. Ein hoher Wert zeigt daher, dass die Shader ausgelastet waren, nicht dass sie vollständig ausgelastet sind. Der CUDA-Pfad verarbeitet außerdem Dolby Vision profile 5 mit Zero-Copy. Das ist relevant, weil die Frames ohne Zero-Copy zwischen den einzelnen Filterschritten in den Systemspeicher und wieder zurück übertragen werden. Dieser Hin- und Rücktransfer verbraucht bei jedem einzelnen Frame Bandbreite.
Was die NVENC-Sitzungsgrenze für Consumer-GPUs tatsächlich begrenzt
Die Daten hinter diesem Diagramm
[
{
"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
}
]Das sind die von NVIDIA veröffentlichten Werte aus der Matrix mit Stand Oktober 2026, keine hier durchgeführten Messungen. NVIDIA begrenzt die Anzahl gleichzeitiger Encodiersitzungen über alle GeForce-Karten in einem System hinweg auf insgesamt 12, unabhängig von den verwendeten Modellen. Die Grenze ist im Treiber und nicht in der Hardware implementiert. NVIDIA hat sie im Laufe der Jahre mehrfach angehoben. Verwenden Sie daher die aktuelle Matrix und nicht einen alten Forenbeitrag. Die Anzahl der Engines ist der Wert, der sich mit der Karte tatsächlich ändert: Die GeForce RTX 5090 verfügt über 3 NVENC-Engines, während die GeForce RTX 4060 über 1 verfügt. Mehr Engines bedeuten einen höheren parallelen Encodierdurchsatz, aber keine höhere Sitzungsgrenze.
Die Grenze zählt Encodiersitzungen, einschließlich Video-Encodierungen außerhalb von Jellyfin. Direct Play und Remuxing öffnen keine Encodiersitzung. Data-Center-Karten wie die L4 werden in derselben Matrix als uneingeschränkt aufgeführt. Modelle wie die A100 und H100 verfügen jedoch über keinen NVENC-Encoder. Prüfen Sie daher die genaue Karte im GPU-VPS-Angebot.
Wenn Sie die Grenze erreichen, schlägt die Transcodierung fehl und das FFmpeg-Log enthält OpenEncodeSessionEx failed: out of memory (10). Die Meldung nennt den Speicher als Ursache. Eine Ablehnung wegen des Sitzungslimits verwendet jedoch denselben Code. Prüfen Sie daher zunächst die Anzahl gleichzeitiger Streams, bevor Sie nach einem VRAM-Leak suchen. In der Praxis stoßen die meisten Nutzer auf die Grenze des Tone-Mappings oder auf die Upload-Bandbreite, lange bevor sie zwölf Sitzungen erreichen.
GPU-Transkodierung nachweisen und der Konfiguration nicht blind vertrauen
Eine gespeicherte Einstellung ist kein Nachweis. Geben Sie eine Datei wieder, bei der Sie sicher wissen, dass sie eine Transkodierung erzwingt, und führen Sie anschließend drei Prüfungen durch.
- Öffnen Sie Dashboard und anschließend Playback. Die aktive Sitzung sollte Transcoding anzeigen und den Grund nennen. Wenn Direct playing angezeigt wird, findet keine Transkodierung statt. Sie testen dann die falsche Datei.
- Öffnen Sie Dashboard und anschließend Logs. Öffnen Sie das neueste
FFmpeg.Transcode-Log. Eine vollständige Hardware-Transkodierung zeigt-hwaccel cudaund-hwaccel_output_format cudain der Befehlszeile sowie einen NVENC-Encoder wieh264_nvencoderhevc_nvencoder den AV1-NVENC-Encoder auf Ada Lovelace und neuer. Wenn dortlibx264angezeigt wird, läuft die Kodierung unabhängig von den Angaben auf der Einstellungsseite per Software. Fehlt-hwaccel cudabei gleichzeitig vorhandenem NVENC-Encoder, läuft die Dekodierung teilweise per Software. - Führen Sie während der Wiedergabe auf dem Host
nvidia-smiaus. Ein Prozess von/usr/lib/jellyfin-ffmpeg/ffmpegsollte mit zugewiesenem GPU-Speicher erscheinen.nvidia-smi dmon -s usollte in den Spalten enc und dec Werte ungleich 0 anzeigen.
Führen Sie die dritte Prüfung auf dem Host aus, nicht innerhalb des Containers. nvidia-smi zeigt innerhalb eines Containers normalerweise eine leere Prozessliste, weil der Container die Prozess-IDs außerhalb seines eigenen Namespace nicht sehen kann. Die Auslastungswerte werden dennoch korrekt angezeigt. Eine leere Prozessliste innerhalb des Containers ist kein Fehler.
Wenn der Dienst ohne Hinweis auf Software zurückfällt
Jellyfin wählt einen Software-Encoder, wenn die Hardware-Codierung deaktiviert oder der angeforderte Hardware-Encoder nicht verfügbar ist. Ein Hardware-Pfad, der während der Wiedergabe fehlschlägt, kann den Stream trotzdem abbrechen. Lesen Sie daher das FFmpeg-Log, statt davon auszugehen, dass jeder Fehler auf Software zurückfällt.
Cannot load libnvcuvid.so.1 im Transcode-Log bedeutet, dass der Dynamic Loader die Decoder-Bibliothek nicht laden konnte. Die Meldung allein zeigt nicht, ob die Bibliothek eingebunden wurde. Prüfen Sie NVIDIA_DRIVER_CAPABILITIES=all sowie die Treiberbibliotheken und dynamischen Verknüpfungen des Containers. Wenn Sie die Umgebung ändern, erstellen Sie den Container mit docker compose up -d neu. Ein einfacher Neustart übernimmt die alten Einstellungen.
No capable devices found aus h264_nvenc bedeutet, dass FFmpeg die Encoder-Bibliothek erreicht, aber keine nutzbare Karte gefunden hat. Prüfen Sie erneut docker compose exec jellyfin nvidia-smi. Lesen Sie anschließend die vorherigen Log-Meldungen zu Fehlern bei Gerät und Encoder-Funktionen.
Eine hohe CPU-Auslastung bei geringer GPU-Auslastung ist ein Grund zu prüfen, welche Stufen Software verwenden. Deaktivieren Sie die Codecs, die Ihre Generation nicht decodieren kann. Geben Sie anschließend dieselbe Datei erneut wieder und lesen Sie das FFmpeg-Log noch einmal, um zu sehen, ob -hwaccel cuda erscheint. Falls ja und die CPU weiterhin ausgelastet ist, suchen Sie nach einer Stufe, die Jellyfin nicht auf die GPU verlagern kann, beispielsweise dem Einbrennen von Bilduntertiteln.
Wenn ein Transcode bei 4K HDR startet und anschließend hängen bleibt, während 1080p funktioniert, liegt das meist am Limit des Tone Mappings und nicht an einer fehlerhaften Installation. Beobachten Sie die Spalte sm in nvidia-smi dmon -s u. Geben Sie anschließend dieselbe Datei mit deaktiviertem Tone Mapping erneut wieder. Wenn sich der Stream stabilisiert, war das Tone Mapping das Limit. Verringern Sie dann entweder die vom Client angeforderte Auflösung oder verwenden Sie 4K-HDR-Dateien nur auf Clients, die sie per Direct Play wiedergeben können.
FAQ
Warum verwendet Jellyfin weiterhin die CPU, nachdem ich NVENC aktiviert habe?
Prüfen Sie das neueste FFmpeg.Transcode-Log unter Dashboard und anschließend Logs. Wenn dort libx264 angezeigt wird, läuft die Kodierung per Software. Wenn außerdem -hwaccel cuda fehlt, prüfen Sie den im Befehl ausgewählten Decoder und führen Sie docker compose exec jellyfin nvidia-smi aus, um die GPU-Sichtbarkeit zu bestätigen. Wenn dort neben libx264 auch -hwaccel cuda steht, fordert der Befehl GPU-Dekodierung mit Software-Kodierung an. Prüfen Sie Enable hardware encoding und ob Jellyfin den angeforderten Hardware-Encoder erkennt. Die Flags allein belegen nicht, dass die GPU-Dekodierung erfolgreich war. Wenn h264_nvenc ohne -hwaccel cuda angezeigt wird, prüfen Sie, ob der Codec der Datei unter Enable hardware decoding for aktiviert ist. Die Aktivierung eines Codecs, den Ihre Karte nicht dekodieren kann, kann einen Hardware-Decoder-Fehler statt eines Software-Fallbacks verursachen. Wenn beide Einträge vorhanden sind und die CPU weiterhin ausgelastet ist, stammt die Last aus einer Phase, die auf der CPU ausgeführt wird, beispielsweise dem Einbrennen von Untertiteln.
Benötige ich in Docker Compose weiterhin die Zeile runtime: nvidia?
Nicht, wenn Sie den deploy.resources.reservations.devices-Block und eine aktuelle Version von Docker Compose verwenden. Der Block ist die moderne Form für Geräteanforderungen und erfüllt dieselbe Aufgabe. runtime: nvidia ist der ältere Pfad aus der nvidia-docker2-Ära. Er funktioniert weiterhin, und das von Jellyfin veröffentlichte Beispiel enthält beide Varianten. Beide Varianten gemeinsam zu verwenden, ist unproblematisch. Wenn Sie nur runtime: nvidia beibehalten, müssen Sie auch NVIDIA_VISIBLE_DEVICES=all beibehalten, weil dieser Pfad keine Geräteanforderung enthält, die ausgelesen werden könnte, und die Geräteliste aus der Umgebung übernimmt.
Wie viele Streams kann eine NVIDIA-GPU gleichzeitig transkodieren?
NVIDIA begrenzt GeForce-Karten laut veröffentlichter Richtlinie auf insgesamt zwölf gleichzeitige Kodierungssitzungen pro System, Stand Oktober 2026. Rechenzentrumskarten wie die L4 werden als nicht begrenzt aufgeführt, während einige Rechenzentrumsmodelle keinen NVENC-Encoder besitzen. Diese Grenze ist nur selten der begrenzende Faktor. Die Tonzuordnung von HDR zu SDR läuft auf den Shader-Kernen und nicht auf NVENC. Dadurch entsteht eine separate Leistungsgrenze. Messen Sie Ihren eigenen Anwendungsfall mit nvidia-smi dmon -s u und beobachten Sie die Spalte sm, nicht die Anzahl der Sitzungen.
Kann ich Hardware-Transkodierung auf einem VPS ohne GPU verwenden?
Nein. Für die Kodierung ist der physische NVENC-Block erforderlich, und lspci -nn | grep -Ei "3d|display|vga" zeigt auf einem Standard-VPS nur einen virtuellen Anzeigeadapter des Hypervisors. Die realistische Lösung bei einem Tarif ohne GPU besteht darin, Transkodierungen stattdessen zu vermeiden: Setzen Sie die Qualität des Clients auf Auto, verwenden Sie eine native Client-Anwendung statt eines Browsers und nutzen Sie einen Client, der bildbasierte Untertitel direkt rendert, oder konvertieren Sie sie in Text, wenn die Untertitelkompatibilität das Einbrennen erzwingt.
Warum ruckelt 4K HDR, während 1080p problemlos transkodiert wird?
Die beiden Workloads verwenden unterschiedliche Teile der Karte. Ein 1080p-SDR-Transcode besteht hauptsächlich aus Dekodierung und Kodierung. Beides läuft auf fest verdrahteter Hardware, wenn Ihre Karte den Codec unterstützt. Hinzu kommen je nach Stream Skalierung, Deinterlacing oder das Einbrennen von Untertiteln. Ein 4K-HDR-Stream erfordert zusätzlich eine Tonzuordnung. Dabei handelt es sich um einen CUDA-Filter, der auf den Shader-Kernen ausgeführt wird. Außerdem muss ein deutlich größeres Bild skaliert werden. Wenn nvidia-smi dmon -s u niedrige Werte für enc und dec neben einem hohen sm-Wert zeigt, deutet das darauf hin. Die Festfunktionsblöcke sind dann nur gering ausgelastet, während die Shader beschäftigt sind. Spielen Sie die Datei erneut ab, nachdem Sie die Tonzuordnung deaktiviert haben. Damit lässt sich die Ursache bestätigen.