SSD Nodes Learn Hosting plans →
Guides Matt ConnorPar Matt Connor

Jellyfin : activer le transcodage NVIDIA dans Docker

Configurez Docker Compose pour NVENC et NVDEC dans Jellyfin, puis vérifiez avec nvidia-smi que le GPU transcode réellement les flux vidéo.

Ce que vous allez mettre en place

Le transcodage matériel de Jellyfin sur un GPU NVIDIA se déroule en quatre étapes, dans un ordre fixe. Seule la dernière étape s’effectue dans Jellyfin. Le conteneur ne peut pas voir un GPU dont le pilote n’est pas chargé sur l’hôte. Jellyfin ne peut pas utiliser un GPU que le conteneur ne voit pas. Respectez cet ordre : chaque échec aura ainsi un emplacement évident à vérifier.

  1. Installez le pilote NVIDIA sur l’hôte, puis vérifiez-le avec nvidia-smi.
  2. Installez NVIDIA Container Toolkit afin que Docker puisse attribuer un GPU à un conteneur.
  3. Réservez le GPU pour le service Jellyfin dans docker-compose.yml, puis vérifiez que le conteneur le voit.
  4. Activez NVENC et NVDEC dans les paramètres de lecture de Jellyfin, puis vérifiez qu’une lecture réelle les utilise.

NVENC (encodeur NVIDIA) et NVDEC (décodeur NVIDIA) sont des blocs à fonction fixe intégrés à la carte. Ils utilisent un circuit distinct des cœurs de shaders qui exécutent les tâches CUDA (compute unified device architecture). C’est la raison principale de cette configuration : un flux qui mobilise plusieurs cœurs CPU en logiciel ne consomme plus qu’une petite partie d’un cœur et un bloc matériel dédié du GPU.

La lecture directe est préférable à tout transcodage : vérifiez donc ce point en premier

Avant de configurer quoi que ce soit, déterminez si vous transcodez pour une raison que vous pouvez simplement supprimer. Jellyfin transcode lorsque le client ne peut pas lire le fichier tel quel. La cause appartient presque toujours à une courte liste : le codec vidéo, le codec audio, le format du conteneur, les sous-titres sous forme d’image, une limite de débit demandée par le client, ou une résolution ou autre contrainte signalée par le client.

Ouvrez Dashboard, puis Playback, et surveillez une session active pendant la lecture d’un fichier. Une session indiquant Direct playing envoie le fichier sans modification et consomme presque aucune ressource CPU. Une session indiquant Transcoding affiche la raison choisie par Jellyfin. Supprimez cette raison et le GPU n’aura jamais besoin de fonctionner.

Deux modifications suppriment la plupart des transcodages. Réglez la qualité de l’application cliente sur Auto ou sur la valeur maximale, car un client qui demande 4 Mbps force le réencodage d’un fichier à 20 Mbps, quel que soit le codec utilisé. Utilisez ensuite une application cliente native plutôt qu’un onglet de navigateur, car un navigateur est le lecteur le plus limité dont vous disposez et une application native sur le même téléviseur pourra souvent lire directement le même fichier.

Les sous-titres sous forme d’image doivent être incrustés dans la vidéo uniquement lorsque le client ne peut pas les afficher directement. Les sous-titres PGS issus d’un rip Blu-ray et les VOBSUB issus d’un rip DVD sont des images, mais les clients compatibles les affichent sans réencoder la vidéo ; le lecteur Android intégré de Jellyfin prend directement en charge les PGS. Les sous-titres texte au format SRT sont envoyés séparément lorsque le client les prend en charge. Convertir les pistes de sous-titres en texte est utile lorsque leur incompatibilité impose une incrustation. Le reste de la configuration côté serveur est présenté dans ce guide consacré à l’exécution d’un serveur multimédia Jellyfin sur un VPS.

La plupart des offres VPS n’ont aucun GPU

Les offres VPS standard n’incluent pas de GPU. Exécutez cette commande sur le serveur avant toute autre étape.

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

Sur un VPS KVM classique, cette commande affiche un adaptateur graphique virtuel fourni par l’hyperviseur, ou rien d’utile. Ce périphérique ne peut pas encoder de vidéo. Un véritable GPU n’est disponible que si le fournisseur affecte une carte physique à votre instance ou vous en attribue une partition. Ces offres sont facturées en conséquence. Quelles charges justifient réellement le prix d’un VPS avec GPU explique quels utilisateurs en ont besoin et lesquels peuvent s’en passer.

En l’absence de GPU, privilégiez le direct play et considérez le transcodage logiciel comme un cas exceptionnel. Un transcodage logiciel unique en 1080p H.264 est exigeant, mais reste possible avec quelques cœurs CPU. Un transcodage logiciel 4K HDR avec tone mapping ne peut pas être réalisé en temps réel par un petit VPS. Le flux saccade alors que le CPU reste bloqué à 100 percent.

Installer le pilote NVIDIA sur l’hôte

Jellyfin 10.11 indique un pilote NVIDIA Linux minimal en version 520.56.06. Le build jellyfin-ffmpeg installé peut nécessiter un pilote plus récent ; son journal de transcodage indique la version minimale lorsque l’API NVENC du pilote est trop ancienne. Ubuntu fournit un outil d’aide qui sélectionne automatiquement le package correspondant.

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

--gpgpu sélectionne la variante headless du pilote, adaptée à un serveur multimédia puisqu’aucun environnement de bureau n’est installé sur la machine. La commande de liste affiche les branches disponibles, et vous pouvez en figer une par son nom, par exemple sudo ubuntu-drivers install --gpgpu nvidia:570-server. Utilisez une branche réellement affichée par la liste, et non celle indiquée ici.

La variante serveur n’installe pas toujours nvidia-smi. Installez le package utils correspondant à la branche choisie, par exemple sudo apt install nvidia-utils-570-server. Vérifiez ensuite le pilote.

nvidia-smi

Un résultat normal affiche un tableau dont l’en-tête contient la version du pilote et la version de CUDA, avec votre carte indiquée par son nom. La liste des processus indique ceux qui utilisent des ressources GPU de type Compute, Graphics ou Other ; elle peut être renseignée même si le GPU fonctionne correctement, et une liste vide signifie qu’aucun processus GPU n’est signalé. Deux erreurs sont fréquentes ici. nvidia-smi: command not found signifie que le package utils est manquant, et non que le pilote l’est. NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver signifie que le module du noyau n’est pas chargé. Sur une installation récente, cela signifie presque toujours que vous n’avez pas encore redémarré la machine ou que Secure Boot refuse de charger un module non signé. Vérifiez que le module est présent avec lsmod | grep nvidia. Si cette commande n’affiche rien et que sudo modprobe nvidia échoue avec Key was rejected by service, Secure Boot bloque le module. La section lever le rejet de la clé Secure Boot explique comment vérifier l’état du firmware, puis inscrire une clé de propriétaire de machine ou désactiver l’application de cette protection.

Installer NVIDIA Container Toolkit

Le pilote permet à l’hôte d’utiliser le GPU. Docker ne le transmet toutefois pas encore au conteneur, car celui-ci ne dispose ni des nœuds de périphérique ni des bibliothèques du pilote. NVIDIA Container Toolkit injecte ces deux éléments au démarrage du conteneur. Ces commandes suivent les étapes d’installation officielles de NVIDIA pour Debian et Ubuntu. Le guide actuel de NVIDIA verrouille également les paquets du toolkit sur une seule version au moyen d’une variable de version. Comme cette contrainte est omise ici, la dernière version disponible dans le dépôt est installée.

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

Installer le paquet ne suffit pas, car Docker doit être informé de l’existence du runtime.

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

nvidia-ctk runtime configure ajoute une entrée de runtime nvidia dans /etc/docker/daemon.json. Le redémarrage est l’étape souvent oubliée. Son omission produit l’erreur la plus fréquente de toute cette configuration. Testez le fonctionnement avant de configurer Jellyfin.

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

Cette commande doit afficher le même tableau que celui affiché par l’hôte. Si elle échoue avec une erreur indiquant qu’il est impossible de sélectionner un device driver avec les capacités gpu, le daemon Docker ne connaît pas le runtime nvidia. Relancez donc la commande de configuration, puis redémarrez le daemon.

Donner le GPU au conteneur Jellyfin dans Docker Compose

Il s’agit de la syntaxe Compose moderne. Elle reprend l’exemple publié par Jellyfin et définit explicitement les deux variables d’environnement NVIDIA.

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]

Démarrez le conteneur et interrogez-le directement.

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

Si cette commande affiche la table des drivers depuis le conteneur, la visibilité du GPU et la bibliothèque de gestion fonctionnent. Les bibliothèques vidéo et un transcodage réel doivent encore être vérifiés.

Quatre lignes de ce fichier nécessitent une explication. capabilities: [gpu] est requis par Compose lui-même. Sans cette ligne, Compose refuse le service au lieu de le démarrer sans GPU. NVIDIA_DRIVER_CAPABILITIES=all est important, car le toolkit ne monte les bibliothèques vidéo dans le conteneur que lorsque la capacité vidéo est demandée. Lorsque cette variable n’est pas définie, sa valeur par défaut se limite aux capacités utility et compute. L’image officielle Jellyfin la définit déjà. Sur cette image, cette ligne protège donc contre toute redéfinition. La documentation de Jellyfin précise que vous devez l’ajouter vous-même si vous construisez votre propre image. Sans la capacité vidéo, CUDA fonctionne, mais NVDEC ne fonctionne pas, et le journal de transcodage signale Cannot load libnvcuvid.so.1. network_mode: host est la valeur utilisée par l’exemple NVIDIA de Jellyfin. Le guide des conteneurs Jellyfin indique que le réseau de l’hôte est facultatif, mais requis pour DLNA. Si vous utilisez plutôt un réseau bridge, vous devez publier vous-même le port 8096/tcp et le port 7359/udp de découverte automatique.

user: 1000:1000 est le dernier élément et n’a aucun rapport avec le GPU. Il détermine les fichiers que Jellyfin peut lire sur votre montage de médias. Une incohérence à ce niveau se manifeste par une bibliothèque vide, et non par une erreur de permissions. Comment PUID et PGID associent un utilisateur de conteneur aux fichiers sur le disque explique cette numérotation. Il s’agit de la même numérotation que celle que vous avez déjà définie si vous exécutez la stack Sonarr et Radarr dans Docker Compose à côté de celle-ci.

Pourquoi la plupart des tutoriels écrivent encore runtime: nvidia

L’ancienne forme apparaît dans presque tous les guides que vous trouverez, et elle n’est pas incorrecte. C’est un héritage. Le paquet nvidia-docker2 enregistrait à l’origine un runtime OCI nommé nvidia, et la méthode fondée sur une variable d’environnement utilisait NVIDIA_VISIBLE_DEVICES avec ce runtime, sélectionné soit par --runtime=nvidia, soit comme runtime par défaut de Docker. Docker 19.03 a ajouté le flag --gpus et une API correcte de demande de périphériques. Compose a mis plus de temps à prendre cette évolution en charge et, lorsque cela a été le cas, la demande de périphériques a été ajoutée sous deploy.resources.reservations.devices, une clé que la plupart des utilisateurs avaient appris à ignorer parce que deploy désignait auparavant Docker Swarm.

Les deux formes fonctionnent donc aujourd’hui, et l’exemple publié par Jellyfin les utilise simultanément. Conserver runtime: nvidia ne coûte rien et permet au fichier de fonctionner avec les anciennes versions de Compose. Si vous conservez uniquement runtime: nvidia et supprimez le bloc deploy, vous devez conserver NVIDIA_VISIBLE_DEVICES=all, car cette méthode héritée lit la variable d’environnement pour déterminer quels périphériques injecter et ne dispose d’aucune demande de périphériques à lire à la place.

Activer le transcodage matériel NVIDIA dans Jellyfin

Jusqu’à présent, rien n’a indiqué à Jellyfin d’utiliser la carte. Ouvrez Dashboard, puis Playback, puis Transcoding. Définissez Hardware acceleration sur Nvidia NVENC. Cochez Enable hardware encoding. Sinon, Jellyfin décode sur le GPU, puis encode sur le CPU. Vous obtenez alors un état intermédiaire déroutant : le GPU est actif, mais le CPU reste fortement sollicité.

Activez le commutateur Enable enhanced NVDEC decoder. Il permet de choisir entre le chemin NVDEC actuel et l’ancien chemin CUVID. Laissez-le activé. La gestion de Dolby Vision en dépend pour utiliser NVDEC.

Dans Enable hardware decoding for, cochez uniquement les codecs que votre carte sait réellement décoder. C’est le paramètre qui pose le plus souvent problème. Cocher AV1 sur une carte dépourvue de décodeur AV1 peut demander un décodage matériel et échouer avec Hardware is lacking required capabilities. Une sélection non prise en charge ne garantit pas un basculement vers le décodage logiciel.

Une autre contrainte s’applique à toute cette page : l’accélération matérielle n’est entièrement prise en charge qu’avec la version jellyfin-ffmpeg fournie avec Jellyfin. La documentation de Jellyfin précise que les binaires FFmpeg provenant d’une autre source entraînent une accélération partielle. Si vous avez défini le chemin FFmpeg vers un FFmpeg système, rétablissez le chemin par défaut.

Quels codecs votre génération de GPU peut décoder et encoder

Voici les limites documentées par Jellyfin pour NVENC et NVDEC. Le décodage et l’encodage sont deux capacités distinctes. Une carte peut prendre en charge l’une sans prendre en charge l’autre.

  • H.264 8-bit : tous les GPU NVIDIA équipés de NVENC et NVDEC le décodent et l’encodent.
  • HEVC 8-bit : décodage et encodage à partir de Maxwell de deuxième génération (GM206) et des générations suivantes.
  • HEVC 10-bit : décodage à partir de Maxwell de deuxième génération et des générations suivantes. Seules les variantes GM206 de cette génération le prennent en charge. L’encodage est disponible uniquement à partir de Pascal et des générations suivantes.
  • AV1 : décodage à partir d’Ampere et des générations suivantes, à l’exception de la puce pour datacenter GA100. Le tableau des décodeurs de NVIDIA répertorie également Hopper sans prise en charge du décodage AV1. L’encodage est disponible à partir d’Ada Lovelace et des générations suivantes. Jellyfin le prend en charge à partir de la version 10.9.

La différence concernant HEVC 10-bit est celle qui pose le plus de problèmes en pratique. Une carte Maxwell basée sur GM206 décode votre fichier 4K HDR sur le GPU, mais ne peut pas encoder une sortie en 10-bit. Elle prend toutefois en charge l’encodage H.264 8-bit et HEVC 8-bit. Les autres puces Maxwell ne décodent pas du tout HEVC 10-bit en matériel. Jellyfin sélectionne le codec de sortie selon les capacités du client et les paramètres d’encodage. Son chemin de transcodage HEVC force le profil Main 8-bit. Choisissez une sortie AV1 uniquement pour les clients qui la prennent en charge.

Pourquoi le tone mapping recharge discrètement le GPU

Le tone mapping HDR (high dynamic range) vers SDR (standard dynamic range) est le réglage qui annule discrètement votre budget GPU, pour des raisons d’architecture. Le décodage s’exécute sur NVDEC. L’encodage s’exécute sur NVENC. Le tone mapping ne s’exécute sur aucun des deux : c’est un filtre CUDA qui s’exécute sur les shader cores, la partie généraliste du GPU qui exécute les tâches de calcul. Ainsi, un flux 4K HDR qui nécessite un tone mapping utilise le décodeur et l’encodeur, tout en chargeant les shaders.

Jellyfin indique que le tone mapping CUDA est disponible sur tous les GPU NVIDIA capables de décoder du HEVC 10-bit. Cela signifie que la case à cocher apparaît et fonctionne sur des cartes incapables de tenir la charge en 4K. Le symptôme est un flux qui démarre, se met en buffer, puis ne se stabilise jamais, tandis que nvidia-smi indique que l’encodeur est à peine sollicité.

C’est pourquoi il est utile de surveiller séparément la charge des shaders.

nvidia-smi dmon -s u

Cette commande affiche une ligne par seconde, avec des colonnes distinctes pour sm, enc et dec. Des valeurs faibles pour enc et dec associées à une valeur sm élevée indiquent que la charge vient des shaders plutôt que des blocs à fonction fixe. Le tone mapping, la mise à l’échelle ou l’incrustation des sous-titres sont alors probablement en cause. Considérez cela comme un indice, pas comme une preuve : NVIDIA définit l’utilisation du GPU comme la part de la période d’échantillonnage pendant laquelle au moins un kernel était en cours d’exécution. Une valeur élevée indique donc que les shaders étaient occupés, pas qu’ils étaient saturés. Le chemin CUDA prend également en charge le profil 5 de Dolby Vision avec zero copy. C’est important, car sans zero copy, les images sont transférées vers la mémoire système puis renvoyées entre les étapes de filtrage. Ce aller-retour consomme de la bande passante à chaque image.

Ce que limite réellement le plafond de sessions NVENC grand public

GraphiqueNVENC engines and concurrent encode session cap, NVIDIA published support matrix, October 2026
Les données de ce graphique
[
  {
    "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
  }
]

Ce sont les chiffres publiés par NVIDIA dans sa matrice, tels qu’ils étaient valables en octobre 2026, et non des mesures effectuées ici. La politique de NVIDIA plafonne à 12 le nombre total de sessions d’encodage simultanées sur l’ensemble des cartes GeForce d’un même système, quels que soient les modèles utilisés. Ce plafond est défini par le pilote et non par le silicium. NVIDIA l’a relevé plusieurs fois au fil des ans. Consultez donc la matrice actuelle plutôt qu’un ancien fil de forum. Le nombre d’encodeurs est la caractéristique qui varie réellement selon la carte : la GeForce RTX 5090 possède 3 moteurs NVENC, tandis que la GeForce RTX 4060 en possède 1. Un nombre supérieur de moteurs augmente le débit d’encodage parallèle, mais pas le plafond de sessions.

Le plafond compte les sessions d’encodage, y compris les encodages vidéo effectués en dehors de Jellyfin. La lecture directe et le remultiplexage n’ouvrent jamais de session d’encodage. Les cartes de centre de données comme la L4 sont indiquées comme sans restriction dans la même matrice. En revanche, des modèles comme les A100 et H100 ne possèdent aucun encodeur NVENC. Vérifiez donc précisément la carte proposée dans une offre de GPU VPS.

Lorsque vous atteignez ce plafond, le transcodage échoue et le journal FFmpeg contient OpenEncodeSessionEx failed: out of memory (10). Le message mentionne la mémoire, mais un refus dû à la limite de sessions renvoie le même code. Vérifiez donc le nombre de flux simultanés avant de rechercher une fuite de VRAM. En pratique, la plupart des utilisateurs atteignent le plafond du tone mapping ou la limite de leur bande passante montante bien avant la douzième session.

Prouvez que le GPU effectue bien le transcodage, sans vous fier à la configuration

Un paramètre enregistré ne constitue pas une preuve. Lancez un fichier dont vous savez qu’il force un transcodage, puis effectuez trois vérifications.

  1. Ouvrez Dashboard, puis Playback. La session active doit indiquer Transcoding et préciser la raison. Si elle indique Direct playing, aucun transcodage n’est effectué et vous testez le mauvais fichier.
  2. Ouvrez Dashboard, puis Logs, et ouvrez le journal FFmpeg.Transcode le plus récent. Un transcodage matériel complet affiche -hwaccel cuda et -hwaccel_output_format cuda sur la ligne de commande, avec un encodeur NVENC tel que h264_nvenc ou hevc_nvenc, ou l’encodeur AV1 NVENC sur Ada Lovelace et les versions ultérieures. La présence de libx264 indique que l’encodage s’effectue en logiciel, quels que soient les paramètres affichés dans la page de configuration. L’absence de -hwaccel cuda avec un encodeur NVENC indique que le décodage s’effectue en logiciel.
  3. Exécutez nvidia-smi sur l’hôte pendant la lecture. Un processus provenant de /usr/lib/jellyfin-ffmpeg/ffmpeg doit apparaître avec de la mémoire GPU allouée, et nvidia-smi dmon -s u doit afficher des valeurs non nulles dans les colonnes enc et dec.

Effectuez cette troisième vérification sur l’hôte, et non dans le conteneur. nvidia-smi exécuté dans un conteneur affiche généralement une liste de processus vide, car il ne peut pas voir les identifiants de processus situés en dehors de son propre namespace, tandis que les valeurs d’utilisation restent correctes. Une liste de processus vide dans le conteneur n’est donc pas une erreur.

Quand il bascule vers le logiciel sans vous prévenir

Jellyfin sélectionne un encodeur logiciel lorsque l’encodage matériel est désactivé ou que l’encodeur matériel demandé est indisponible. Un chemin matériel qui échoue pendant la lecture peut quand même interrompre le flux. Consultez donc le journal FFmpeg au lieu de supposer que chaque échec entraîne un basculement vers le logiciel.

Cannot load libnvcuvid.so.1 dans le journal de transcodage signifie que le chargeur dynamique n’a pas réussi à charger la bibliothèque de décodage. Ce message ne permet pas, à lui seul, de déterminer si la bibliothèque a été montée. Vérifiez NVIDIA_DRIVER_CAPABILITIES=all, ainsi que les bibliothèques de pilotes et les liens dynamiques du conteneur. Si vous modifiez l’environnement, recréez le conteneur avec docker compose up -d ; un simple redémarrage conserve les anciens paramètres.

No capable devices found depuis h264_nvenc signifie que FFmpeg a atteint la bibliothèque d’encodage, mais n’a trouvé aucune carte utilisable. Vérifiez de nouveau docker compose exec jellyfin nvidia-smi, puis consultez les messages précédents du journal pour repérer les échecs liés au périphérique et aux capacités de l’encodeur.

Une forte utilisation du CPU alors que le GPU reste peu sollicité justifie de vérifier quelles étapes utilisent le logiciel. Désactivez les codecs que votre génération de GPU ne peut pas décoder, puis relancez la lecture du même fichier et consultez de nouveau le journal FFmpeg pour voir si -hwaccel cuda apparaît. Si c’est le cas et que le CPU reste très sollicité, recherchez une étape que Jellyfin ne peut pas exécuter sur le GPU, comme l’incrustation des sous-titres d’image.

Un transcodage qui démarre puis se bloque avec une vidéo 4K HDR alors que le 1080p fonctionne indique généralement une limite du tone mapping, et non une installation défectueuse. Surveillez la colonne sm dans nvidia-smi dmon -s u, puis relancez la lecture du même fichier avec le tone mapping désactivé : si le flux se stabilise, le tone mapping était la limite. Réduisez ensuite la résolution demandée par le client ou conservez les fichiers 4K HDR sur des clients capables de les lire directement.

FAQ

Pourquoi Jellyfin utilise-t-il encore le CPU après l’activation de NVENC ?

Consultez le journal FFmpeg.Transcode le plus récent sous Dashboard, puis Logs. S’il affiche libx264, l’encodage s’effectue en logiciel. Si -hwaccel cuda est également absent, vérifiez le décodeur sélectionné dans la commande et exécutez docker compose exec jellyfin nvidia-smi pour confirmer que le GPU est visible. Si -hwaccel cuda apparaît à côté de libx264, la commande demande un décodage par le GPU avec un encodage logiciel ; vérifiez que l’option Enable hardware encoding est activée et que Jellyfin détecte l’encodeur matériel demandé. La présence des flags ne suffit pas à prouver que le décodage par le GPU a réussi. Si h264_nvenc apparaît sans -hwaccel cuda, vérifiez si le codec du fichier est coché sous Enable hardware decoding for. Cocher un codec que votre carte ne peut pas décoder peut produire une erreur du décodeur matériel au lieu d’un retour vers le logiciel. Si les deux sont présents et que le CPU reste chargé, la charge provient d’une étape qui s’exécute toujours sur le CPU, comme l’incrustation des sous-titres.

La ligne runtime: nvidia est-elle encore nécessaire dans Docker Compose ?

Non, si vous disposez du bloc deploy.resources.reservations.devices et d’une version actuelle de Docker Compose. Ce bloc est la forme moderne de demande de périphérique et remplit la même fonction. runtime: nvidia correspond à l’ancienne méthode de l’époque nvidia-docker2 ; elle fonctionne toujours, et l’exemple publié par Jellyfin conserve les deux. Les conserver tous les deux ne pose aucun problème. Si vous conservez uniquement runtime: nvidia, vous devez également conserver NVIDIA_VISIBLE_DEVICES=all, car cette méthode ne contient aucune demande de périphérique à lire et récupère la liste des périphériques depuis l’environnement.

Combien de flux un seul GPU NVIDIA peut-il transcoder simultanément ?

La politique publiée par NVIDIA limite les cartes GeForce à douze sessions d’encodage simultanées cumulées par système en octobre 2026 ; les cartes pour data centers comme la L4 sont indiquées comme non limitées, tandis que certains modèles pour data centers ne possèdent aucun encodeur NVENC. Cette limite est rarement le facteur bloquant. Le tone mapping HDR vers SDR s’exécute sur les cœurs de shaders, et non sur NVENC ; il ajoute donc une limite de performances distincte. Mesurez votre propre cas avec nvidia-smi dmon -s u et surveillez la colonne sm, pas le nombre de sessions.

Puis-je utiliser le transcodage matériel sur un VPS sans GPU ?

Non. L’encodage nécessite le bloc NVENC physique, et lspci -nn | grep -Ei "3d|display|vga" n’affiche sur un VPS standard qu’un adaptateur d’affichage virtuel fourni par l’hyperviseur. Sur une offre sans GPU, la solution réaliste consiste à supprimer les transcodages : augmentez la qualité du client sur Auto, utilisez une application cliente native plutôt qu’un navigateur, et utilisez un client qui affiche directement les sous-titres sous forme d’image ou convertissez-les en texte lorsque la compatibilité des sous-titres impose leur incrustation.

Pourquoi la lecture en 4K HDR saccade-t-elle alors que le transcodage en 1080p fonctionne correctement ?

Les deux charges de travail utilisent des composants différents de la carte. Un transcodage SDR en 1080p utilise principalement le décodage et l’encodage, tous deux assurés par le matériel à fonction fixe lorsque votre carte prend en charge le codec, ainsi que la mise à l’échelle, le désentrelacement ou l’incrustation des sous-titres nécessaires au flux. Un flux HDR en 4K ajoute un tone mapping, qui est un filtre CUDA exécuté sur les cœurs de shaders, ainsi qu’une image beaucoup plus grande à mettre à l’échelle. nvidia-smi dmon -s u affichant des valeurs enc et dec faibles à côté d’une valeur sm élevée va dans ce sens, car les blocs à fonction fixe sont peu chargés tandis que les shaders sont sollicités. Relancez la lecture du fichier avec le tone mapping désactivé pour le confirmer.

Cet article vous a-t-il été utile ?