SSD Nodes Learn Hosting plans →
गाइड Matt Connorलेखक: Matt Connor

Docker में Jellyfin NVIDIA hardware transcoding कैसे करें

Docker Compose के जरिए Jellyfin container को NVIDIA GPU कैसे दें। NVENC और NVDEC सक्षम करें और nvidia-smi कमांड से पुष्टि करें कि GPU वास्तव में transcoding कर रहा है या नहीं।

आप क्या बना रहे हैं

NVIDIA GPU पर Jellyfin hardware transcoding चार चरणों की एक निश्चित प्रक्रिया है, और केवल अंतिम चरण Jellyfin के भीतर होता है। यदि host driver ने GPU को लोड नहीं किया है, तो container उसे नहीं देख सकता। यदि container GPU को नहीं देख सकता, तो Jellyfin उसका उपयोग नहीं कर सकता। इस क्रम का पालन करें, इससे किसी भी विफलता के कारण का पता लगाना आसान हो जाता है।

  1. Host पर NVIDIA driver इंस्टॉल करें, फिर nvidia-smi के साथ इसकी पुष्टि करें।
  2. NVIDIA Container Toolkit इंस्टॉल करें ताकि Docker container को GPU सौंप सके।
  3. docker-compose.yml में Jellyfin service के लिए GPU को आरक्षित करें, फिर पुष्टि करें कि container उसे देख पा रहा है।
  4. Jellyfin की playback settings में NVENC और NVDEC को चालू करें, फिर पुष्टि करें कि वास्तविक playback इनका उपयोग कर रहा है।

NVENC (NVIDIA encoder) और NVDEC (NVIDIA decoder) कार्ड पर स्थित fixed-function ब्लॉक्स हैं। ये उन shader cores से अलग सिलिकॉन हैं जो CUDA (compute unified device architecture) कार्य करते हैं। यह अलगाव ही इस प्रक्रिया का मुख्य लाभ है: जो stream software transcoding में कई CPU cores का उपयोग करती है, वह GPU पर केवल एक core का छोटा सा हिस्सा और एक समर्पित hardware block का उपयोग करती है।

Direct play हर transcode से बेहतर है, इसलिए पहले इसकी जाँच करें

इनमें से कुछ भी configure करने से पहले, यह पता लगाएँ कि क्या आप किसी ऐसे कारण से transcoding कर रहे हैं जिसे आसानी से हटाया जा सकता है। Jellyfin तब transcoding करता है जब client file को वैसे नहीं चला पाता जैसी वह है। इसका कारण लगभग हमेशा एक छोटी सूची में से होता है: video codec, audio codec, container format, image-based subtitles, client द्वारा मांगी गई bitrate limit, या client द्वारा रिपोर्ट की गई resolution या अन्य बाधा।

Dashboard खोलें, फिर Playback पर जाएँ, और कुछ चलते समय active session को देखें। Direct playing के रूप में चिह्नित session file को बिना बदले भेजता है और इसमें लगभग कोई CPU खर्च नहीं होता। Transcoding के रूप में चिह्नित session वह कारण दिखाता है जिसे Jellyfin ने चुना है। उस कारण को हटा दें और GPU को कभी भी चलने की आवश्यकता नहीं होगी।

दो बदलाव अधिकांश transcodes को हटा देते हैं। Client app की quality को Auto या अधिकतम पर सेट करें, क्योंकि 4 Mbps की मांग करने वाला client 20 Mbps की file को re-encode करने के लिए मजबूर करता है, चाहे उसमें कोई भी codec हो। फिर browser tab के बजाय native client app का उपयोग करें, क्योंकि browser आपके पास मौजूद सबसे सीमित player है और उसी TV पर एक native app अक्सर समान file को direct play कर देगा।

Image-based subtitles को video में तभी burn करने की आवश्यकता होती है जब client उन्हें सीधे render न कर सके। Blu-ray rip से PGS subtitles और DVD rip से VOBSUB चित्र होते हैं, लेकिन संगत clients उन्हें video re-encode के बिना प्रदर्शित करते हैं; Jellyfin का Android integrated player सीधे PGS का समर्थन करता है। SRT में text subtitles तब अलग से भेजे जाते हैं जब client उनका समर्थन करता है। Subtitle tracks को text में बदलना तब उपयोगी होता है जब subtitle compatibility burn-in के लिए मजबूर कर रही हो। सर्वर साइड का बाकी हिस्सा VPS पर Jellyfin media server चलाने के लिए गाइड में शामिल है।

अधिकांश VPS प्लान में कोई GPU नहीं होता है

Standard VPS प्लान में GPU शामिल नहीं होता है। किसी भी अन्य योजना से पहले सर्वर पर इसे चलाकर देखें।

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

एक सामान्य KVM VPS पर यह hypervisor से एक virtual display adapter दिखाता है, या कुछ भी उपयोगी नहीं दिखाता है। वह device वीडियो encode नहीं कर सकता है। एक वास्तविक GPU तभी दिखाई देता है जब provider एक physical card को आपके instance के लिए pass-through करता है या उसका एक हिस्सा (slice) देता है, और उन प्लान की कीमत उसी अनुसार होती है। किन workloads के लिए GPU VPS का खर्च उठाना उचित है में बताया गया है कि किसे इसकी आवश्यकता है और किसे नहीं।

यदि GPU नहीं है, तो direct play का लक्ष्य रखें और software transcoding को एक दुर्लभ स्थिति मानें। एक single 1080p H.264 software transcode भारी होता है, लेकिन कुछ CPU cores पर इसे संभाला जा सकता है। tone mapping के साथ 4K HDR software transcode को एक छोटा VPS real-time में पूरा नहीं कर सकता है, इसलिए stream अटकती है जबकि CPU 100 प्रतिशत उपयोग पर स्थिर रहता है।

Host पर NVIDIA driver इंस्टॉल करना

Jellyfin 10.11 के दस्तावेज़ों के अनुसार Linux पर कम से कम 520.56.06 वर्ज़न का NVIDIA driver होना आवश्यक है। इंस्टॉल किया गया jellyfin-ffmpeg build इससे नए driver की मांग कर सकता है; यदि driver का NVENC API बहुत पुराना हो, तो transcode log में न्यूनतम वर्ज़न की जानकारी मिल जाती है। Ubuntu में एक helper टूल उपलब्ध है जो आपके लिए सही package चुन लेता है।

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

--gpgpu कमांड driver के headless server वर्ज़न को चुनता है, जो एक media server के लिए उपयुक्त है क्योंकि इसमें कोई desktop environment नहीं होता। list कमांड उन branches को दिखाती है जो आपके लिए उपलब्ध हैं, और आप किसी एक को नाम से pin कर सकते हैं, उदाहरण के लिए sudo ubuntu-drivers install --gpgpu nvidia:570-server। केवल उसी branch का उपयोग करें जो list कमांड में दिखाई गई हो, यहाँ लिखी गई का नहीं।

Server वर्ज़न हमेशा nvidia-smi को साथ में इंस्टॉल नहीं करता है। अपनी चुनी हुई branch के लिए संबंधित utils package इंस्टॉल करें, उदाहरण के लिए sudo apt install nvidia-utils-570-server। इसके बाद driver की जाँच करें।

nvidia-smi

एक सफल परिणाम में header में driver version और CUDA version के साथ एक table दिखाई देगी और आपके card का नाम सूचीबद्ध होगा। process list उन processes को दिखाती है जो Compute, Graphics या Other GPU संसाधनों का उपयोग कर रही हैं; एक सही ढंग से काम कर रहे GPU पर यह सूची भरी हो सकती है, और खाली सूची का अर्थ है कि कोई GPU process रिपोर्ट नहीं की गई है। यहाँ दो सामान्य त्रुटियाँ होती हैं। nvidia-smi: command not found का अर्थ है कि utils package गायब है, न कि driver। NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver का अर्थ है कि kernel module लोड नहीं हुआ है, जिसका अर्थ नए इंस्टॉलेशन पर लगभग हमेशा यह होता है कि आपने अभी तक सिस्टम reboot नहीं किया है, या Secure Boot किसी unsigned module को लोड करने से मना कर रहा है। lsmod | grep nvidia के साथ पुष्टि करें कि module मौजूद है या नहीं। यदि यह कुछ भी प्रिंट नहीं करता है और sudo modprobe nvidia कमांड Key was rejected by service के साथ विफल हो जाती है, तो इसका मतलब है कि Secure Boot module को ब्लॉक कर रहा है। Secure Boot key rejection को हटाना लेख में firmware state की जाँच करने और machine owner key को enroll करने या enforcement को बंद करने की प्रक्रिया दी गई है।

NVIDIA Container Toolkit इंस्टॉल करें

Driver host को GPU का उपयोग करने की अनुमति देता है। Docker इसे container में पास नहीं करेगा, क्योंकि container में न तो device nodes होते हैं और न ही driver libraries। NVIDIA Container Toolkit वह घटक है जो container शुरू होने पर इन दोनों को इंजेक्ट करता है। ये commands Debian और Ubuntu के लिए NVIDIA के आधिकारिक इंस्टॉलेशन चरणों का पालन करती हैं। NVIDIA की वर्तमान गाइड toolkit packages को एक version variable के माध्यम से एक release पर पिन करती है; यहाँ पिन का उपयोग न करने से repository में मौजूद नवीनतम release इंस्टॉल हो जाती है।

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

केवल package इंस्टॉल करना पर्याप्त नहीं है, क्योंकि Docker को यह बताना आवश्यक है कि runtime मौजूद है।

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

nvidia-ctk runtime configure, /etc/docker/daemon.json में एक nvidia runtime entry लिखता है। restart वह चरण है जिसे अक्सर लोग छोड़ देते हैं, और इसे छोड़ने से इस पूरे सेटअप में सबसे आम error आती है। Jellyfin को छूने से पहले plumbing का परीक्षण करें।

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

इसे वही table print करनी चाहिए जो host ने print की थी। यदि इसके बजाय यह gpu capabilities के साथ device driver का चयन करने में असमर्थ होने की error देता है, तो Docker daemon को nvidia runtime के बारे में जानकारी नहीं है। इसलिए, configure command को फिर से चलाएं और daemon को restart करें।

Jellyfin container को Docker Compose में GPU प्रदान करना

यह आधुनिक Compose प्रारूप है। यह Jellyfin द्वारा प्रकाशित उदाहरण पर आधारित है और इसमें दो NVIDIA environment variables को स्पष्ट रूप से लिखा गया है।

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]

इसे चालू करें और सीधे container से पूछें।

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

यदि यह container के भीतर से driver table को print करता है, तो GPU की दृश्यता और management library काम कर रही हैं; video libraries और वास्तविक transcode की जाँच अभी भी बाकी है।

उस file की चार पंक्तियों का स्पष्टीकरण आवश्यक है। capabilities: [gpu] की आवश्यकता स्वयं Compose को होती है, और इसे न लिखने पर Compose सेवा को शुरू करने के बजाय मना कर देगा। NVIDIA_DRIVER_CAPABILITIES=all महत्वपूर्ण है क्योंकि toolkit केवल तभी video libraries को container में mount करता है जब video capability का अनुरोध किया जाता है, और जब यह variable set नहीं होता है, तो यह डिफ़ॉल्ट रूप से केवल utility और compute तक सीमित रहता है। आधिकारिक Jellyfin image इसे पहले से ही set करती है, इसलिए उस image पर यह पंक्ति किसी भी override के विरुद्ध एक सुरक्षा उपाय है; Jellyfin का documentation कहता है कि यदि आप अपनी खुद की image बनाते हैं तो आपको इसे स्वयं जोड़ना होगा। video capability के बिना CUDA काम करता है जबकि NVDEC काम नहीं करता है, और transcode log में Cannot load libnvcuvid.so.1 दिखाई देता है। network_mode: host वह है जिसका उपयोग Jellyfin का अपना NVIDIA उदाहरण करता है। Jellyfin का container guide host networking को वैकल्पिक बताता है लेकिन DLNA के लिए इसे आवश्यक मानता है, और यदि आप इसके बजाय bridge network चलाते हैं तो आप स्वयं 8096/tcp और 7359/udp auto-discovery port को publish करते हैं।

user: 1000:1000 अंतिम है, और इसका GPU से कोई लेना-देना नहीं है। यह तय करता है कि Jellyfin आपके media mount पर कौन सी files पढ़ सकता है, और यहाँ बेमेल होने पर permissions error के बजाय एक खाली library दिखाई देती है। PUID और PGID कैसे container user को disk पर मौजूद files से map करते हैं इस numbering को समझाता है, और यदि आप इसके साथ Docker Compose में Sonarr और Radarr stack चलाते हैं, तो यह वही numbering है जिसे आप पहले ही set कर चुके हैं।

ज्यादातर ट्यूटोरियल अभी भी runtime: nvidia क्यों लिखते हैं

पुराना तरीका आपको लगभग हर गाइड में मिलेगा, और यह गलत नहीं है। यह इतिहास है। मूल nvidia-docker2 पैकेज ने nvidia नामक एक OCI runtime रजिस्टर किया था, और environment-variable पाथ उस runtime के साथ NVIDIA_VISIBLE_DEVICES का उपयोग करता था, जिसे या तो --runtime=nvidia द्वारा या Docker के डिफ़ॉल्ट runtime के रूप में चुना जाता था। Docker 19.03 ने --gpus फ्लैग और एक उचित device-request API जोड़ी। Compose को इसे अपनाने में अधिक समय लगा, और जब उसने ऐसा किया, तो device request deploy.resources.reservations.devices के अंतर्गत आया, एक ऐसी key जिसे ज्यादातर लोगों ने अनदेखा करना सीख लिया था क्योंकि deploy का मतलब Docker Swarm हुआ करता था।

परिणाम यह है कि आज दोनों तरीके काम करते हैं, और Jellyfin का प्रकाशित उदाहरण दोनों को एक साथ रखता है। runtime: nvidia को बनाए रखने में कोई नुकसान नहीं है और यह फाइल को पुराने Compose वर्ज़न पर भी काम करने योग्य बनाता है। यदि आप केवल runtime: nvidia रखते हैं और deploy ब्लॉक को हटा देते हैं, तो आपको NVIDIA_VISIBLE_DEVICES=all को बनाए रखना होगा, क्योंकि वह पुराना पाथ यह तय करने के लिए environment variable को पढ़ता है कि कौन से डिवाइस इंजेक्ट करने हैं और उसके पास पढ़ने के लिए कोई device request नहीं होती है।

Jellyfin के अंदर NVIDIA हार्डवेयर ट्रांसकोडिंग चालू करें

अभी तक Jellyfin को कार्ड का उपयोग करने के लिए कोई निर्देश नहीं दिया गया है। Dashboard पर जाएं, फिर Playback, और उसके बाद Transcoding चुनें। Hardware acceleration को Nvidia NVENC पर सेट करें। Enable hardware encoding को टिक करें, अन्यथा Jellyfin GPU पर डिकोड करेगा और फिर CPU पर एनकोड करेगा; यह एक भ्रमित करने वाली स्थिति है जहाँ GPU सक्रिय दिखता है लेकिन CPU पर लोड बना रहता है।

Enable enhanced NVDEC decoder वर्तमान NVDEC पाथ और पुराने CUVID पाथ के बीच स्विच करता है। इसे चालू रहने दें। Dolby Vision हैंडलिंग के लिए NVDEC का उपयोग करने हेतु इसका चालू होना आवश्यक है।

Enable hardware decoding for के अंतर्गत, केवल उन्हीं कोडेक्स को टिक करें जिन्हें आपका कार्ड वास्तव में डिकोड कर सकता है। यह वह सेटिंग है जिसे लोग अक्सर गलत चुनते हैं। जिस कार्ड में AV1 डिकोडर नहीं है, उस पर AV1 को टिक करने से हार्डवेयर डिकोडिंग का अनुरोध हो सकता है और यह Hardware is lacking required capabilities के साथ विफल हो सकता है। एक असमर्थित (unsupported) चयन सॉफ्टवेयर डिकोडिंग पर वापस जाने की गारंटी नहीं देता है।

पूरे पेज पर एक और बाधा लागू होती है: हार्डवेयर एक्सेलेरेशन केवल बंडल किए गए jellyfin-ffmpeg बिल्ड के साथ पूरी तरह से समर्थित है। Jellyfin का डॉक्यूमेंटेशन चेतावनी देता है कि कहीं और से लिए गए FFmpeg बाइनरी के परिणामस्वरूप आंशिक एक्सेलेरेशन ही मिलता है, इसलिए यदि आपने FFmpeg पाथ को सिस्टम FFmpeg पर पॉइंट किया है, तो उसे वापस बदल दें।

आपकी GPU जनरेशन किन codecs को decode और encode कर सकती है

ये वे सीमाएं हैं जिन्हें Jellyfin ने NVENC और NVDEC के लिए प्रलेखित किया है। Decode और encode अलग-अलग क्षमताएं हैं, और एक कार्ड में एक हो सकती है जबकि दूसरी नहीं।

  • H.264 8-bit: NVENC और NVDEC वाले हर NVIDIA GPU में इसे decode और encode करने की क्षमता होती है।
  • HEVC 8-bit: Maxwell दूसरी जनरेशन (GM206) और उसके बाद के कार्ड्स में decode और encode की सुविधा है।
  • HEVC 10-bit: Maxwell दूसरी जनरेशन और उसके बाद के कार्ड्स में decode की सुविधा है, जिसमें केवल उस जनरेशन के GM206 वेरिएंट्स में यह उपलब्ध है, लेकिन encode केवल Pascal और उसके बाद के कार्ड्स में ही संभव है।
  • AV1: Ampere और उसके बाद के कार्ड्स में decode की सुविधा है (GA100 डेटा सेंटर चिप को छोड़कर, NVIDIA का डिकोडर टेबल Hopper को भी AV1 decode के बिना सूचीबद्ध करता है), और encode Ada Lovelace और उसके बाद के कार्ड्स में उपलब्ध है, जिसे Jellyfin 10.9 से सपोर्ट करता है।

HEVC 10-bit का विभाजन वह बिंदु है जो व्यावहारिक रूप से समस्या पैदा करता है। GM206-आधारित Maxwell कार्ड आपकी 4K HDR फाइल को GPU पर decode तो कर लेता है, लेकिन 10-bit आउटपुट को encode नहीं कर सकता, हालांकि यह 8-bit H.264 और 8-bit HEVC encoding दोनों को सपोर्ट करता है। अन्य Maxwell चिप्स में HEVC 10-bit का हार्डवेयर डिकोडिंग बिल्कुल नहीं होता। Jellyfin क्लाइंट की क्षमताओं और encoding सेटिंग्स के आधार पर आउटपुट codec का चयन करता है; इसका HEVC transcoding पाथ 8-bit Main प्रोफाइल को अनिवार्य बनाता है। AV1 आउटपुट केवल उन क्लाइंट्स के लिए चुनें जो इसे सपोर्ट करते हैं।

टोन मैपिंग चुपचाप GPU को कैसे संतृप्त (saturate) करती है

HDR (high dynamic range) से SDR (standard dynamic range) में टोन मैपिंग वह सेटिंग है जो आपके GPU बजट को खत्म कर देती है, और इसका कारण आर्किटेक्चरल है। डिकोड NVDEC पर चलता है। एनकोड NVENC पर चलता है। टोन मैपिंग इनमें से किसी पर नहीं चलती: यह shader cores पर निष्पादित होने वाला एक CUDA फ़िल्टर है, जो GPU का वही सामान्य-उद्देश्य वाला हिस्सा है जो compute कार्य चलाता है। इसलिए, एक 4K HDR स्ट्रीम जिसे टोन मैपिंग की आवश्यकता होती है, वह डिकोडर और एनकोडर का उपयोग करती है, और इसके ऊपर यह shaders को लोड करती है।

Jellyfin, CUDA टोन मैपिंग को हर उस NVIDIA GPU पर उपलब्ध बताता है जो HEVC 10-bit को डिकोड कर सकता है। इसका मतलब है कि चेकबॉक्स उन कार्डों पर दिखाई देता है और काम करता है जो इसे 4K पर बनाए रखने में सक्षम नहीं हैं। इसका लक्षण एक ऐसी स्ट्रीम है जो शुरू होती है, बफर करती है, और कभी स्थिर नहीं होती, जबकि nvidia-smi रिपोर्ट करता है कि एनकोडर मुश्किल से व्यस्त है।

यही कारण है कि shader लोड को अलग से देखना सार्थक है।

nvidia-smi dmon -s u

यह प्रति सेकंड एक लाइन प्रिंट करता है जिसमें sm, enc और dec के लिए अलग-अलग कॉलम होते हैं। एक उच्च sm संख्या के साथ कम enc और dec का मतलब fixed-function ब्लॉक्स के बजाय shaders की ओर इशारा करता है, इसलिए टोन मैपिंग, स्केलिंग, या सबटाइटल बर्न-इन संभावित लागत है। इसे प्रमाण नहीं, बल्कि एक संकेत मानें: NVIDIA GPU उपयोग को उस नमूना अवधि के हिस्से के रूप में परिभाषित करता है जिसके दौरान कम से कम एक kernel निष्पादित हो रहा था, इसलिए एक उच्च रीडिंग का मतलब यह है कि shaders व्यस्त थे, न कि वे संतृप्त (saturated) थे। CUDA पाथ zero copy के साथ Dolby Vision profile 5 को भी संभालता है, जो महत्वपूर्ण है क्योंकि zero copy के बिना फ़्रेम फ़िल्टर चरणों के बीच सिस्टम मेमोरी में जाते हैं और वापस आते हैं, और वह राउंड ट्रिप हर एक फ़्रेम पर बैंडविड्थ की लागत लगाता है।

Consumer NVENC session cap वास्तव में क्या सीमित करता है

चार्टNVENC engines and concurrent encode session cap, NVIDIA published support matrix, October 2026
इस चार्ट के पीछे का डेटा
[
  {
    "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
  }
]

ये अक्टूबर 2026 तक NVIDIA द्वारा प्रकाशित मैट्रिक्स आंकड़े हैं, न कि यहाँ किए गए मापन। NVIDIA की नीति एक सिस्टम में सभी GeForce कार्ड्स पर एक साथ चलने वाले encode sessions की संख्या को कुल मिलाकर 12 तक सीमित करती है, चाहे वे किसी भी मॉडल के हों। यह सीमा silicon के बजाय driver में होती है, और NVIDIA ने वर्षों में इसे कई बार बढ़ाया है, इसलिए पुराने फ़ोरम थ्रेड्स के बजाय वर्तमान मैट्रिक्स को पढ़ें। Engine count वह हिस्सा है जो वास्तव में कार्ड के साथ बदलता है: GeForce RTX 5090 में 3 NVENC engines होते हैं, जबकि GeForce RTX 4060 में 1 होते हैं। अधिक engines का अर्थ है अधिक समानांतर (parallel) encode throughput, न कि session की उच्च सीमा।

यह सीमा encode sessions की गिनती करती है, जिसमें Jellyfin के बाहर के वीडियो encodes भी शामिल हैं। Direct play और remuxing कभी भी encode session नहीं खोलते हैं। Data center कार्ड्स जैसे कि L4 को उसी मैट्रिक्स में unrestricted के रूप में सूचीबद्ध किया गया है, लेकिन A100 और H100 जैसे मॉडलों में NVENC encoder नहीं होता है, इसलिए GPU VPS प्लान में सटीक कार्ड की जाँच करें।

जब आप इस सीमा तक पहुँचते हैं, तो transcode विफल हो जाता है और FFmpeg लॉग में OpenEncodeSessionEx failed: out of memory (10) दिखाई देता है। संदेश में memory का उल्लेख होता है, लेकिन session-limit के कारण इनकार (refusal) भी वही कोड रिपोर्ट करता है, इसलिए VRAM leak की तलाश करने से पहले अपनी concurrent stream count की जाँच करें। व्यवहार में, अधिकांश लोग session बारह तक पहुँचने से पहले ही tone-mapping की सीमा या अपनी upload bandwidth की सीमा तक पहुँच जाते हैं।

GPU transcoding की पुष्टि करें, configuration पर भरोसा न करें

सहेजी गई setting प्रमाण नहीं है। ऐसी फाइल चलाएं जिसके बारे में आप जानते हों कि वह transcode करने के लिए मजबूर करती है, फिर तीन जाँचें करें।

  1. Dashboard खोलें, फिर Playback पर जाएँ। सक्रिय session में Transcoding लिखा होना चाहिए, और इसमें कारण का उल्लेख होना चाहिए। यदि इसमें Direct playing लिखा है, तो कुछ भी transcode नहीं हो रहा है और आप गलत फाइल का परीक्षण कर रहे हैं।
  2. Dashboard खोलें, फिर Logs पर जाएँ, और सबसे नई FFmpeg.Transcode log खोलें। एक पूर्ण hardware transcode कमांड लाइन पर -hwaccel cuda और -hwaccel_output_format cuda दिखाता है, जिसमें h264_nvenc या hevc_nvenc जैसा NVENC encoder, या Ada Lovelace और नए पर AV1 NVENC encoder होता है। वहाँ libx264 देखने का मतलब है कि encode software में चल रहा है, चाहे settings page कुछ भी दावा करे। NVENC encoder के साथ -hwaccel cuda का गायब होना मतलब है कि decode का आधा हिस्सा software में चल रहा है।
  3. playback जारी रहने के दौरान host पर nvidia-smi चलाएँ। /usr/lib/jellyfin-ffmpeg/ffmpeg से एक process दिखाई देनी चाहिए जिसमें GPU memory आवंटित हो, और nvidia-smi dmon -s u में enc और dec कॉलम शून्य नहीं होने चाहिए।

वह तीसरी जाँच container के अंदर नहीं, बल्कि host पर चलाएँ। container के अंदर nvidia-smi आमतौर पर एक खाली process सूची दिखाता है क्योंकि यह अपने स्वयं के namespace के बाहर की process IDs को नहीं देख सकता, जबकि utilisation संख्याएँ अभी भी सही ढंग से पढ़ी जाती हैं। container के अंदर खाली process सूची कोई त्रुटि नहीं है।

जब यह बिना बताए सॉफ्टवेयर पर वापस आ जाता है

जब hardware encoding अक्षम (disabled) होती है या अनुरोधित hardware encoder उपलब्ध नहीं होता है, तो Jellyfin एक software encoder का चयन करता है। playback के दौरान विफल होने वाला hardware path अभी भी stream को विफल कर सकता है, इसलिए यह मानने के बजाय कि हर विफलता software पर वापस आ जाती है, FFmpeg log को पढ़ें।

transcode log में Cannot load libnvcuvid.so.1 का अर्थ है कि dynamic loader decoder library को लोड करने में विफल रहा। केवल यह संदेश यह स्थापित नहीं करता है कि library mount की गई थी या नहीं। NVIDIA_DRIVER_CAPABILITIES=all और container की driver libraries और dynamic links की जाँच करें। यदि आप environment बदलते हैं, तो container को docker compose up -d के साथ फिर से बनाएँ; एक साधारण restart पुरानी settings को ही बनाए रखता है।

h264_nvenc से No capable devices found का अर्थ है कि FFmpeg encoder library तक पहुँच गया लेकिन उसे कोई उपयोगी card नहीं मिला। docker compose exec jellyfin nvidia-smi की फिर से जाँच करें, फिर device और encoder क्षमता की विफलताओं के लिए पिछले log संदेशों को पढ़ें।

शांत GPU के साथ उच्च CPU उपयोग इस बात की जाँच करने का एक कारण है कि कौन से चरण software का उपयोग करते हैं। उन codecs को untick करें जिन्हें आपकी generation decode नहीं कर सकती है, फिर उसी file को फिर से चलाएँ और यह देखने के लिए FFmpeg log को फिर से पढ़ें कि क्या -hwaccel cuda दिखाई देता है। यदि ऐसा होता है और CPU अभी भी व्यस्त है, तो उस चरण की तलाश करें जिसे Jellyfin GPU पर नहीं डाल सकता है, जैसे कि image subtitle burn-in।

एक transcode जो 4K HDR पर शुरू होता है और फिर रुक जाता है, जबकि 1080p ठीक चलता है, तो यह आमतौर पर tone-mapping की सीमा होती है, न कि कोई broken install। nvidia-smi dmon -s u में sm column को देखें, फिर tone mapping को बंद करके उसी file को फिर से चलाएँ: यदि stream स्थिर हो जाती है, तो tone mapping ही सीमा थी। फिर या तो client द्वारा अनुरोधित resolution को कम करें या 4K HDR files को उन clients पर रखें जो उन्हें direct play कर सकते हैं।

FAQ

NVENC इनेबल करने के बाद भी Jellyfin CPU का उपयोग क्यों कर रहा है?

Dashboard के अंतर्गत Logs में जाकर नवीनतम FFmpeg.Transcode लॉग देखें। यदि इसमें libx264 दिखाई देता है, तो एन्कोडिंग सॉफ्टवेयर मोड में चल रही है। यदि -hwaccel cuda भी गायब है, तो कमांड में चुने गए डिकोडर की जाँच करें और GPU की दृश्यता सुनिश्चित करने के लिए docker compose exec jellyfin nvidia-smi चलाएँ। यदि libx264 के बगल में -hwaccel cuda मौजूद है, तो कमांड सॉफ्टवेयर एन्कोडिंग के साथ GPU डिकोडिंग का अनुरोध कर रहा है; 'Enable hardware encoding' की जाँच करें और देखें कि क्या Jellyfin अनुरोधित हार्डवेयर एन्कोडर को डिटेक्ट कर पा रहा है। केवल फ्लैग्स यह साबित नहीं करते कि GPU डिकोडिंग सफल रही है। यदि यह -hwaccel cuda के बिना h264_nvenc दिखाता है, तो जाँचें कि क्या 'Enable hardware decoding for' के अंतर्गत फाइल का कोडेक टिक किया गया है। यदि आप ऐसा कोडेक टिक करते हैं जिसे आपका कार्ड डिकोड नहीं कर सकता, तो सॉफ्टवेयर फॉलबैक के बजाय हार्डवेयर-डिकोडर त्रुटि हो सकती है। यदि दोनों मौजूद हैं और CPU अभी भी व्यस्त है, तो लोड उस चरण से आ रहा है जो CPU पर ही रहता है, जैसे कि सबटाइटल बर्न-इन।

क्या मुझे अभी भी Docker Compose में runtime: nvidia लाइन की आवश्यकता है?

यदि आपके पास deploy.resources.reservations.devices ब्लॉक और आधुनिक Docker Compose है, तो इसकी आवश्यकता नहीं है। यह ब्लॉक डिवाइस-रिक्वेस्ट का आधुनिक तरीका है और वही काम करता है। runtime: nvidia, nvidia-docker2 युग का पुराना पाथ है, यह अभी भी काम करता है, और Jellyfin के अपने प्रकाशित उदाहरण में दोनों शामिल हैं। दोनों को रखना हानिकारक नहीं है। केवल runtime: nvidia रखने का अर्थ है कि आपको NVIDIA_VISIBLE_DEVICES=all को भी रखना होगा, क्योंकि उस पाथ में पढ़ने के लिए कोई डिवाइस रिक्वेस्ट नहीं होती और वह एनवायरनमेंट से डिवाइस लिस्ट लेता है।

एक NVIDIA GPU एक बार में कितने स्ट्रीम ट्रांसकोड कर सकता है?

अक्टूबर 2026 तक, NVIDIA की प्रकाशित नीति GeForce कार्ड्स पर प्रति सिस्टम कुल बारह समवर्ती एन्कोड सत्रों (concurrent encode sessions) की सीमा तय करती है; L4 जैसे डेटा सेंटर कार्ड्स को अप्रतिबंधित (unrestricted) के रूप में सूचीबद्ध किया गया है, जबकि कुछ डेटा सेंटर मॉडल्स में NVENC एन्कोडर नहीं होता है। यह सीमा शायद ही कभी आपको रोकती है। HDR से SDR टोन मैपिंग NVENC के बजाय शेडर कोर पर चलती है, इसलिए यह एक अलग प्रदर्शन सीमा जोड़ती है। अपने मामले को nvidia-smi dmon -s u के साथ मापें और सत्र गणना के बजाय sm कॉलम पर नज़र रखें।

क्या मैं बिना GPU वाले VPS पर हार्डवेयर ट्रांसकोडिंग का उपयोग कर सकता हूँ?

नहीं। एन्कोडिंग के लिए भौतिक NVENC ब्लॉक की आवश्यकता होती है, और मानक VPS पर lspci -nn | grep -Ei "3d|display|vga" केवल हाइपरवाइजर से एक वर्चुअल डिस्प्ले एडेप्टर दिखाता है। बिना GPU वाले प्लान पर वास्तविक समाधान ट्रांसकोड्स को हटाना है: क्लाइंट की क्वालिटी सेटिंग को 'Auto' पर बढ़ाएं, ब्राउज़र के बजाय नेटिव क्लाइंट ऐप का उपयोग करें, और ऐसे क्लाइंट का उपयोग करें जो आपके इमेज-आधारित सबटाइटल को सीधे रेंडर करे या जब सबटाइटल संगतता बर्न-इन के लिए मजबूर करे तो उन्हें टेक्स्ट में बदलें।

1080p ठीक से ट्रांसकोड होने पर भी 4K HDR अटक (stutter) क्यों रहा है?

ये दोनों वर्कलोड कार्ड के अलग-अलग हिस्सों का उपयोग करते हैं। 1080p SDR ट्रांसकोड मुख्य रूप से डिकोड और एन्कोड है, जो दोनों फिक्स्ड-फंक्शन हार्डवेयर पर होते हैं जब आपका कार्ड कोडेक को सपोर्ट करता है, साथ ही स्ट्रीम को जो भी स्केलिंग, डीइंटरलेसिंग या सबटाइटल बर्न-इन की आवश्यकता होती है। 4K HDR स्ट्रीम में टोन मैपिंग जुड़ जाती है, जो शेडर कोर पर चलने वाला एक CUDA फिल्टर है, साथ ही स्केल करने के लिए बहुत बड़ा फ्रेम होता है। nvidia-smi dmon -s u में उच्च sm के बगल में कम enc और dec का दिखना इसी ओर इशारा करता है, क्योंकि फिक्स्ड-फंक्शन ब्लॉक पर लोड कम है जबकि शेडर व्यस्त हैं। टोन मैपिंग को बंद करके फाइल को फिर से चलाने से यह समस्या हल हो जाती है।

क्या यह लेख उपयोगी था?