Docker मध्ये Jellyfin NVIDIA हार्डवेअर ट्रान्सकोडिंग
Docker Compose मधून Jellyfin ला NVIDIA GPU द्या, NVENC आणि NVDEC सुरू करा आणि nvidia-smi वापरून प्रत्यक्ष transcoding होत असल्याची खात्री करा.
तुम्ही काय तयार करत आहात
NVIDIA GPU वर Jellyfin hardware transcoding सुरू करण्यासाठी ठरावीक क्रमाने 4 पायऱ्या पूर्ण कराव्या लागतात. यापैकी केवळ शेवटची पायरी Jellyfin मध्ये केली जाते. Host driver लोड केलेला नसेल, तर container ला GPU दिसत नाही. Container ला GPU दिसत नसेल, तर Jellyfin तो वापरू शकत नाही. हा क्रम पाळा. त्यामुळे प्रत्येक अपयशाचे कारण कुठे शोधायचे हे स्पष्ट राहते.
- Host वर NVIDIA driver install करा आणि त्याची खात्री
nvidia-smiने करा. - Docker ला container ला GPU देणे शक्य व्हावे यासाठी NVIDIA Container Toolkit install करा.
docker-compose.ymlमध्ये Jellyfin service साठी GPU राखीव ठेवा आणि container ला तो दिसतो याची खात्री करा.- Jellyfin च्या playback settings मध्ये NVENC आणि NVDEC सुरू करा आणि प्रत्यक्ष playback मध्ये ते वापरले जात आहेत याची खात्री करा.
NVENC (NVIDIA encoder) आणि NVDEC (NVIDIA decoder) हे GPU card वरील fixed-function blocks आहेत. CUDA (compute unified device architecture) काम चालवणाऱ्या shader cores पासून हे वेगळ्या silicon वर असतात. हीच या पद्धतीची मुख्य उपयुक्तता आहे: software मध्ये अनेक CPU cores वापरणारा stream, CPU core च्या लहान भागासह GPU वरील dedicated hardware block वापरतो.
Direct play प्रत्येक transcode पेक्षा श्रेष्ठ आहे, त्यामुळे प्रथम ते तपासा
यापैकी कोणतीही configuration करण्यापूर्वी, एखाद्या सहज दूर करता येणाऱ्या कारणामुळे transcoding होत आहे का ते शोधा. Client फाइल ज्या स्वरूपात आहे त्या स्वरूपात ती play करू शकत नसेल, तेव्हा Jellyfin transcode करते. याचे कारण जवळजवळ नेहमीच खालीलपैकी एक असते: video codec, audio codec, container format, image-based subtitles, client ने मागितलेली bitrate limit किंवा client ने कळवलेली resolution अथवा इतर मर्यादा.
Dashboard उघडा, त्यानंतर Playback उघडा आणि काहीतरी play होत असताना active session वर लक्ष ठेवा. Direct playing म्हणून चिन्हांकित session फाइलमध्ये कोणताही बदल न करता पाठवते आणि जवळजवळ CPU वापरत नाही. Transcoding म्हणून चिन्हांकित session मध्ये Jellyfin ने तो पर्याय का निवडला, याचे कारण दिसते. ते कारण दूर केल्यास GPU ला अजिबात काम करावे लागणार नाही.
बहुतेक transcode दोन बदलांनी दूर होतात. Client app ची quality Auto किंवा कमाल पातळीवर सेट करा. Client ने 4 Mbps मागितल्यास, फाइलमध्ये कोणता codec आहे याची पर्वा न करता 20 Mbps फाइलचे पुन्हा encoding करावे लागते. त्यानंतर browser tab ऐवजी native client app वापरा. Browser हा तुमच्याकडील सर्वांत मर्यादित player असतो. त्याच TV वरील native app तीच फाइल अनेकदा direct play करू शकतो.
Image-based subtitles थेट render करता येत नसतील, तेव्हाच त्या video मध्ये burn कराव्या लागतात. Blu-ray rip मधील PGS subtitles आणि DVD rip मधील VOBSUB या images असतात. मात्र compatible clients video पुन्हा encode न करता त्या दाखवू शकतात; Jellyfin चा Android integrated player PGS थेट support करतो. Client ने support केल्यास SRT मधील text subtitles स्वतंत्रपणे पाठवल्या जातात. Subtitle compatibility मुळे burn-in होत असेल, तर subtitle tracks चे text मध्ये रूपांतर करणे उपयुक्त ठरते. Server side वरील उर्वरित माहिती VPS वर Jellyfin media server चालवण्याच्या मार्गदर्शिकेत दिली आहे.
बहुतेक VPS प्लॅनमध्ये GPU अजिबात नसतो
मानक VPS प्लॅनमध्ये GPU समाविष्ट नसतो. इतर कोणतेही नियोजन करण्यापूर्वी सर्व्हरवर हे चालवा.
lspci -nn | grep -Ei "3d|display|vga"सामान्य KVM VPS वर हा आदेश hypervisor कडून मिळणारे virtual display adapter दाखवतो किंवा उपयोगी माहिती दाखवत नाही. हे device व्हिडिओ encode करू शकत नाही. provider तुमच्या instance ला physical card pass through करतो किंवा त्यातील एक भाग देतो, तेव्हाच खरा GPU उपलब्ध होतो. अशा प्लॅनची किंमत त्यानुसार जास्त असते. GPU VPS साठी प्रत्यक्षात कोणत्या workloads साठी खर्च करणे योग्य आहे यामध्ये कोणासाठी GPU VPS योग्य आहे आणि कोणासाठी नाही हे स्पष्ट केले आहे.
GPU नसेल, तर direct play ला प्राधान्य द्या आणि software transcoding हा अपवादात्मक पर्याय माना. एक 1080p H.264 software transcode काही CPU cores वर जड असला तरी चालू शकतो. Tone mapping सह 4K HDR software transcode लहान VPS वर real time मध्ये पूर्ण होऊ शकत नाही. त्यामुळे CPU 100 percent वर सतत वापरला जात असताना stream मध्ये अडथळे येतात.
होस्टवर NVIDIA driver स्थापित करा
Jellyfin 10.11 मध्ये Linux साठी किमान NVIDIA driver आवृत्ती 520.56.06 दिली आहे. स्थापित केलेल्या jellyfin-ffmpeg build साठी त्यापेक्षा नवीन driver आवश्यक असू शकतो; driver चे NVENC API खूप जुने असल्यास त्याच्या transcode log मध्ये किमान आवृत्ती नमूद केली जाते. Ubuntu तुमच्यासाठी जुळणारे package निवडणारे helper पुरवते.
sudo ubuntu-drivers list --gpgpu
sudo ubuntu-drivers install --gpgpu
sudo reboot--gpgpu driver ची headless server flavour निवडते. Media server साठी हीच flavour योग्य आहे, कारण त्या मशीनवर desktop नसतो. list command तुमच्यासाठी उपलब्ध branches दाखवते. उदाहरणार्थ, तुम्ही एखादी branch नावाने pin करू शकता: sudo ubuntu-drivers install --gpgpu nvidia:570-server. येथे लिहिलेली branch नव्हे, तर list command ने प्रत्यक्ष दाखवलेली branch वापरा.
Server flavour मध्ये नेहमी nvidia-smi समाविष्ट होईलच असे नाही. तुम्ही निवडलेल्या branch साठी जुळणारे utils package स्थापित करा; उदाहरणार्थ sudo apt install nvidia-utils-570-server. त्यानंतर driver तपासा.
nvidia-smiयशस्वी निकालाच्या header मध्ये driver आवृत्ती आणि CUDA आवृत्ती असलेला table दिसतो आणि तुमचे card त्याच्या नावासह सूचीबद्ध होते. Process list मध्ये Compute, Graphics किंवा Other GPU resources वापरणाऱ्या processes ची माहिती दिसते. कार्यरत GPU वर ही list भरलेली असू शकते; रिकामी list म्हणजे कोणत्याही GPU process ची नोंद झालेली नाही. येथे दोन त्रुटी सामान्य आहेत. nvidia-smi: command not found म्हणजे utils package गहाळ आहे; driver गहाळ नाही. NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver म्हणजे kernel module load झालेले नाही. नवीन installation मध्ये याचा अर्थ बहुतेक वेळा reboot केलेले नाही, किंवा Secure Boot unsigned module load होऊ देत नाही, असा होतो. lsmod | grep nvidia वापरून module उपलब्ध आहे का ते तपासा. त्यातून काहीही output मिळत नसेल आणि sudo modprobe nvidia हे Key was rejected by service सह अपयशी ठरत असेल, तर Secure Boot module ला block करत आहे. अशा वेळी Secure Boot key rejection दूर करणे या विभागात firmware state तपासणे आणि त्यानंतर machine owner key enroll करणे किंवा enforcement बंद करणे याची माहिती दिली आहे.
NVIDIA Container Toolkit स्थापित करा
Driver मुळे host ला GPU वापरता येतो. तरीही Docker तो container मध्ये पाठवत नाही, कारण container मध्ये device nodes किंवा driver libraries नसतात. Container सुरू होताना दोन्ही घटक उपलब्ध करून देणारा भाग म्हणजे NVIDIA Container Toolkit. या commands Debian आणि Ubuntu साठी NVIDIA ने दिलेल्या installation steps नुसार आहेत. NVIDIA च्या सध्याच्या guide मध्ये version variable वापरून toolkit packages एका release वर निश्चित केले जातात; येथे तो pin न वापरल्यामुळे repository मधील नवीनतम release install होतो.
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-toolkitPackage install करणे पुरेसे नाही, कारण runtime उपलब्ध आहे हे Docker ला सांगावे लागते.
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart dockernvidia-ctk runtime configure, /etc/docker/daemon.json मध्ये nvidia runtime entry लिहिते. Restart करणे हा अनेकदा वगळला जाणारा टप्पा आहे. तो वगळल्यास या संपूर्ण setup मधील सर्वात सामान्य error दिसतो. Jellyfin मध्ये बदल करण्यापूर्वी ही plumbing तपासा.
sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smiयामुळे host वर दिसलेलीच table print झाली पाहिजे. त्याऐवजी gpu capabilities असलेला device driver निवडता येत नसल्याचा error दिसल्यास Docker daemon ला nvidia runtime माहीत नाही. त्यामुळे configure command पुन्हा चालवा आणि daemon restart करा.
Docker Compose मध्ये Jellyfin कंटेनरला GPU द्या
हा आधुनिक Compose प्रकार आहे. तो Jellyfin ने प्रकाशित केलेल्या उदाहरणावर आधारित आहे आणि NVIDIA ची दोन्ही environment variables स्पष्टपणे लिहितो.
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]कंटेनर सुरू करा आणि त्याची थेट तपासणी करा.
docker compose up -d
docker compose exec jellyfin nvidia-smiकंटेनरच्या आतून driver table दिसल्यास GPU visibility आणि management library कार्यरत आहेत. मात्र video libraries आणि प्रत्यक्ष transcode प्रक्रियेची अजून तपासणी करावी लागेल.
त्या फाइलमधील चार ओळींचे स्पष्टीकरण आवश्यक आहे. capabilities: [gpu] Compose साठीच आवश्यक आहे. ही ओळ वगळल्यास Compose सेवा GPU शिवाय सुरू करत नाही; त्याऐवजी सेवा नाकारतो. NVIDIA_DRIVER_CAPABILITIES=all महत्त्वाचे आहे, कारण video capability मागितल्यावरच toolkit video libraries कंटेनरमध्ये mount करते. ही variable unset असल्यास तिचे default मूल्य फक्त utility आणि compute असते. अधिकृत Jellyfin image मध्ये ती आधीच सेट केलेली असते. त्यामुळे त्या image वर ही ओळ कोणत्याही override पासून संरक्षण देते. तुम्ही स्वतःची image build करत असल्यास ती ओळ स्वतः add करणे आवश्यक आहे, असे Jellyfin च्या documentation मध्ये सांगितले आहे. Video capability नसल्यास CUDA कार्य करते, पण NVDEC कार्य करत नाही आणि transcode log मध्ये Cannot load libnvcuvid.so.1 दिसते. network_mode: host Jellyfin च्या स्वतःच्या NVIDIA उदाहरणात वापरलेले आहे. Jellyfin च्या container guide नुसार host networking पर्यायी आहे, पण DLNA साठी आवश्यक आहे. त्याऐवजी bridge network वापरत असल्यास 8096/tcp आणि 7359/udp auto-discovery port तुम्हालाच publish करावा लागेल.
user: 1000:1000 ही शेवटची ओळ आहे आणि तिचा GPU शी काही संबंध नाही. Jellyfin ला media mount वरील कोणत्या फाइल्स वाचता येतील हे ती ठरवते. येथे mismatch असल्यास permissions error ऐवजी library रिकामी दिसते. PUID आणि PGID कंटेनर वापरकर्त्याला disk वरील फाइल्सशी कसे map करतात या लेखात numbering चे स्पष्टीकरण आहे. Docker Compose मध्ये याच्या शेजारी Sonarr आणि Radarr stack चालवला असल्यास तुम्ही आधीच सेट केलेली हीच numbering येथेही वापरली जाते.
बहुतेक ट्यूटोरियलमध्ये अजूनही runtime: nvidia असे का लिहिले जाते
तुम्हाला आढळणाऱ्या जवळपास प्रत्येक मार्गदर्शिकेत जुना प्रकार दिसतो आणि तो चुकीचा नाही. त्यामागे ऐतिहासिक कारण आहे. मूळ nvidia-docker2 पॅकेजने nvidia नावाचा OCI runtime नोंदवला होता. त्या runtime सोबत वापरली जाणारी environment-variable पद्धत NVIDIA_VISIBLE_DEVICES होती. ती --runtime=nvidia द्वारे किंवा Docker चा default runtime म्हणून निवडली जात होती. Docker 19.03 मध्ये --gpus flag आणि योग्य device-request API जोडण्यात आले. Compose ला त्यासाठी अधिक वेळ लागला. समर्थन जोडले गेले तेव्हा device request deploy.resources.reservations.devices अंतर्गत आले. बहुतेक लोकांनी ही key दुर्लक्षित करायला शिकले होते, कारण deploy चा अर्थ पूर्वी Docker Swarm असा होता.
त्यामुळे आज दोन्ही प्रकार चालतात आणि Jellyfin च्या प्रकाशित उदाहरणात दोन्ही एकाच वेळी आहेत. runtime: nvidia ठेवण्यासाठी कोणताही अतिरिक्त खर्च नाही आणि त्यामुळे ही फाइल जुन्या Compose आवृत्त्यांवरही चालते. तुम्ही फक्त runtime: nvidia ठेवून deploy block काढून टाकल्यास NVIDIA_VISIBLE_DEVICES=all ठेवणे आवश्यक आहे. हा legacy मार्ग कोणती devices inject करायची हे ठरवण्यासाठी environment variable वाचतो. त्याऐवजी वाचण्यासाठी त्याच्याकडे device request उपलब्ध नसते.
Jellyfin मध्ये NVIDIA हार्डवेअर transcoding सुरू करा
आतापर्यंतच्या कोणत्याही सेटिंगने Jellyfin ला हे कार्ड वापरण्यास सांगितलेले नाही. Dashboard, त्यानंतर Playback आणि मग Transcoding येथे जा. Hardware acceleration साठी Nvidia NVENC निवडा. Enable hardware encoding निवडा. अन्यथा Jellyfin GPU वर decoding करून CPU वर encoding करेल. या गोंधळात टाकणाऱ्या स्थितीत GPU वर activity दिसते, पण CPU वर अजूनही मोठा भार येतो.
Enable enhanced NVDEC decoder सुरू केल्यावर सध्याचा NVDEC मार्ग आणि जुना CUVID मार्ग यांमध्ये निवड करता येते. हे सुरूच ठेवा. Dolby Vision हाताळणीसाठी NVDEC वापरण्याकरिता ते सुरू असणे आवश्यक आहे.
Enable hardware decoding for अंतर्गत, तुमचे कार्ड प्रत्यक्षात decode करू शकत असलेले codecsच निवडा. हीच सेटिंग अनेकदा चुकीची केली जाते. AV1 decoder नसलेल्या कार्डवर AV1 निवडल्यास hardware decoding ची विनंती होऊ शकते आणि Hardware is lacking required capabilities सह अपयश येऊ शकते. समर्थित नसलेली निवड केल्यावर software decoding कडे fallback होईलच याची हमी नसते.
या संपूर्ण पृष्ठासाठी आणखी एक अट लागू आहे: hardware acceleration ला पूर्ण समर्थन फक्त bundled jellyfin-ffmpeg build मध्ये आहे. इतर कोणत्याही ठिकाणाहून घेतलेले FFmpeg binaries वापरल्यास partial acceleration मिळते, असे Jellyfin च्या documentation मध्ये नमूद आहे. त्यामुळे तुम्ही FFmpeg path एखाद्या system FFmpeg कडे निर्देशित केला असल्यास, तो पुन्हा bundled build कडे बदला.
तुमची GPU पिढी कोणते codecs decode आणि encode करू शकते
हे NVENC आणि NVDEC साठी Jellyfin ने नमूद केलेल्या मर्यादा आहेत. Decode आणि encode या स्वतंत्र क्षमता आहेत. त्यामुळे एखाद्या card कडे यापैकी एक क्षमता असू शकते आणि दुसरी नसू शकते.
- H.264 8-bit: NVENC आणि NVDEC असलेला प्रत्येक NVIDIA GPU हे decode आणि encode दोन्ही करू शकतो.
- HEVC 8-bit: Maxwell second generation (GM206) आणि त्यानंतरच्या पिढ्यांपासून decode आणि encode उपलब्ध आहे.
- HEVC 10-bit: Maxwell second generation आणि त्यानंतरच्या पिढ्यांपासून decode उपलब्ध आहे. मात्र त्या पिढीतील केवळ GM206 variants मध्ये ही क्षमता आहे. Encode मात्र Pascal आणि त्यानंतरच्या पिढ्यांपासून उपलब्ध आहे.
- AV1: Ampere आणि त्यानंतरच्या पिढ्यांपासून decode उपलब्ध आहे. याला GA100 data center chip अपवाद आहे. NVIDIA च्या decoder table मध्ये Hopper साठीही AV1 decode उपलब्ध नसल्याचे नमूद आहे. Encode Ada Lovelace आणि त्यानंतरच्या पिढ्यांपासून उपलब्ध आहे. Jellyfin मध्ये यासाठी 10.9 पासून support आहे.
HEVC 10-bit मधील हा फरक प्रत्यक्ष वापरात महत्त्वाचा ठरतो. GM206-आधारित Maxwell card तुमची 4K HDR file GPU वर decode करू शकते, पण 10-bit output encode करू शकत नाही. मात्र ती 8-bit H.264 आणि 8-bit HEVC encoding support करते. इतर Maxwell chips hardware मध्ये HEVC 10-bit decode करतच नाहीत. Jellyfin client च्या capabilities आणि encoding settings नुसार output codec निवडते. त्याच्या HEVC transcoding path मध्ये 8-bit Main profile सक्तीने वापरला जातो. AV1 output फक्त त्याला support करणाऱ्या clients साठी निवडा.
Tone mapping मुळे GPU पुन्हा शांतपणे व्यस्त का होते
HDR (high dynamic range) ते SDR (standard dynamic range) tone mapping ही तुमचा GPU budget संपवणारी setting आहे. याचे कारण architectural आहे. Decode NVDEC वर चालते. Encode NVENC वर चालते. Tone mapping यापैकी कोणावरही चालत नाही. ते shader cores वर चालणारे CUDA filter आहे. हेच GPU चे general-purpose भाग compute काम चालवतात. त्यामुळे tone mapping आवश्यक असलेला 4K HDR stream decoder आणि encoder दोन्ही वापरतो. त्यासोबत shaders वरही load येतो.
Jellyfin नुसार HEVC 10-bit decode करू शकणाऱ्या प्रत्येक NVIDIA GPU वर CUDA tone mapping उपलब्ध आहे. याचा अर्थ checkbox दिसतो आणि 4K वर हा load सातत्याने हाताळता न येणाऱ्या cards वरही तो कार्यरत होतो. Stream सुरू होतो, buffer होतो आणि स्थिर होत नाही, हे त्याचे लक्षण आहे. त्याच वेळी nvidia-smi encoder barely busy असल्याचे दाखवतो.
म्हणून shader load स्वतंत्रपणे पाहणे उपयुक्त ठरते.
nvidia-smi dmon -s uयामुळे दर सेकंदाला एक line छापली जाते. त्यात sm, enc आणि dec साठी स्वतंत्र columns असतात. enc आणि dec कमी असताना sm ची value जास्त असल्यास fixed-function blocks ऐवजी shaders कडे निर्देश होतो. त्यामुळे tone mapping, scaling किंवा subtitle burn-in यापैकी एखाद्याचा खर्च असण्याची शक्यता असते. याला पुरावा नव्हे, तर पुढील तपासासाठीचा संकेत समजा. NVIDIA GPU utilisation ची व्याख्या sample period दरम्यान किमान एक kernel चालू असलेल्या कालावधीचा वाटा अशी करते. त्यामुळे value जास्त असल्यास shaders व्यस्त होते असे कळते; ते saturated होते असे नाही. CUDA path Dolby Vision profile 5 देखील zero copy सह हाताळतो. हे महत्त्वाचे आहे, कारण zero copy नसल्यास प्रत्येक filter step दरम्यान frames system memory मध्ये बाहेर पाठवावे लागतात आणि पुन्हा परत आणावे लागतात. त्यामुळे प्रत्येक frame साठी त्या round trip ला bandwidth खर्च होते.
Consumer NVENC session cap प्रत्यक्षात काय मर्यादित करते
या तक्त्यामागील 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
}
]हे ऑक्टोबर 2026 पर्यंत NVIDIA ने प्रकाशित केलेल्या matrix मधील आकडे आहेत; ते येथे केलेली मोजमापे नाहीत. NVIDIA चे धोरण एका system मधील सर्व GeForce cards साठी एकत्रित concurrent encode sessions ची संख्या 12 इतकी मर्यादित करते, cards कोणतेही models असले तरी. ही मर्यादा silicon मध्ये नसून driver मध्ये असते. NVIDIA ने गेल्या काही वर्षांत ही मर्यादा एकापेक्षा अधिक वेळा वाढवली आहे. त्यामुळे जुन्या forum thread ऐवजी सध्याची matrix पहा. Engine count मात्र card नुसार खरोखर बदलतो: GeForce RTX 5090 मध्ये 3 NVENC engines आहेत, तर GeForce RTX 4060 मध्ये 1 आहेत. अधिक engines मुळे parallel encode throughput वाढतो; session ceiling वाढत नाही.
ही मर्यादा Jellyfin च्या बाहेरील video encodes धरून सर्व encode sessions मोजते. Direct play आणि remuxing यामुळे encode session सुरू होत नाही. L4 सारखी data center cards त्याच matrix मध्ये unrestricted म्हणून सूचीबद्ध आहेत. मात्र A100 आणि H100 सारख्या models मध्ये NVENC encoder नाही. त्यामुळे GPU VPS plan मध्ये नेमके card कोणते आहे ते तपासा.
ही मर्यादा गाठल्यास transcode अयशस्वी होते आणि FFmpeg log मध्ये OpenEncodeSessionEx failed: out of memory (10) आढळतो. संदेशात memory चा उल्लेख असतो. मात्र session-limit refusal साठीही हाच code वापरला जातो. त्यामुळे VRAM leak शोधण्यापूर्वी concurrent stream count तपासा. प्रत्यक्ष वापरात बहुतेकांना session twelve पर्यंत पोहोचण्यापूर्वी tone-mapping ceiling किंवा upload bandwidth ची मर्यादा जाणवते.
GPU transcoding करत आहे हे सिद्ध करा; configuration वर विश्वास ठेवू नका
जतन केलेली setting हा पुरावा नाही. Transcode होईल याची खात्री असलेली फाइल प्ले करा आणि त्यानंतर तीन तपासण्या करा.
- Dashboard उघडा आणि त्यानंतर Playback उघडा. Active session मध्ये Transcoding असे दिसले पाहिजे आणि त्याचे कारणही नमूद केलेले असले पाहिजे. Direct playing असे दिसत असल्यास कोणतेही transcoding होत नाही; तुम्ही चुकीची फाइल तपासत आहात.
- Dashboard उघडा आणि त्यानंतर Logs उघडा. सर्वात नवीन
FFmpeg.Transcodelog उघडा. पूर्ण hardware transcode मध्ये command line वर-hwaccel cudaआणि-hwaccel_output_format cudaदिसतात. त्यासोबतh264_nvencकिंवाhevc_nvencसारखा NVENC encoder, किंवा Ada Lovelace आणि त्यानंतरच्या आवृत्त्यांमध्ये AV1 NVENC encoder दिसतो. तेथेlibx264दिसत असल्यास settings page काहीही सांगत असला तरी encoding software मध्ये होत आहे. NVENC encoder असताना-hwaccel cudaन दिसल्यास decoding चा भाग software मध्ये चालू आहे. - Playback सुरू असताना host वर
nvidia-smiचालवा./usr/lib/jellyfin-ffmpeg/ffmpegमधील process GPU memory allocate करून दिसला पाहिजे.nvidia-smi dmon -s uमध्ये enc आणि dec columns साठी शून्येतर मूल्ये दिसली पाहिजेत.
ही तिसरी तपासणी container च्या आत नव्हे, तर host वर करा. Container मधील nvidia-smi सामान्यतः रिकामी process list दाखवते, कारण त्याला स्वतःच्या namespace बाहेरील process IDs दिसत नाहीत. मात्र utilisation ची मूल्ये योग्य दिसत राहतात. Container मधील रिकामी process list ही त्रुटी नाही.
तुम्हाला न सांगता software कडे fallback झाल्यावर
Hardware encoding disabled असताना किंवा विनंती केलेला hardware encoder उपलब्ध नसताना Jellyfin software encoder निवडतो. Playback दरम्यान hardware path अयशस्वी झाल्यास stream तरीही अयशस्वी होऊ शकतो. त्यामुळे प्रत्येक failure software कडे fallback होतो असे गृहीत धरण्याऐवजी FFmpeg log वाचा.
Transcode log मधील Cannot load libnvcuvid.so.1 याचा अर्थ dynamic loader decoder library लोड करू शकला नाही. केवळ या संदेशावरून library mount झाली होती की नाही हे ठरवता येत नाही. NVIDIA_DRIVER_CAPABILITIES=all तसेच container मधील driver libraries आणि dynamic links तपासा. Environment बदलल्यास docker compose up -d वापरून container पुन्हा तयार करा; साधा restart जुनी settings कायम ठेवतो.
No capable devices found मधील h264_nvenc याचा अर्थ FFmpeg encoder library पर्यंत पोहोचला, परंतु वापरता येणारे card आढळले नाही. docker compose exec jellyfin nvidia-smi पुन्हा तपासा. त्यानंतर device आणि encoder capability संदर्भातील failure साठी त्यापूर्वीचे log messages वाचा.
GPU वर फारसा वापर दिसत नसताना CPU वापर जास्त असल्यास कोणते stages software वापरत आहेत हे तपासा. तुमच्या generation ला decode करता न येणारे codecs untick करा. त्यानंतर तीच file पुन्हा play करा आणि -hwaccel cuda दिसते का हे पाहण्यासाठी FFmpeg log पुन्हा वाचा. ते दिसत असेल आणि CPU अजूनही व्यस्त असेल, तर Jellyfin GPU वर चालवू शकत नसलेला stage शोधा. उदाहरणार्थ, image subtitle burn-in असे stage असू शकते.
1080p योग्य चालत असताना 4K HDR वरील transcode सुरू होऊन नंतर थांबत असेल, तर install खराब नसून tone-mapping ceiling हे सहसा कारण असते. nvidia-smi dmon -s u मधील sm column पाहा. त्यानंतर tone mapping बंद करून तीच file पुन्हा play करा. Stream स्थिर झाल्यास tone mapping ही मर्यादा होती. त्यानंतर client ने मागितलेली resolution कमी करा किंवा 4K HDR files direct play करू शकणाऱ्या clients वरच ठेवा.
FAQ
Jellyfin मध्ये NVENC सक्षम केल्यानंतरही CPU चा वापर का होत आहे?
Dashboard, त्यानंतर Logs येथे नवीनतम FFmpeg.Transcode log तपासा. त्यात libx264 दिसत असल्यास, encoding software मध्ये सुरू आहे. -hwaccel cuda देखील नसल्यास, command मध्ये निवडलेला decoder तपासा आणि GPU उपलब्ध असल्याची खात्री करण्यासाठी docker compose exec jellyfin nvidia-smi चालवा. -hwaccel cuda हे libx264 च्या शेजारी असल्यास, command GPU decoding आणि software encoding मागत आहे; Enable hardware encoding सक्षम आहे का आणि Jellyfin ला विनंती केलेला hardware encoder आढळतो का ते तपासा. केवळ flags पाहून GPU decoding यशस्वी झाले असे सिद्ध होत नाही. h264_nvenc दिसत असल्यास, पण -hwaccel cuda नसल्यास, Enable hardware decoding for अंतर्गत त्या file चा codec निवडलेला आहे का ते तपासा. तुमचे card decode करू शकत नसलेला codec निवडल्यास software fallback ऐवजी hardware-decoder error येऊ शकतो. दोन्ही उपस्थित असूनही CPU व्यस्त असल्यास, भार CPU वरच राहणाऱ्या टप्प्यामुळे येत आहे; उदाहरणार्थ subtitle burn-in.
Docker Compose मध्ये runtime: nvidia line अजूनही आवश्यक आहे का?
तुमच्याकडे deploy.resources.reservations.devices block आणि सध्याचे Docker Compose असल्यास, ती आवश्यक नाही. हा block आधुनिक device-request पद्धत वापरतो आणि तेच काम करतो. runtime: nvidia हा nvidia-docker2 काळातील जुना मार्ग आहे. तो अजूनही कार्यरत आहे आणि Jellyfin च्या स्वतःच्या प्रकाशित उदाहरणात दोन्ही ठेवले आहेत. दोन्ही ठेवणे निरुपद्रवी आहे. केवळ runtime: nvidia ठेवल्यास NVIDIA_VISIBLE_DEVICES=all देखील ठेवावे लागेल, कारण त्या मार्गात device request नसते आणि device list environment मधून घेतली जाते.
एक NVIDIA GPU एकाच वेळी किती streams transcode करू शकतो?
October 2026 पर्यंत NVIDIA च्या प्रकाशित धोरणानुसार, प्रत्येक system साठी GeForce cards वर एकत्रितपणे बारा concurrent encode sessions ची मर्यादा आहे. L4 सारखी data center cards unrestricted म्हणून नमूद आहेत; मात्र काही data center models मध्ये NVENC encoder नसतो. ही मर्यादा क्वचितच मुख्य अडथळा ठरते. HDR ते SDR tone mapping हे NVENC वर नव्हे, तर shader cores वर चालते. त्यामुळे यामुळे स्वतंत्र performance limit येते. nvidia-smi dmon -s u वापरून तुमच्या प्रकरणाचे मोजमाप करा आणि session count ऐवजी sm column वर लक्ष ठेवा.
GPU नसलेल्या VPS वर hardware transcoding वापरता येईल का?
नाही. Encoding साठी physical NVENC block आवश्यक असतो आणि standard VPS वर lspci -nn | grep -Ei "3d|display|vga" hypervisor कडून मिळणारा केवळ virtual display adapter दाखवतो. GPU नसलेल्या plan साठी व्यवहार्य उपाय म्हणजे transcodes टाळणे. Client ची quality setting Auto वर वाढवा, browser ऐवजी native client app वापरा आणि image-based subtitles थेट render करणारा client वापरा. Subtitle compatibility मुळे burn-in आवश्यक असल्यास त्यांना text मध्ये convert करा.
1080p transcode व्यवस्थित होत असताना 4K HDR मध्ये stutter का येतो?
दोन्ही workloads card च्या वेगवेगळ्या भागांचा वापर करतात. 1080p SDR transcode मध्ये मुख्यतः decode आणि encode असतात. Card codec ला support करत असल्यास दोन्ही fixed-function hardware वर चालतात. याशिवाय stream ला आवश्यक असलेले scaling, deinterlacing किंवा subtitle burn-in चालते. 4K HDR stream मध्ये tone mapping जोडले जाते. हे shader cores वर चालणारे CUDA filter आहे. तसेच scale करण्यासाठी frame खूप मोठा असतो. High sm च्या शेजारी low enc आणि dec दिसणारे nvidia-smi dmon -s u याच दिशेने निर्देश करते. Fixed-function blocks वर कमी भार असतो, तर shaders व्यस्त असतात. Tone mapping बंद करून file पुन्हा चालवल्यास हे निश्चित करता येते.