Jellyfin NVIDIA hardware transcoding in Docker instellen
Configureer NVIDIA NVENC en NVDEC voor uw Jellyfin container via Docker Compose. Volg deze stappen om de GPU correct door te geven en verifieer het gebruik met nvidia-smi.
Wat u bouwt
Hardware-transcoding voor Jellyfin op een NVIDIA GPU bestaat uit vier stappen in een vaste volgorde, waarbij alleen de laatste stap binnen Jellyfin plaatsvindt. De container kan geen GPU zien die de host-driver niet heeft geladen. Jellyfin kan geen GPU gebruiken die de container niet kan zien. Werk in deze volgorde; elke fout heeft dan een duidelijke plek om te onderzoeken.
- Installeer de NVIDIA-driver op de host en bevestig dit met
nvidia-smi. - Installeer de NVIDIA Container Toolkit zodat Docker een GPU aan een container kan toewijzen.
- Reserveer de GPU voor de Jellyfin-service in
docker-compose.ymlen bevestig daarna dat de container deze ziet. - Schakel NVENC en NVDEC in de eigen afspeelinstellingen van Jellyfin in en bevestig vervolgens dat een daadwerkelijke stream deze gebruikt.
NVENC (NVIDIA encoder) en NVDEC (NVIDIA decoder) zijn blokken met een vaste functie op de kaart. Dit is aparte hardware ten opzichte van de shader-cores die CUDA (compute unified device architecture) taken uitvoeren. Die scheiding is de reden waarom dit de moeite waard is: een stream die in software meerdere CPU-cores verbruikt, kost nu slechts een klein deel van één core plus een toegewezen hardwareblok op de GPU.
Direct play is altijd beter dan transcoderen, dus controleer dat eerst
Voordat u dit configureert, moet u achterhalen of u transcodeert om een reden die u eenvoudig kunt wegnemen. Jellyfin transcodeert wanneer de client het bestand niet in de huidige vorm kan afspelen. De reden is bijna altijd een van de volgende: de videocodec, de audiocodec, het containerformaat, ondertitels op basis van afbeeldingen, een bitrate-limiet die door de client is opgevraagd, of een resolutie- of andere beperking die de client heeft gerapporteerd.
Open het Dashboard, ga naar Playback en bekijk een actieve sessie terwijl er iets wordt afgespeeld. Een sessie met de status Direct playing verstuurt het bestand ongewijzigd en kost vrijwel geen CPU. Een sessie met de status Transcoding toont de reden waarom Jellyfin hiervoor heeft gekozen. Neem die reden weg en de GPU hoeft helemaal niet te draaien.
Twee wijzigingen elimineren de meeste transcodes. Zet de kwaliteit van de client-app op Auto of op het maximum, want een client die om 4 Mbps vraagt, dwingt een herencodering af van een bestand van 20 Mbps, ongeacht de codec. Gebruik daarnaast een native client-app in plaats van een browsertabblad, omdat een browser de meest beperkte speler is die u heeft; een native app op dezelfde tv zal hetzelfde bestand vaak wel direct afspelen.
Ondertitels op basis van afbeeldingen hoeven alleen in de video te worden gebrand (burn-in) wanneer de client ze niet rechtstreeks kan weergeven. PGS-ondertitels van een Blu-ray-rip en VOBSUB van een dvd-rip zijn afbeeldingen, maar compatibele clients tonen deze zonder videotranscodering; de geïntegreerde Android-speler van Jellyfin ondersteunt PGS rechtstreeks. Tekstondertitels in SRT-formaat worden afzonderlijk verzonden wanneer de client deze ondersteunt. Het converteren van ondertitelsporen naar tekst is nuttig wanneer de compatibiliteit van ondertitels burn-in afdwingt. De rest van de serverkant wordt behandeld in de handleiding voor het draaien van een Jellyfin-mediaserver op een VPS.
De meeste VPS-abonnementen beschikken niet over een GPU
Standaard VPS-abonnementen bevatten geen GPU. Voer dit commando uit op de server voordat u andere plannen maakt.
lspci -nn | grep -Ei "3d|display|vga"Op een typische KVM VPS toont dit een virtuele display-adapter van de hypervisor, of helemaal niets bruikbaars. Dat apparaat kan geen video encoderen. Een echte GPU is alleen aanwezig wanneer de provider een fysieke kaart doorgeeft aan uw instantie of een deel daarvan toewijst; dergelijke abonnementen zijn navenant geprijsd. Welke workloads rechtvaardigen de kosten van een GPU VPS beschrijft voor wie dit wel of niet zinvol is.
Als er geen GPU aanwezig is, streef dan naar direct play en beschouw software-transcoding als een uitzondering. Een enkele 1080p H.264 software-transcode is zwaar, maar haalbaar op enkele CPU-cores. Een 4K HDR software-transcode met tone mapping is echter niet iets wat een kleine VPS in real-time kan verwerken; de stream zal haperen terwijl de CPU op 100 procent belasting blijft hangen.
De NVIDIA-driver installeren op de host
Jellyfin 10.11 documenteert een minimale NVIDIA-driver van 520.56.06 op Linux. De geïnstalleerde jellyfin-ffmpeg-build kan een nieuwere driver vereisen; het transcode-logboek rapporteert het minimum wanneer de NVENC API van de driver te oud is. Ubuntu levert een helper die een passend pakket voor u selecteert.
sudo ubuntu-drivers list --gpgpu
sudo ubuntu-drivers install --gpgpu
sudo reboot--gpgpu selecteert de headless server-variant van de driver; dit is wat een mediaserver vaak prefereert, aangezien er geen desktopomgeving op de machine aanwezig is. Het list-commando toont de beschikbare branches, en u kunt er een vastzetten op naam, bijvoorbeeld sudo ubuntu-drivers install --gpgpu nvidia:570-server. Gebruik een branch die daadwerkelijk door het list-commando is getoond, niet degene die hier als voorbeeld staat.
De server-variant installeert niet altijd automatisch nvidia-smi. Installeer het bijbehorende utils-pakket voor de gekozen branch, bijvoorbeeld sudo apt install nvidia-utils-570-server. Controleer daarna de driver.
nvidia-smiEen correct resultaat toont een tabel met de driverversie en CUDA-versie in de koptekst en uw kaart vermeld bij naam. De proceslijst rapporteert processen die Compute-, Graphics- of andere GPU-bronnen gebruiken; deze kan gevuld zijn op een werkende GPU, en een lege lijst betekent dat er geen GPU-processen worden gerapporteerd. Twee fouten komen hier vaak voor. nvidia-smi: command not found betekent dat het utils-pakket ontbreekt, niet de driver. NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver betekent dat de kernelmodule niet is geladen, wat bij een verse installatie bijna altijd betekent dat u nog niet opnieuw hebt opgestart, of dat Secure Boot het laden van een niet-ondertekende module weigert. Bevestig de aanwezigheid van de module met lsmod | grep nvidia. Als dit niets toont en sudo modprobe nvidia faalt met Key was rejected by service, blokkeert Secure Boot de module, en het wissen van de Secure Boot-sleutelweigering behandelt het controleren van de firmwarestatus en het vervolgens registreren van een machine owner key of het uitschakelen van de handhaving.
De NVIDIA Container Toolkit installeren
De driver stelt de host in staat om de GPU te gebruiken. Docker geeft deze echter niet door aan een container, omdat de container noch de device nodes, noch de driver-libraries bezit. De NVIDIA Container Toolkit is het onderdeel dat beide injecteert bij het starten van de container. Deze commando's volgen de officiële installatiestappen van NVIDIA voor Debian en Ubuntu. De huidige handleiding van NVIDIA koppelt de toolkit-pakketten aan één release via een versievariabele; door deze koppeling weg te laten, zoals hier gedaan, wordt de nieuwste release in de repository geïnstalleerd.
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-toolkitHet installeren van het pakket is onvoldoende, omdat Docker moet worden geïnformeerd over het bestaan van de runtime.
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart dockernvidia-ctk runtime configure schrijft een nvidia runtime-vermelding in /etc/docker/daemon.json. De herstart is de stap die vaak wordt overgeslagen, en het overslaan hiervan veroorzaakt de meest voorkomende fout in deze gehele configuratie. Test de verbinding voordat u met Jellyfin aan de slag gaat.
sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smiDit zou dezelfde tabel moeten weergeven als de host heeft geprint. Als het commando in plaats daarvan faalt met een foutmelding over het onvermogen om een device driver met gpu-mogelijkheden te selecteren, dan is de nvidia-runtime niet bekend bij de Docker-daemon. Voer in dat geval het configuratiecommando opnieuw uit en herstart de daemon.
De GPU toewijzen aan de Jellyfin-container in Docker Compose
Dit is de moderne Compose-notatie. Deze bouwt voort op het voorbeeld dat Jellyfin publiceert en specificeert de twee NVIDIA-omgevingsvariabelen expliciet.
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]Start de container en vraag de status direct op.
docker compose up -d
docker compose exec jellyfin nvidia-smiAls dit de driver-tabel vanuit de container toont, werken de GPU-zichtbaarheid en de management-library; de videobibliotheken en een daadwerkelijke transcode moeten nog worden gecontroleerd.
Vier regels in dat bestand behoeven toelichting. capabilities: [gpu] is vereist door Compose zelf; als u deze weglaat, weigert Compose de service te starten in plaats van deze zonder GPU te draaien. NVIDIA_DRIVER_CAPABILITIES=all is van belang omdat de toolkit de videobibliotheken alleen in de container mount wanneer de video-capability wordt aangevraagd. Wanneer de variabele niet is ingesteld, is de standaardinstelling beperkt tot utility en compute. De officiële Jellyfin-image stelt dit al in, dus bij die image dient de regel als beveiliging tegen overschrijvingen; de documentatie van Jellyfin stelt dat u deze zelf moet toevoegen als u een eigen image bouwt. Zonder de video-capability werkt CUDA wel, maar NVDEC niet, en rapporteert het transcode-logboek Cannot load libnvcuvid.so.1. network_mode: host is wat het eigen NVIDIA-voorbeeld van Jellyfin gebruikt. De container-handleiding van Jellyfin noemt host-networking optioneel, maar vereist voor DLNA. Als u in plaats daarvan een bridge-netwerk gebruikt, publiceert u 8096/tcp en de 7359/udp-poort voor auto-discovery zelf.
user: 1000:1000 is de laatste, en deze heeft niets met de GPU te maken. Deze bepaalt welke bestanden Jellyfin kan lezen op uw media-mount; een mismatch hier resulteert in een lege bibliotheek in plaats van een rechtenfout. Hoe PUID en PGID een container-gebruiker koppelen aan bestanden op schijf legt de nummering uit. Dit is dezelfde nummering die u al heeft ingesteld als u de Sonarr en Radarr stack in Docker Compose naast deze stack draait.
Waarom de meeste handleidingen nog steeds runtime: nvidia schrijven
De oudere vorm komt voor in bijna elke handleiding die u zult vinden, en deze is niet onjuist. Het is geschiedenis. Het oorspronkelijke nvidia-docker2-pakket registreerde een OCI-runtime genaamd nvidia, en het omgevingsvariabelepad gebruikte NVIDIA_VISIBLE_DEVICES bij die runtime, geselecteerd via --runtime=nvidia of als de standaard-runtime van Docker. Docker 19.03 voegde de --gpus-vlag en een correcte device-request API toe. Compose had meer tijd nodig om dit te ondersteunen, en toen dat eenmaal het geval was, kwam het device request onder deploy.resources.reservations.devices te vallen, een sleutel die de meeste mensen hadden geleerd te negeren omdat deploy voorheen Docker Swarm betekende.
Het resultaat is dat beide vormen tegenwoordig werken, en het gepubliceerde voorbeeld van Jellyfin bevat beide tegelijk. Het behouden van runtime: nvidia kost niets en zorgt ervoor dat het bestand werkt op oudere Compose-versies. Als u alleen runtime: nvidia behoudt en het deploy-blok verwijdert, moet u NVIDIA_VISIBLE_DEVICES=all behouden, omdat dat legacy-pad de omgevingsvariabele leest om te bepalen welke apparaten moeten worden geïnjecteerd en geen device request heeft om in plaats daarvan uit te lezen.
NVIDIA hardware-transcodering inschakelen in Jellyfin
Tot nu toe is Jellyfin nog niet geconfigureerd om de kaart te gebruiken. Ga naar Dashboard, vervolgens naar Playback en daarna naar Transcoding. Stel Hardware acceleration in op Nvidia NVENC. Vink Enable hardware encoding aan; als u dit niet doet, decodeert Jellyfin op de GPU en encodeert vervolgens op de CPU. Dit is een inefficiënte tussenfase waarbij de GPU activiteit vertoont, maar de CPU alsnog zwaar wordt belast.
Enable enhanced NVDEC decoder schakelt tussen het huidige NVDEC-pad en het oudere CUVID-pad. Laat deze optie ingeschakeld. Voor de verwerking van Dolby Vision is deze instelling vereist om NVDEC überhaupt te kunnen gebruiken.
Vink onder Enable hardware decoding for alleen de codecs aan die uw kaart daadwerkelijk kan decoderen. Dit is de instelling waar de meeste fouten worden gemaakt. Het aanvinken van AV1 op een kaart zonder AV1-decoder kan leiden tot een verzoek om hardware-decodering dat faalt met Hardware is lacking required capabilities. Een niet-ondersteunde selectie garandeert geen automatische terugval naar software-decodering.
Er geldt nog één beperking voor de gehele pagina: hardware-versnelling wordt alleen volledig ondersteund met de meegeleverde jellyfin-ffmpeg-build. De documentatie van Jellyfin waarschuwt dat FFmpeg-binaries van andere bronnen resulteren in gedeeltelijke versnelling. Als u het FFmpeg-pad heeft ingesteld op een systeem-FFmpeg, zet dit dan terug naar de standaardwaarde.
Welke codecs uw GPU-generatie kan decoderen en encoderen
Dit zijn de grenzen die Jellyfin documenteert voor NVENC en NVDEC. Decoderen en encoderen zijn afzonderlijke mogelijkheden; een kaart kan de ene ondersteunen zonder de andere.
- H.264 8-bit: elke NVIDIA GPU met NVENC en NVDEC kan dit zowel decoderen als encoderen.
- HEVC 8-bit: decoderen en encoderen vanaf Maxwell tweede generatie (GM206) en nieuwer.
- HEVC 10-bit: decoderen vanaf Maxwell tweede generatie en nieuwer, waarbij alleen de GM206-varianten van die generatie dit ondersteunen, maar encoderen pas vanaf Pascal en nieuwer.
- AV1: decoderen vanaf Ampere en nieuwer, met uitzondering van de GA100 datacenter-chip (de decoder-tabel van NVIDIA vermeldt ook Hopper zonder AV1-decodering), en encoderen vanaf Ada Lovelace en nieuwer, wat Jellyfin ondersteunt vanaf 10.9.
Het onderscheid bij HEVC 10-bit zorgt in de praktijk vaak voor problemen. Een op GM206 gebaseerde Maxwell-kaart decodeert uw 4K HDR-bestand op de GPU en kan geen 10-bit output encoderen, maar ondersteunt wel zowel 8-bit H.264- als 8-bit HEVC-encodering. Andere Maxwell-chips decoderen HEVC 10-bit in het geheel niet in hardware. Jellyfin selecteert de output-codec op basis van de mogelijkheden van de client en de encoderingsinstellingen; het HEVC-transcoderingspad dwingt het 8-bit Main-profiel af. Kies alleen voor AV1-output voor clients die dit ondersteunen.
Waarom tone mapping stilletjes de GPU verzadigt
HDR (high dynamic range) naar SDR (standard dynamic range) tone mapping is de instelling die uw GPU-capaciteit volledig verbruikt, en de reden hiervoor is architecturaal. Het decoderen draait op NVDEC. Het encoderen draait op NVENC. Tone mapping draait op geen van beide: het is een CUDA-filter dat wordt uitgevoerd op de shader-cores, hetzelfde algemene onderdeel van de GPU dat ook rekenwerk uitvoert. Een 4K HDR-stream die tone mapping vereist, gebruikt dus de decoder en de encoder, en belast daarbovenop de shaders.
Jellyfin documenteert CUDA tone mapping als beschikbaar op elke NVIDIA GPU die HEVC 10-bit kan decoderen. Dit betekent dat het selectievakje verschijnt en werkt op kaarten die dit bij 4K niet kunnen bijhouden. Het symptoom is een stream die start, buffert en nooit stabiel wordt, terwijl nvidia-smi rapporteert dat de encoder nauwelijks belast is.
Daarom is het de moeite waard om de shader-belasting afzonderlijk in de gaten te houden.
nvidia-smi dmon -s uDit print één regel per seconde met afzonderlijke kolommen voor sm, enc en dec. Een lage enc- en dec-waarde naast een hoog sm-getal wijst op de shaders in plaats van op de fixed-function blokken; tone mapping, schalen of het inbranden van ondertitels zijn dan de waarschijnlijke oorzaak. Beschouw dit als een aanwijzing, niet als bewijs: NVIDIA definieert GPU-gebruik als het aandeel van de sampleperiode waarin ten minste één kernel werd uitgevoerd. Een hoge waarde betekent dus dat de shaders bezig waren, niet dat ze verzadigd zijn. Het CUDA-pad verwerkt ook Dolby Vision profile 5 met zero copy. Dit is van belang omdat frames zonder zero copy naar het systeemgeheugen en weer terug reizen tussen filterstappen, en die retour kost bandbreedte bij elk afzonderlijk frame.
Wat de NVENC-sessielimiet voor consumentenkaarten daadwerkelijk beperkt
De gegevens achter deze grafiek
[
{
"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
}
]Dit zijn de door NVIDIA gepubliceerde matrixcijfers per oktober 2026, geen eigen metingen. Het beleid van NVIDIA beperkt het aantal gelijktijdige encode-sessies op alle GeForce-kaarten in één systeem tot in totaal 12, ongeacht de modellen. De limiet bevindt zich in de driver en niet in de hardware zelf. NVIDIA heeft deze limiet in de loop der jaren meermaals verhoogd, dus raadpleeg de actuele matrix in plaats van een verouderde forumdiscussie. Het aantal engines is het onderdeel dat daadwerkelijk verschilt per kaart: de GeForce RTX 5090 beschikt over 3 NVENC-engines, terwijl de GeForce RTX 4060 er 1 heeft. Meer engines betekenen een hogere parallelle encode-doorvoer, niet een hoger plafond voor het aantal sessies.
De limiet telt encode-sessies, inclusief video-encodes buiten Jellyfin. Direct play en remuxing openen nooit een encode-sessie. Datacenter-kaarten zoals de L4 staan in dezelfde matrix als onbeperkt vermeld, maar modellen zoals de A100 en H100 hebben geen NVENC-encoder. Controleer daarom de exacte kaart in een GPU VPS-abonnement.
Wanneer u de limiet bereikt, mislukt de transcode en bevat het FFmpeg-logboek OpenEncodeSessionEx failed: out of memory (10). De melding verwijst naar geheugen, maar een weigering vanwege een sessielimiet rapporteert dezelfde code. Controleer daarom het aantal gelijktijdige streams voordat u op zoek gaat naar een VRAM-lek. In de praktijk bereiken de meeste gebruikers het plafond voor tone-mapping of hun uploadbandbreedte ruim voordat zij de twaalfde sessie bereiken.
Controleer of de GPU transcodeert, vertrouw niet op de configuratie
Een opgeslagen instelling is geen bewijs. Speel een bestand af waarvan u weet dat het een transcode afdwingt en voer vervolgens drie controles uit.
- Open Dashboard en daarna Playback. De actieve sessie moet Transcoding vermelden, inclusief de reden. Als er Direct playing staat, wordt er niets getranscodeerd en test u het verkeerde bestand.
- Open Dashboard, daarna Logs en open het nieuwste
FFmpeg.Transcodelogbestand. Een volledige hardware-transcode toont-hwaccel cudaen-hwaccel_output_format cudain de opdrachtregel, met een NVENC-encoder zoalsh264_nvencofhevc_nvenc, of de AV1 NVENC-encoder op Ada Lovelace en nieuwer. Als u daarlibx264ziet staan, betekent dit dat de encoding in software wordt uitgevoerd, ongeacht wat de instellingenpagina aangeeft. Een ontbrekende-hwaccel cudabij een NVENC-encoder betekent dat de decodering gedeeltelijk in software wordt uitgevoerd. - Voer
nvidia-smiuit op de host terwijl het afspelen doorgaat. Er moet een proces van/usr/lib/jellyfin-ffmpeg/ffmpegverschijnen met toegewezen GPU-geheugen, ennvidia-smi dmon -s umoet niet-nul waarden tonen in de kolommen enc en dec.
Voer die derde controle uit op de host, niet in de container. nvidia-smi in een container toont meestal een lege proceslijst omdat deze de proces-ID's van buiten de eigen namespace niet kan zien, terwijl de bezettingscijfers wel correct worden weergegeven. Een lege proceslijst in de container is geen fout.
Wanneer het systeem terugvalt op software zonder melding
Jellyfin selecteert een software-encoder wanneer hardware-encoding is uitgeschakeld of de gevraagde hardware-encoder niet beschikbaar is. Een hardwarepad dat faalt tijdens het afspelen kan de stream alsnog onderbreken, dus lees het FFmpeg-logboek in plaats van aan te nemen dat elke fout automatisch terugvalt op software.
Cannot load libnvcuvid.so.1 in het transcode-logboek betekent dat de dynamic loader de decoder-bibliotheek niet kon laden. De melding alleen stelt niet vast of de bibliotheek correct was gemount. Controleer NVIDIA_DRIVER_CAPABILITIES=all en de driver-bibliotheken en dynamic links van de container. Als u de omgeving wijzigt, maak de container dan opnieuw aan met docker compose up -d; een gewone herstart behoudt de oude instellingen.
No capable devices found uit h264_nvenc betekent dat FFmpeg de encoder-bibliotheek heeft bereikt, maar geen bruikbare kaart heeft gevonden. Controleer docker compose exec jellyfin nvidia-smi opnieuw en lees vervolgens de voorgaande logboekmeldingen voor fouten met betrekking tot apparaat- en encoder-mogelijkheden.
Een hoge CPU-belasting bij een inactieve GPU is een reden om te controleren welke fasen software gebruiken. Vink de codecs uit die uw generatie niet kan decoderen, speel daarna hetzelfde bestand opnieuw af en lees het FFmpeg-logboek opnieuw om te zien of -hwaccel cuda verschijnt. Als dit verschijnt en de CPU is nog steeds zwaar belast, zoek dan naar een fase die Jellyfin niet op de GPU kan plaatsen, zoals het inbranden van ondertitels in afbeeldingen.
Een transcode die start en vervolgens vastloopt bij 4K HDR terwijl 1080p goed werkt, is meestal de limiet van tone-mapping, niet een defecte installatie. Bekijk de sm-kolom in nvidia-smi dmon -s u en speel daarna hetzelfde bestand opnieuw af met tone-mapping uitgeschakeld: als de stream stabiel blijft, was tone-mapping de beperkende factor. Verlaag in dat geval de door de client gevraagde resolutie of bewaar 4K HDR-bestanden op clients die deze via direct play kunnen verwerken.
FAQ
Waarom gebruikt Jellyfin nog steeds de CPU nadat ik NVENC heb ingeschakeld?
Controleer het nieuwste FFmpeg.Transcode logbestand onder Dashboard, en vervolgens Logs. Als hier libx264 staat, draait de codering in software. Als -hwaccel cuda ook ontbreekt, controleer dan de geselecteerde decoder in het commando en voer docker compose exec jellyfin nvidia-smi uit om te bevestigen dat de GPU zichtbaar is. Als -hwaccel cuda naast libx264 staat, vraagt het commando om GPU-decodering met software-codering; controleer of "Enable hardware encoding" is ingeschakeld en of Jellyfin de gevraagde hardware-encoder detecteert. De vlaggen alleen bewijzen niet dat GPU-decodering is geslaagd. Als h264_nvenc wordt getoond zonder -hwaccel cuda, controleer dan of de codec van het bestand is aangevinkt onder "Enable hardware decoding for". Het aanvinken van een codec die uw kaart niet kan decoderen, kan leiden tot een hardware-decoderfout in plaats van een software-fallback. Als beide aanwezig zijn en de CPU nog steeds zwaar wordt belast, komt de belasting van een fase die op de CPU blijft draaien, zoals het inbranden van ondertitels.
Heb ik de regel runtime: nvidia nog nodig in Docker Compose?
Niet als u het deploy.resources.reservations.devices blok en een recente versie van Docker Compose gebruikt. Dit blok is de moderne manier om apparaten aan te vragen en voert dezelfde taak uit. runtime: nvidia is het oudere pad uit het nvidia-docker2 tijdperk; het werkt nog steeds en het officiële voorbeeld van Jellyfin bevat beide. Beide behouden is onschadelijk. Als u alleen runtime: nvidia behoudt, moet u ook NVIDIA_VISIBLE_DEVICES=all behouden, omdat dat pad geen apparaataanvraag bevat om te lezen en de apparatenlijst uit de omgeving haalt.
Hoeveel streams kan één NVIDIA GPU tegelijk transcoderen?
Het gepubliceerde beleid van NVIDIA beperkt GeForce-kaarten tot twaalf gelijktijdige encode-sessies per systeem per oktober 2026; datacenterkaarten zoals de L4 worden vermeld als onbeperkt, terwijl sommige datacentermodellen geen NVENC-encoder hebben. Dat plafond is zelden de beperkende factor. HDR naar SDR tone mapping draait op de shader-cores in plaats van op NVENC, waardoor er een aparte prestatielimiet ontstaat. Meet uw eigen situatie met nvidia-smi dmon -s u en let op de sm-kolom, niet op het aantal sessies.
Kan ik hardware-transcodering gebruiken op een VPS zonder GPU?
Nee. Voor codering is het fysieke NVENC-blok vereist, en lspci -nn | grep -Ei "3d|display|vga" toont op een standaard VPS alleen een virtuele beeldschermadapter van de hypervisor. Het realistische antwoord op een abonnement zonder GPU is om de transcodes te verwijderen: verhoog de kwaliteitsinstelling van de client naar Auto, gebruik een native client-app in plaats van een browser, en gebruik een client die uw op afbeeldingen gebaseerde ondertitels direct rendert of converteer ze naar tekst wanneer de compatibiliteit van ondertitels inbranden afdwingt.
Waarom hapert 4K HDR terwijl 1080p prima transcodeert?
De twee werklasten gebruiken verschillende onderdelen van de kaart. Een 1080p SDR-transcode bestaat grotendeels uit decoderen en coderen, beide op hardware met een vaste functie wanneer uw kaart de codec ondersteunt, plus eventuele schaling, deinterlacing of het inbranden van ondertitels die de stream vereist. Een 4K HDR-stream voegt tone mapping toe, wat een CUDA-filter is dat op de shader-cores draait, plus een veel groter frame om te schalen. Als nvidia-smi dmon -s u een lage enc en dec laat zien naast een hoge sm, wijst dit in die richting, omdat de hardware-blokken met een vaste functie licht belast worden terwijl de shaders druk zijn. Het afspelen van het bestand met uitgeschakelde tone mapping bevestigt dit.