SSD Nodes Learn Hosting plans →
Przewodniki Matt ConnorAutor: Matt Connor

Jellyfin NVIDIA hardware transcoding Docker konfiguracja

Skonfiguruj transkodowanie NVENC i NVDEC w Jellyfin przez Docker Compose. Zainstaluj NVIDIA Container Toolkit, przekaż GPU do kontenera i zweryfikuj użycie karty komendą nvidia-smi.

Co budujesz

Transkodowanie sprzętowe Jellyfin na karcie graficznej NVIDIA składa się z czterech kroków wykonywanych w określonej kolejności, przy czym tylko ostatni z nich odbywa się wewnątrz Jellyfin. Kontener nie wykryje karty graficznej, jeśli sterownik hosta nie został załadowany. Jellyfin nie może użyć karty, której kontener nie widzi. Pracuj zgodnie z tą kolejnością, aby każda awaria miała jedno, oczywiste miejsce do weryfikacji.

  1. Zainstaluj sterownik NVIDIA na hoście, a następnie potwierdź jego działanie za pomocą nvidia-smi.
  2. Zainstaluj NVIDIA Container Toolkit, aby Docker mógł przekazać kartę graficzną do kontenera.
  3. Zarezerwuj kartę graficzną dla usługi Jellyfin w docker-compose.yml, a następnie potwierdź, że kontener ją widzi.
  4. Włącz NVENC i NVDEC w ustawieniach odtwarzania Jellyfin, a następnie potwierdź, że rzeczywiste odtwarzanie z nich korzysta.

NVENC (koder NVIDIA) i NVDEC (dekoder NVIDIA) to bloki o stałej funkcji na karcie. Są to oddzielne układy krzemowe od rdzeni cieniujących, które wykonują obliczenia CUDA (compute unified device architecture). To właśnie to rozdzielenie sprawia, że warto wykonać tę konfigurację: strumień, który w trybie programowym zużywa kilka rdzeni procesora, obciąża jedynie niewielką część jednego rdzenia oraz dedykowany blok sprzętowy na karcie graficznej.

Direct play jest wydajniejszy niż transkodowanie, więc sprawdź to w pierwszej kolejności

Zanim przystąpisz do konfiguracji, ustal, czy transkodowanie nie wynika z przyczyny, którą można łatwo wyeliminować. Jellyfin transkoduje plik, gdy klient nie jest w stanie odtworzyć go w formacie natywnym. Przyczyna niemal zawsze znajduje się na krótkiej liście: kodek wideo, kodek audio, format kontenera, napisy oparte na obrazach, limit bitrate narzucony przez klienta lub ograniczenia rozdzielczości zgłoszone przez urządzenie końcowe.

Otwórz Dashboard, przejdź do sekcji Playback i obserwuj aktywną sesję podczas odtwarzania. Sesja oznaczona jako Direct playing przesyła plik bez zmian i niemal nie obciąża procesora. Sesja oznaczona jako Transcoding wyświetla powód, dla którego Jellyfin podjął taką decyzję. Wyeliminowanie tej przyczyny sprawia, że GPU nie musi być w ogóle używane.

Dwie zmiany eliminują większość przypadków transkodowania. Ustaw jakość w aplikacji klienckiej na Auto lub na wartość maksymalną, ponieważ klient żądający 4 Mbps wymusza re-enkodowanie pliku 20 Mbps, niezależnie od użytego kodeka. Następnie użyj natywnej aplikacji klienckiej zamiast karty przeglądarki, ponieważ przeglądarka jest najbardziej ograniczonym odtwarzaczem, podczas gdy natywna aplikacja na tym samym telewizorze często odtworzy ten sam plik w trybie Direct play.

Napisy oparte na obrazach wymagają wypalenia w obrazie wideo tylko wtedy, gdy klient nie potrafi ich bezpośrednio renderować. Napisy PGS z kopii Blu-ray oraz VOBSUB z kopii DVD to obrazy, ale kompatybilne urządzenia wyświetlają je bez konieczności re-enkodowania wideo; zintegrowany odtwarzacz Jellyfin dla systemu Android obsługuje format PGS bezpośrednio. Napisy tekstowe w formacie SRT są przesyłane oddzielnie, jeśli klient je obsługuje. Konwersja ścieżek napisów na format tekstowy jest przydatna, gdy problemy z kompatybilnością wymuszają ich wypalanie. Pozostałe aspekty konfiguracji serwera zostały opisane w przewodniku uruchamiania serwera mediów Jellyfin na VPS.

Większość planów VPS nie posiada GPU

Standardowe plany VPS nie obejmują jednostki GPU. Uruchom poniższe polecenie na serwerze, zanim zaplanujesz jakiekolwiek dalsze działania.

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

Na typowym VPS typu KVM polecenie to wyświetli wirtualny adapter ekranu dostarczony przez hypervisor lub nie zwróci żadnych użytecznych informacji. Takie urządzenie nie posiada możliwości kodowania wideo. Rzeczywiste GPU pojawia się tylko wtedy, gdy dostawca przekaże fizyczną kartę do instancji (passthrough) lub udostępni jej część, co wiąże się z odpowiednio wyższą ceną planu. Które obciążenia faktycznie uzasadniają opłacanie VPS z GPU wyjaśnia, kto powinien, a kto nie powinien korzystać z tego rozwiązania.

Jeśli serwer nie posiada GPU, należy dążyć do bezpośredniego odtwarzania (direct play) i traktować transkodowanie programowe jako rzadki wyjątek. Pojedynczy transkod programowy wideo 1080p H.264 jest obciążający, ale możliwy do obsłużenia przez kilka rdzeni CPU. Transkodowanie programowe materiału 4K HDR wraz z mapowaniem tonów (tone mapping) nie zostanie wykonane w czasie rzeczywistym przez mały VPS, co spowoduje zacinanie się strumienia przy jednoczesnym obciążeniu CPU na poziomie 100 procent.

Instalacja sterownika NVIDIA na hoście

Jellyfin 10.11 wymaga sterownika NVIDIA w wersji co najmniej 520.56.06 w systemie Linux. Zainstalowana kompilacja jellyfin-ffmpeg może wymagać nowszego sterownika; dziennik transkodowania zgłasza wymagane minimum, gdy interfejs NVENC sterownika jest zbyt stary. Ubuntu dostarcza narzędzie pomocnicze, które automatycznie dobiera odpowiedni pakiet.

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

--gpgpu wybiera wersję sterownika typu headless server, co jest pożądane w przypadku serwera multimediów, ponieważ na maszynie nie działa środowisko graficzne. Polecenie list wyświetla dostępne gałęzie, a wybraną można przypiąć według nazwy, na przykład sudo ubuntu-drivers install --gpgpu nvidia:570-server. Należy użyć gałęzi faktycznie wyświetlonej na liście, a nie tej podanej w przykładzie.

Wersja serwerowa nie zawsze pobiera nvidia-smi. Należy zainstalować pasujący pakiet narzędzi dla wybranej gałęzi, na przykład sudo apt install nvidia-utils-570-server. Następnie należy sprawdzić sterownik.

nvidia-smi

Poprawny wynik wyświetla tabelę z wersją sterownika i wersją CUDA w nagłówku oraz nazwą karty. Lista procesów wskazuje procesy korzystające z zasobów Compute, Graphics lub Other GPU; może być wypełniona na sprawnym GPU, a pusta lista oznacza brak zgłoszonych procesów GPU. Często występują dwa błędy. nvidia-smi: command not found oznacza brak pakietu narzędzi, a nie sterownika. NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver oznacza, że moduł jądra nie został załadowany, co przy świeżej instalacji prawie zawsze oznacza brak restartu lub blokadę ładowania niepodpisanego modułu przez Secure Boot. Należy potwierdzić obecność modułu za pomocą lsmod | grep nvidia. Jeśli polecenie to nic nie zwraca, a sudo modprobe nvidia kończy się błędem Key was rejected by service, oznacza to, że Secure Boot blokuje moduł. Sekcja usuwanie odrzucenia klucza Secure Boot opisuje sprawdzanie stanu oprogramowania układowego oraz rejestrowanie klucza właściciela maszyny (MOK) lub wyłączenie wymuszania.

Instalacja NVIDIA Container Toolkit

Sterownik umożliwia systemowi hosta korzystanie z GPU. Docker nie przekaże go jednak do kontenera, ponieważ kontener nie posiada ani węzłów urządzeń, ani bibliotek sterownika. NVIDIA Container Toolkit to komponent, który wstrzykuje oba te elementy podczas uruchamiania kontenera. Poniższe polecenia są zgodne z oficjalną procedurą instalacji NVIDIA dla systemów Debian i Ubuntu. Aktualny przewodnik NVIDIA przypisuje pakiety narzędzi do konkretnego wydania za pomocą zmiennej wersji; pominięcie tego przypisania, jak w poniższym przykładzie, instaluje najnowsze wydanie dostępne w repozytorium.

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

Sama instalacja pakietu jest niewystarczająca, ponieważ należy poinformować Docker o istnieniu tego środowiska uruchomieniowego.

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

nvidia-ctk runtime configure zapisuje wpis środowiska uruchomieniowego nvidia w pliku /etc/docker/daemon.json. Restart jest krokiem, który często bywa pomijany, a jego pominięcie generuje najczęstszy błąd w całej konfiguracji. Należy przetestować połączenia przed przystąpieniem do konfiguracji Jellyfin.

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

Polecenie to powinno wyświetlić tę samą tabelę, co na hoście. Jeśli zamiast tego pojawi się błąd dotyczący niemożności wyboru sterownika urządzenia z możliwościami gpu, oznacza to, że Docker daemon nie rozpoznaje środowiska nvidia. W takim przypadku należy ponownie wykonać polecenie konfiguracji i zrestartować demona.

Udostępnianie GPU kontenerowi Jellyfin w Docker Compose

Jest to nowoczesna forma zapisu Compose. Bazuje ona na przykładzie publikowanym przez Jellyfin i jawnie definiuje dwie zmienne środowiskowe 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]

Uruchom usługę i wyślij zapytanie bezpośrednio do kontenera.

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

Jeśli polecenie to wyświetli tabelę sterowników z wnętrza kontenera, oznacza to, że widoczność GPU oraz biblioteka zarządzająca działają poprawnie; biblioteki wideo oraz faktyczny transkod wymagają jeszcze weryfikacji.

Cztery linie w tym pliku wymagają wyjaśnienia. capabilities: [gpu] jest wymagane przez sam program Compose; jego pominięcie spowoduje, że Compose odrzuci usługę zamiast uruchomić ją bez GPU. NVIDIA_DRIVER_CAPABILITIES=all jest istotne, ponieważ zestaw narzędzi montuje biblioteki wideo w kontenerze tylko wtedy, gdy zażądano możliwości wideo (video capability), a przy braku ustawienia zmiennej domyślnie udostępniane są tylko funkcje narzędziowe i obliczeniowe. Oficjalny obraz Jellyfin ustawia tę zmienną automatycznie, więc w tym przypadku linia ta stanowi zabezpieczenie przed nadpisaniem ustawień; dokumentacja Jellyfin wskazuje, że należy dodać ją samodzielnie w przypadku budowania własnego obrazu. Bez możliwości wideo CUDA działa, ale NVDEC nie, a dziennik transkodowania zgłasza Cannot load libnvcuvid.so.1. network_mode: host to ustawienie stosowane w oficjalnym przykładzie NVIDIA dla Jellyfin. Przewodnik po kontenerach Jellyfin określa tryb host networking jako opcjonalny, ale wymagany dla DLNA; w przypadku korzystania z sieci typu bridge należy samodzielnie opublikować port 8096/tcp oraz port automatycznego wykrywania 7359/udp.

user: 1000:1000 to ostatni parametr i nie jest on związany z GPU. Decyduje on, które pliki Jellyfin może odczytać w punkcie montowania multimediów, a niezgodność w tym zakresie objawia się pustą biblioteką zamiast błędem uprawnień. W jaki sposób PUID i PGID mapują użytkownika kontenera na pliki na dysku wyjaśnia kwestię numeracji; jest to ta sama numeracja, którą ustawiono w przypadku uruchamiania pakietu Sonarr i Radarr w Docker Compose obok tej usługi.

Dlaczego większość poradników nadal stosuje runtime: nvidia

Starsza forma pojawia się w niemal każdym poradniku i nie jest błędna. To kwestia historii. Oryginalny pakiet nvidia-docker2 rejestrował runtime OCI o nazwie nvidia, a ścieżka zmiennej środowiskowej korzystała z NVIDIA_VISIBLE_DEVICES przy tym runtime, wybieranym albo przez --runtime=nvidia, albo jako domyślny runtime Docker. Docker 19.03 dodał flagę --gpus oraz właściwe API żądań urządzeń. Compose potrzebował więcej czasu na aktualizację, a gdy to nastąpiło, żądanie urządzenia trafiło pod deploy.resources.reservations.devices – klucz, który większość użytkowników nauczyła się ignorować, ponieważ deploy oznaczało wcześniej Docker Swarm.

W rezultacie obie formy działają obecnie, a opublikowany przykład Jellyfin zawiera obie jednocześnie. Pozostawienie runtime: nvidia nic nie kosztuje i sprawia, że plik działa na starszych wersjach Compose. Jeśli zachowasz tylko runtime: nvidia i usuniesz blok deploy, musisz zachować NVIDIA_VISIBLE_DEVICES=all, ponieważ ta starsza ścieżka odczytuje zmienną środowiskową w celu określenia, które urządzenia mają zostać wstrzyknięte, i nie posiada żądania urządzenia, które mogłaby odczytać w zamian.

Włączanie transkodowania sprzętowego NVIDIA w Jellyfin

Dotychczasowa konfiguracja nie nakazała usłudze Jellyfin korzystania z karty graficznej. Należy przejść do Dashboard, następnie Playback i wybrać Transcoding. Ustaw Hardware acceleration na Nvidia NVENC. Zaznacz Enable hardware encoding; w przeciwnym razie Jellyfin zdekoduje strumień na GPU, ale zakoduje go na CPU, co prowadzi do nieefektywnego stanu, w którym GPU wykazuje aktywność, a CPU jest nadal mocno obciążone.

Opcja Enable enhanced NVDEC decoder przełącza między bieżącą ścieżką NVDEC a starszą CUVID. Należy pozostawić ją włączoną. Jest ona niezbędna do obsługi Dolby Vision za pośrednictwem NVDEC.

W sekcji Enable hardware decoding for należy zaznaczyć wyłącznie te kodeki, które karta faktycznie obsługuje sprzętowo. Jest to najczęściej popełniany błąd. Zaznaczenie AV1 na karcie bez dekodera AV1 może wymusić próbę dekodowania sprzętowego, co zakończy się błędem Hardware is lacking required capabilities. Wybór nieobsługiwanego formatu nie gwarantuje automatycznego przejścia na dekodowanie programowe.

Całość konfiguracji podlega jeszcze jednemu ograniczeniu: akceleracja sprzętowa jest w pełni wspierana tylko w przypadku użycia dostarczonego w pakiecie buildu jellyfin-ffmpeg. Dokumentacja Jellyfin ostrzega, że pliki binarne FFmpeg pochodzące z innych źródeł skutkują jedynie częściową akceleracją. Jeśli ścieżka FFmpeg została ręcznie wskazana na systemowy plik FFmpeg, należy przywrócić ustawienie domyślne.

Które kodeki obsługuje Twoja generacja GPU w zakresie dekodowania i kodowania

Oto ograniczenia dokumentowane przez Jellyfin dla NVENC i NVDEC. Dekodowanie i kodowanie to odrębne możliwości; karta może posiadać jedną z nich bez drugiej.

  • H.264 8-bit: każde GPU NVIDIA z NVENC i NVDEC obsługuje zarówno dekodowanie, jak i kodowanie tego formatu.
  • HEVC 8-bit: dekodowanie i kodowanie od architektury Maxwell drugiej generacji (GM206) wzwyż.
  • HEVC 10-bit: dekodowanie od architektury Maxwell drugiej generacji wzwyż (przy czym posiadają je tylko warianty GM206 tej generacji), natomiast kodowanie dopiero od architektury Pascal wzwyż.
  • AV1: dekodowanie od architektury Ampere wzwyż, z wyjątkiem układu centrum danych GA100 (tabela dekoderów NVIDIA wymienia również Hopper bez dekodowania AV1), a kodowanie od architektury Ada Lovelace wzwyż, co Jellyfin wspiera od wersji 10.9.

Podział w przypadku HEVC 10-bit jest tym, co w praktyce sprawia najwięcej trudności. Karta Maxwell oparta na układzie GM206 dekoduje plik 4K HDR na GPU, ale nie potrafi zakodować wyjścia 10-bitowego, choć wspiera kodowanie zarówno H.264 8-bit, jak i HEVC 8-bit. Pozostałe układy Maxwell w ogóle nie dekodują sprzętowo HEVC 10-bit. Jellyfin wybiera kodek wyjściowy na podstawie możliwości klienta oraz ustawień kodowania; ścieżka transkodowania HEVC wymusza profil Main 8-bit. Wyjście AV1 należy wybierać tylko dla klientów, którzy je obsługują.

Dlaczego mapowanie tonów potajemnie wysyca GPU

Mapowanie tonów z HDR (high dynamic range) do SDR (standard dynamic range) to ustawienie, które wyczerpuje zasoby GPU, a przyczyna ma charakter architektoniczny. Dekodowanie odbywa się w NVDEC. Kodowanie odbywa się w NVENC. Mapowanie tonów nie korzysta z żadnego z nich: jest to filtr CUDA wykonywany na rdzeniach shaderów, czyli tej samej części GPU ogólnego przeznaczenia, która obsługuje obliczenia. Strumień 4K HDR wymagający mapowania tonów używa dekodera i kodera, a dodatkowo obciąża shadery.

Jellyfin dokumentuje mapowanie tonów CUDA jako dostępne na każdym GPU NVIDIA, które potrafi dekodować HEVC 10-bit. Oznacza to, że pole wyboru pojawia się i działa na kartach, które nie są w stanie obsłużyć tego w rozdzielczości 4K. Objawem jest strumień, który uruchamia się, buforuje i nigdy nie osiąga płynności, podczas gdy nvidia-smi wskazuje, że koder jest niemal bezczynny.

Dlatego warto monitorować obciążenie shaderów oddzielnie.

nvidia-smi dmon -s u

To polecenie wypisuje jedną linię na sekundę z oddzielnymi kolumnami dla sm, enc oraz dec. Niskie wartości enc i dec przy wysokiej wartości sm wskazują na shadery, a nie na bloki stałofunkcyjne, więc prawdopodobnym kosztem jest mapowanie tonów, skalowanie lub wypalanie napisów. Należy traktować to jako wskazówkę, a nie dowód: NVIDIA definiuje wykorzystanie GPU jako udział okresu próbkowania, w którym wykonywany był co najmniej jeden kernel, więc wysoki odczyt oznacza, że shadery były zajęte, a nie że zostały wysycone. Ścieżka CUDA obsługuje również Dolby Vision profile 5 z użyciem zero copy, co ma znaczenie, ponieważ bez zero copy klatki przesyłane są do pamięci systemowej i z powrotem między krokami filtrowania, a ten cykl kosztuje przepustowość przy każdej pojedynczej klatce.

Co faktycznie ogranicza limit sesji NVENC w kartach konsumenckich

WykresNVENC engines and concurrent encode session cap, NVIDIA published support matrix, October 2026
Dane, na których opiera się ten wykres
[
  {
    "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
  }
]

Są to opublikowane przez NVIDIA dane z października 2026 roku, a nie pomiary wykonane na potrzeby tego artykułu. Polityka NVIDIA ogranicza liczbę jednoczesnych sesji kodowania we wszystkich kartach GeForce w jednym systemie do łącznej wartości 12, niezależnie od używanych modeli. Limit ten jest narzucony przez sterownik, a nie przez samą architekturę układu, i na przestrzeni lat był wielokrotnie zwiększany przez NVIDIA, dlatego należy zawsze sprawdzać aktualną tabelę, zamiast polegać na starych wątkach na forach. Liczba silników kodujących jest parametrem, który faktycznie różni się w zależności od karty: model GeForce RTX 5090 posiada 3 silników NVENC, podczas gdy GeForce RTX 4060 posiada 1. Większa liczba silników oznacza wyższą przepustowość kodowania równoległego, a nie wyższy limit sesji.

Limit obejmuje sesje kodowania wideo, w tym te wykraczające poza Jellyfin. Odtwarzanie bezpośrednie (Direct Play) oraz remuxing nie otwierają sesji kodowania. Karty klasy serwerowej, takie jak L4, są w tej samej tabeli oznaczone jako nieograniczone, jednak modele takie jak A100 czy H100 nie posiadają enkodera NVENC, dlatego należy zweryfikować dokładny model karty w planie GPU VPS.

W przypadku osiągnięcia limitu transkodowanie kończy się niepowodzeniem, a dziennik FFmpeg zawiera OpenEncodeSessionEx failed: out of memory (10). Komunikat błędu odnosi się do pamięci, jednak odmowa wynikająca z limitu sesji zwraca ten sam kod, dlatego przed poszukiwaniem wycieku VRAM należy sprawdzić liczbę jednoczesnych strumieni. W praktyce większość użytkowników napotyka limit mapowania tonów (tone-mapping) lub ograniczenia przepustowości łącza wysyłkowego znacznie wcześniej niż limit dwunastu sesji.

Weryfikacja transkodowania GPU, nie polegaj na konfiguracji

Zapisane ustawienie nie jest dowodem działania. Odtwórz plik, który wymusza transkodowanie, a następnie wykonaj trzy testy.

  1. Otwórz Dashboard, a następnie Playback. Aktywna sesja powinna wskazywać Transcoding wraz z podaniem przyczyny. Jeśli widnieje komunikat Direct playing, transkodowanie nie zachodzi i testowany jest niewłaściwy plik.
  2. Otwórz Dashboard, następnie Logs i otwórz najnowszy dziennik FFmpeg.Transcode. Pełne transkodowanie sprzętowe wykazuje -hwaccel cuda oraz -hwaccel_output_format cuda w linii poleceń, wraz z enkoderem NVENC, takim jak h264_nvenc lub hevc_nvenc, albo enkoderem AV1 NVENC w architekturze Ada Lovelace i nowszych. Obecność libx264 oznacza, że kodowanie odbywa się programowo, niezależnie od ustawień w interfejsie. Brak -hwaccel cuda przy aktywnym enkoderze NVENC oznacza, że dekodowanie jest wykonywane programowo.
  3. Uruchom nvidia-smi na hoście podczas odtwarzania. Powinien pojawić się proces z /usr/lib/jellyfin-ffmpeg/ffmpeg z przydzieloną pamięcią GPU, a nvidia-smi dmon -s u powinno wskazywać niezerowe wartości w kolumnach enc oraz dec.

Trzeci test należy wykonać na hoście, a nie wewnątrz kontenera. nvidia-smi wewnątrz kontenera zazwyczaj wyświetla pustą listę procesów, ponieważ nie ma wglądu w identyfikatory procesów spoza własnej przestrzeni nazw, podczas gdy wskaźniki wykorzystania są odczytywane poprawnie. Pusta lista procesów wewnątrz kontenera nie jest błędem.

Gdy system przełącza się na kodowanie programowe bez powiadomienia

Jellyfin wybiera enkoder programowy, gdy kodowanie sprzętowe jest wyłączone lub wybrany enkoder sprzętowy jest niedostępny. Ścieżka sprzętowa, która zawodzi podczas odtwarzania, może spowodować przerwanie strumienia, dlatego należy analizować dziennik FFmpeg, zamiast zakładać, że każda awaria skutkuje przejściem na tryb programowy.

Komunikat Cannot load libnvcuvid.so.1 w dzienniku transkodowania oznacza, że dynamiczny ładowacz nie zdołał załadować biblioteki dekodera. Sam komunikat nie potwierdza, czy biblioteka została zamontowana. Należy sprawdzić NVIDIA_DRIVER_CAPABILITIES=all oraz biblioteki sterowników i dowiązania dynamiczne kontenera. W przypadku zmiany środowiska należy odtworzyć kontener za pomocą docker compose up -d; zwykły restart zachowuje stare ustawienia.

Błąd No capable devices found z h264_nvenc oznacza, że FFmpeg uzyskał dostęp do biblioteki enkodera, ale nie wykrył użytecznej karty. Należy ponownie sprawdzić docker compose exec jellyfin nvidia-smi, a następnie przeanalizować poprzednie wpisy w dzienniku pod kątem błędów urządzenia i możliwości enkodera.

Wysokie użycie CPU przy niskim obciążeniu GPU jest powodem do sprawdzenia, które etapy wykorzystują przetwarzanie programowe. Należy odznaczyć kodeki, których dana generacja sprzętu nie obsługuje, a następnie ponownie odtworzyć plik i sprawdzić w dzienniku FFmpeg, czy pojawia się -hwaccel cuda. Jeśli tak, a CPU nadal jest obciążone, należy poszukać etapu, którego Jellyfin nie może przenieść na GPU, na przykład wypalania napisów graficznych.

Transkodowanie, które uruchamia się, a następnie zawiesza przy 4K HDR, podczas gdy 1080p działa poprawnie, zazwyczaj wynika z ograniczeń mapowania tonów, a nie z błędnej instalacji. Należy obserwować kolumnę sm w nvidia-smi dmon -s u, a następnie ponownie odtworzyć ten sam plik z wyłączonym mapowaniem tonów: jeśli strumień się ustabilizuje, przyczyną był limit mapowania tonów. W takim przypadku należy obniżyć rozdzielczość żądaną przez klienta lub odtwarzać pliki 4K HDR wyłącznie na klientach obsługujących direct play.

FAQ

Dlaczego Jellyfin nadal używa procesora po włączeniu NVENC?

Sprawdź najnowszy dziennik FFmpeg.Transcode w sekcji Dashboard, a następnie Logs. Jeśli zawiera on libx264, kodowanie odbywa się programowo. Jeśli brakuje również -hwaccel cuda, sprawdź dekoder wybrany w poleceniu i uruchom docker compose exec jellyfin nvidia-smi, aby potwierdzić widoczność GPU. Jeśli -hwaccel cuda znajduje się obok libx264, polecenie wymusza dekodowanie GPU przy kodowaniu programowym; sprawdź opcję Enable hardware encoding oraz czy Jellyfin wykrywa żądany koder sprzętowy. Same flagi nie gwarantują sukcesu dekodowania GPU. Jeśli widzisz h264_nvenc bez -hwaccel cuda, sprawdź, czy kodek pliku jest zaznaczony w sekcji Enable hardware decoding for. Zaznaczenie kodeka, którego karta nie obsługuje, może wywołać błąd dekodera sprzętowego zamiast przejścia na tryb programowy. Jeśli oba elementy są obecne, a procesor nadal jest obciążony, obciążenie pochodzi z etapu wykonywanego przez CPU, na przykład z wypalania napisów.

Czy nadal potrzebuję linii runtime: nvidia w Docker Compose?

Nie, jeśli posiadasz blok deploy.resources.reservations.devices i aktualną wersję Docker Compose. Blok ten jest nowoczesną formą żądania urządzenia i wykonuje to samo zadanie. runtime: nvidia to starsza ścieżka z ery nvidia-docker2; nadal działa, a oficjalny przykład Jellyfin zawiera obie. Utrzymywanie obu jest bezpieczne. Pozostawienie tylko runtime: nvidia wymaga również zachowania NVIDIA_VISIBLE_DEVICES=all, ponieważ ta ścieżka nie zawiera żądania urządzenia i pobiera listę urządzeń ze zmiennych środowiskowych.

Ile strumieni może jednocześnie transkodować jeden GPU NVIDIA?

Oficjalna polityka NVIDIA ogranicza karty GeForce do dwunastu jednoczesnych sesji kodowania na system według stanu na październik 2026; karty do centrów danych, takie jak L4, są nieograniczone, podczas gdy niektóre modele serwerowe nie posiadają kodera NVENC. Ten limit rzadko jest główną przeszkodą. Mapowanie tonów HDR na SDR odbywa się na rdzeniach shaderów, a nie na NVENC, więc stanowi osobne ograniczenie wydajnościowe. Zmierz wydajność w swoim przypadku za pomocą nvidia-smi dmon -s u i obserwuj kolumnę sm, a nie liczbę sesji.

Czy mogę użyć transkodowania sprzętowego na VPS bez GPU?

Nie. Kodowanie wymaga fizycznego bloku NVENC, a lspci -nn | grep -Ei "3d|display|vga" na standardowym VPS pokazuje jedynie wirtualny adapter wyświetlania dostarczony przez hypervisor. Realnym rozwiązaniem w planie bez GPU jest wyeliminowanie transkodowania: zwiększ ustawienia jakości klienta na Auto, używaj natywnej aplikacji zamiast przeglądarki oraz korzystaj z klienta, który renderuje napisy graficzne bezpośrednio, lub konwertuj je na tekst, gdy kompatybilność napisów wymusza ich wypalanie.

Dlaczego 4K HDR zacina się, podczas gdy 1080p transkoduje się poprawnie?

Oba zadania wykorzystują inne części karty. Transkodowanie 1080p SDR to głównie dekodowanie i kodowanie, oba realizowane przez sprzęt dedykowany, jeśli karta obsługuje dany kodek, oraz ewentualne skalowanie, usuwanie przeplotu lub wypalanie napisów. Strumień 4K HDR dodaje mapowanie tonów, czyli filtr CUDA działający na rdzeniach shaderów, oraz znacznie większą klatkę do przeskalowania. nvidia-smi dmon -s u pokazujące niskie wartości enc i dec przy wysokim sm wskazuje na ten problem, ponieważ dedykowane bloki są słabo obciążone, podczas gdy shadery pracują pod pełnym obciążeniem. Odtworzenie pliku z wyłączonym mapowaniem tonów rozwiązuje problem.

Czy ten artykuł był przydatny?