Docker-ல் Jellyfin NVIDIA hardware transcoding அமைப்பது
Docker Compose மூலம் NVIDIA GPU-வை Jellyfin-க்கு இணைக்கும் முறையை அறிக. NVENC மற்றும் NVDEC அமைப்புகளைச் செயல்படுத்தி nvidia-smi கட்டளை மூலம் GPU பயன்பாட்டை உறுதி செய்யவும்.
நீங்கள் உருவாக்குவது
NVIDIA GPU-வில் Jellyfin hardware transcoding செய்வது நான்கு படிகளைக் கொண்ட ஒரு நிலையான வரிசைமுறையாகும்; இதில் கடைசிப் படி மட்டுமே Jellyfin-க்குள் நடக்கிறது. host driver ஏற்றப்படாத ஒரு GPU-வை container-ஆல் பார்க்க முடியாது. container-ஆல் பார்க்க முடியாத ஒரு GPU-வை Jellyfin பயன்படுத்த முடியாது. இந்த வரிசையில் செயல்படுங்கள், அப்போதுதான் ஏதேனும் தோல்வி ஏற்பட்டால் அதை எங்கு சரிபார்க்க வேண்டும் என்பது தெளிவாகத் தெரியும்.
- host-ல் NVIDIA driver-ஐ நிறுவி, பின்
nvidia-smiமூலம் அதை உறுதிப்படுத்தவும். - Docker ஒரு GPU-வை container-க்கு வழங்க ஏதுவாக NVIDIA Container Toolkit-ஐ நிறுவவும்.
docker-compose.yml-ல் Jellyfin service-க்காக GPU-வை ஒதுக்கி, பின் container அதை அடையாளம் காண்கிறதா என உறுதிப்படுத்தவும்.- Jellyfin-ன் playback settings-ல் NVENC மற்றும் NVDEC-ஐ இயக்கி, பின் ஒரு playback-ன் போது அவை பயன்படுத்தப்படுகின்றனவா என்பதை உறுதிப்படுத்தவும்.
NVENC (NVIDIA encoder) மற்றும் NVDEC (NVIDIA decoder) ஆகியவை அந்த card-ல் உள்ள நிலையான செயல்பாட்டைக் கொண்ட தொகுதிகள் (fixed-function blocks) ஆகும். இவை CUDA (compute unified device architecture) பணிகளைச் செய்யும் shader cores-லிருந்து தனித்தனியான silicon பகுதிகள். இந்தத் தனித்தன்மைதான் இதைச் செய்வதற்கான முழுமையான காரணம்: மென்பொருள் மூலம் பல CPU cores-ஐப் பயன்படுத்தும் ஒரு stream, ஒரு CPU core-ன் சிறிய பகுதியையும், GPU-வில் உள்ள ஒரு பிரத்யேக hardware தொகுதியையும் மட்டுமே பயன்படுத்துகிறது.
Direct play செய்யக்கூடிய நிலையில் இருந்தால், எந்த transcoding-ஐவிடவும் அதுவே சிறந்தது
இதில் ஏதேனும் configuration செய்வதற்கு முன், எளிதில் நீக்கக்கூடிய காரணத்தால் transcoding நடக்கிறதா என்பதை முதலில் கண்டறியவும். Client அந்த file-ஐ அதன் தற்போதைய நிலையில் இயக்க முடியாதபோது Jellyfin transcoding செய்கிறது. காரணம் பொதுவாக இந்தக் குறுகிய பட்டியலில் ஒன்றாக இருக்கும்: video codec, audio codec, container format, image-based subtitles, client கேட்ட bitrate limit, அல்லது client தெரிவித்த resolution அல்லது வேறு constraint.
Dashboard-ஐத் திறந்து, Playback-க்குச் செல்லவும். ஏதேனும் media இயங்கும்போது active session-ஐக் கவனிக்கவும். Direct playing என்று குறிக்கப்பட்ட session, file-ஐ மாற்றமின்றி அனுப்பும்; இதற்கு கிட்டத்தட்ட CPU பயன்பாடு இருக்காது. Transcoding என்று குறிக்கப்பட்ட session-ல், Jellyfin அதைத் தேர்ந்தெடுத்த காரணம் காட்டப்படும். அந்தக் காரணத்தை நீக்கினால் GPU இயங்க வேண்டியதே இல்லை.
பெரும்பாலான transcoding-ஐ இரண்டு மாற்றங்கள் நீக்கிவிடும். Client app-ன் quality-ஐ Auto அல்லது அதிகபட்ச மதிப்பாக அமைக்கவும். ஏனெனில் 4 Mbps கேட்கும் client, அந்த file எந்த codec-ஐப் பயன்படுத்தினாலும், 20 Mbps file-ஐ மீண்டும் encode செய்ய வைக்கும். அடுத்து, browser tab-க்குப் பதிலாக native client app-ஐப் பயன்படுத்தவும். நீங்கள் பயன்படுத்தும் player-களில் browser மிகவும் குறைந்த compatibility கொண்டதாகும்; அதே TV-யில் இயங்கும் native app, அதே file-ஐ பெரும்பாலும் Direct play செய்யும்.
Image-based subtitles-ஐ client நேரடியாக render செய்ய முடியாதபோது மட்டுமே அவற்றை video-வில் burn செய்ய வேண்டும். Blu-ray rip-இலுள்ள PGS subtitles மற்றும் DVD rip-இலுள்ள VOBSUB subtitles படங்களாக இருந்தாலும், compatible clients அவற்றை video re-encode இல்லாமல் காட்டும்; Jellyfin-ன் Android integrated player, PGS-ஐ நேரடியாக support செய்கிறது. Client support செய்யும்போது SRT-யிலுள்ள text subtitles தனியாக அனுப்பப்படும். Subtitle compatibility காரணமாக burn-in கட்டாயமாகும்போது, subtitle tracks-ஐ text-ஆக மாற்றுவது பயனுள்ளதாகும். Server side-இன் மீதமுள்ள பகுதி VPS-ல் Jellyfin media server இயக்குவதற்கான வழிகாட்டியில் விளக்கப்பட்டுள்ளது.
பெரும்பாலான VPS திட்டங்களில் GPU இருப்பதில்லை
வழக்கமான VPS திட்டங்களில் GPU வழங்கப்படுவதில்லை. எதையும் திட்டமிடுவதற்கு முன்பாக, உங்கள் server-ல் இதைப் பரிசோதிக்கவும்.
lspci -nn | grep -Ei "3d|display|vga"வழக்கமான KVM VPS-ல், இது hypervisor-ன் virtual display adapter-ஐ மட்டுமே காட்டும், அல்லது பயனுள்ள தகவல் எதையும் காட்டாது. அந்தச் சாதனத்தால் வீடியோவை encode செய்ய முடியாது. ஒரு physical card-ஐ உங்கள் instance-க்கு provider நேரடியாக வழங்கினாலோ அல்லது அதன் ஒரு பகுதியை ஒதுக்கினாலோ மட்டுமே உண்மையான GPU கிடைக்கும்; அத்தகைய திட்டங்களுக்கு அதற்கேற்ப கட்டணம் வசூலிக்கப்படும். எந்த வகையான பணிகளுக்கு GPU VPS தேவைப்படும் என்ற பகுதி, யாருக்கு இது தேவை, யாருக்குத் தேவையில்லை என்பதை விளக்குகிறது.
GPU இல்லையெனில், direct play முறையையே பயன்படுத்தவும்; software transcoding-ஐ அரிதான சூழலில் மட்டும் பயன்படுத்தவும். ஒரு 1080p H.264 software transcode அதிக சுமையை ஏற்படுத்தினாலும், சில CPU cores மூலம் அதைச் சமாளிக்க முடியும். 4K HDR software transcode மற்றும் tone mapping ஆகியவற்றை ஒரு சிறிய VPS-ஆல் real-time-ல் செய்ய முடியாது. இதனால் CPU பயன்பாடு 100 சதவீதத்தை எட்டி, stream தடைபடும்.
Host-ல் NVIDIA driver-ஐ install செய்யவும்
Linux-ல் Jellyfin 10.11-க்கு குறைந்தபட்சமாக 520.56.06 NVIDIA driver தேவை என்று documentation குறிப்பிடுகிறது. Install செய்யப்பட்ட jellyfin-ffmpeg build-க்கு இதைவிடப் புதிய driver தேவைப்படலாம்; driver-ன் NVENC API மிகவும் பழையதாக இருந்தால், அதன் transcode log குறைந்தபட்ச driver version-ஐ காட்டும். உங்களுக்கு பொருந்தும் package-ஐ தேர்ந்தெடுக்க Ubuntu ஒரு helper-ஐ வழங்குகிறது.
sudo ubuntu-drivers list --gpgpu
sudo ubuntu-drivers install --gpgpu
sudo reboot--gpgpu driver-ன் headless server flavour-ஐ தேர்ந்தெடுக்கிறது. Server-ல் desktop இல்லாததால் media server-க்கு இதுவே பொருத்தமானது. List command உங்களுக்கு கிடைக்கும் branches-ஐ காட்டும். அவற்றில் ஒன்றை பெயரால் pin செய்யலாம்; உதாரணமாக sudo ubuntu-drivers install --gpgpu nvidia:570-server. இங்கு எழுதப்பட்ட branch-ஐ அல்ல, list உண்மையில் காட்டிய branch-ஐப் பயன்படுத்தவும்.
Server flavour சில நேரங்களில் nvidia-smi-ஐ install செய்வதில்லை. நீங்கள் தேர்ந்தெடுத்த branch-க்கு பொருந்தும் utils package-ஐ install செய்யவும்; உதாரணமாக sudo apt install nvidia-utils-570-server. பின்னர் driver-ஐச் சரிபார்க்கவும்.
nvidia-smiசரியான முடிவில், header-ல் driver version மற்றும் CUDA version அடங்கிய table அச்சிடப்படும். உங்கள் card அதன் பெயருடன் பட்டியலிடப்படும். Process list-ல் Compute, Graphics, அல்லது Other GPU resources-ஐ பயன்படுத்தும் processes காட்டப்படும். சரியாக இயங்கும் GPU-யிலும் இந்தப் பட்டியல் நிரம்பியிருக்கலாம்; காலியான பட்டியல் என்றால் எந்த GPU process-உம் report செய்யப்படவில்லை என்று பொருள். இங்கு இரண்டு பிழைகள் பொதுவாக ஏற்படும். nvidia-smi: command not found என்றால் utils package இல்லை; driver இல்லை என்று பொருள் அல்ல. NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver என்றால் kernel module load செய்யப்படவில்லை. Fresh install-ல் இது பெரும்பாலும் நீங்கள் இன்னும் reboot செய்யவில்லை அல்லது Secure Boot unsigned module-ஐ load செய்ய மறுக்கிறது என்பதைக் குறிக்கும். lsmod | grep nvidia மூலம் module இருப்பதை உறுதிப்படுத்தவும். அது எதையும் அச்சிடாமல், sudo modprobe nvidia Key was rejected by service உடன் fail ஆனால், Secure Boot module-ஐத் தடுக்கிறது. Firmware state-ஐச் சரிபார்த்து, machine owner key-ஐ enroll செய்வது அல்லது enforcement-ஐ முடக்குவது பற்றி Secure Boot key rejection-ஐ நீக்குதல் பகுதியில் விளக்கப்பட்டுள்ளது.
NVIDIA Container Toolkit-ஐ நிறுவுதல்
GPU-ஐ host பயன்படுத்த NVIDIA driver அனுமதிக்கிறது. இருப்பினும், container-ல் device nodes அல்லது driver libraries இல்லாததால், Docker அதை container-க்குள் அனுப்பாது. container தொடங்கும் போது இவை இரண்டையும் உள்ளே செலுத்தும் பணியை NVIDIA Container Toolkit செய்கிறது. கீழே உள்ள கட்டளைகள் Debian மற்றும் Ubuntu-விற்கான NVIDIA-வின் அதிகாரப்பூர்வ நிறுவல் வழிமுறைகளைப் பின்பற்றுகின்றன. NVIDIA-வின் தற்போதைய வழிகாட்டி, version variable மூலம் toolkit packages-ஐ ஒரு குறிப்பிட்ட release-உடன் இணைக்கிறது (pinning); இங்கே அதைத் தவிர்ப்பதன் மூலம், repository-ல் உள்ள மிகப்புதிய release நிறுவப்படும்.
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-toolkitDocker-க்கு இந்த runtime இருப்பதை அறிவிக்க வேண்டியுள்ளதால், package-ஐ மட்டும் நிறுவுவது போதாது.
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart dockernvidia-ctk runtime configure, /etc/docker/daemon.json கோப்பில் ஒரு nvidia runtime entry-ஐ எழுதும். இந்தச் செயல்பாட்டில் restart செய்வது மிக முக்கியமான பகுதி, ஆனால் பலர் இதைத் தவிர்க்கிறார்கள்; இதைத் தவிர்ப்பதே இந்த அமைப்பில் ஏற்படும் பொதுவான பிழைக்குக் காரணமாகிறது. Jellyfin-ஐ அமைப்பதற்கு முன் இந்த இணைப்புகளைச் சரிபார்க்கவும்.
sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smiஇது host-ல் காட்டப்பட்ட அதே அட்டவணையை அச்சிட வேண்டும். ஒருவேளை gpu capabilities கொண்ட device driver-ஐத் தேர்ந்தெடுக்க முடியவில்லை என்ற பிழை ஏற்பட்டால், Docker daemon-க்கு nvidia runtime பற்றித் தெரியவில்லை என்று அர்த்தம். எனவே, configure கட்டளையை மீண்டும் இயக்கி, daemon-ஐ restart செய்யவும்.
Docker Compose-ல் Jellyfin container-க்கு GPU வழங்குதல்
இது நவீன Compose வடிவமாகும். Jellyfin வெளியிடும் example-ஐ அடிப்படையாகக் கொண்டு, இரண்டு NVIDIA environment variables-ஐ வெளிப்படையாக அமைக்கிறது.
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]Container-ஐ இயக்கி, அதனிடமிருந்து நேரடியாகச் சரிபார்க்கவும்.
docker compose up -d
docker compose exec jellyfin nvidia-smiContainer-க்குள் இருந்து driver table அச்சிடப்பட்டால், GPU visibility மற்றும் management library செயல்படுகின்றன. ஆனால் video libraries மற்றும் உண்மையான transcode இன்னும் சரிபார்க்கப்பட வேண்டும்.
அந்த file-ல் உள்ள நான்கு lines-க்கு விளக்கம் தேவை. capabilities: [gpu] என்பது Compose-க்கே தேவையானது. அதை விடுபடுத்தினால், GPU இல்லாமல் service-ஐ தொடங்குவதற்குப் பதிலாக Compose அதை நிராகரிக்கும். NVIDIA_DRIVER_CAPABILITIES=all முக்கியமானது. video capability கோரப்பட்டால் மட்டுமே toolkit video libraries-ஐ container-க்குள் mount செய்யும். இந்த variable unset ஆக இருந்தால், அது utility மற்றும் compute மட்டும் என default ஆகும். Official Jellyfin image ஏற்கனவே இதை அமைக்கிறது. எனவே, அந்த image-ல் வேறு setting அதை override செய்வதைத் தடுக்கும் safeguard ஆக இந்த line செயல்படுகிறது. சொந்த image-ஐ build செய்தால், இதை நீங்களே சேர்க்க வேண்டும் என்று Jellyfin documentation கூறுகிறது. Video capability இல்லாமல் CUDA செயல்படும்; ஆனால் NVDEC செயல்படாது. அப்போது transcode log-ல் Cannot load libnvcuvid.so.1 எனக் காட்டப்படும். network_mode: host என்பது Jellyfin-ன் சொந்த NVIDIA example பயன்படுத்தும் setting ஆகும். Jellyfin-ன் container guide-ல் host networking optional, ஆனால் DLNA-க்கு required என்று குறிப்பிடுகிறது. அதற்குப் பதிலாக bridge network பயன்படுத்தினால், 8096/tcp மற்றும் 7359/udp auto-discovery port-ஐ நீங்களே publish செய்ய வேண்டும்.
user: 1000:1000 என்பது கடைசி ஒன்று. இதற்கு GPU-யுடன் எந்தத் தொடர்பும் இல்லை. Media mount-ல் Jellyfin எந்த files-ஐ read செய்யலாம் என்பதை இது தீர்மானிக்கிறது. இங்கு mismatch இருந்தால், permissions error-க்கு பதிலாக empty library தோன்றும். PUID மற்றும் PGID container user-ஐ disk-ல் உள்ள files-க்கு எவ்வாறு map செய்கின்றன என்பது numbering-ஐ விளக்குகிறது. இந்த stack-க்கு அருகில் Sonarr மற்றும் Radarr stack-ஐ Docker Compose-ல் இயக்கினால் நீங்கள் ஏற்கனவே அமைத்த அதே numbering இதிலும் பயன்படுத்தப்படுகிறது.
பெரும்பாலான tutorials இன்னும் runtime: nvidia என்று எழுதுவதன் காரணம்
நீங்கள் காணும் கிட்டத்தட்ட ஒவ்வொரு guide-லும் பழைய வடிவம் இடம்பெறும்; அது தவறானது அல்ல. அது வரலாற்றுக் காரணத்தால் தொடர்கிறது. அசல் nvidia-docker2 package, nvidia என்ற பெயருடைய OCI runtime-ஐ பதிவு செய்தது. அந்த runtime உடன் பயன்படுத்தப்பட்ட environment-variable முறை, NVIDIA_VISIBLE_DEVICES-ஐ பயன்படுத்தியது. இதை --runtime=nvidia மூலம் தேர்ந்தெடுக்கலாம் அல்லது Docker-ன் default runtime-ஆக அமைக்கலாம். Docker 19.03, --gpus flag மற்றும் முறையான device-request API-ஐ சேர்த்தது. Compose இதற்கு ஏற்ப மாற அதிக காலம் எடுத்துக்கொண்டது. மாற்றம் வந்தபோது, device request deploy.resources.reservations.devices-ன் கீழ் வந்தது. பெரும்பாலானவர்கள் இந்த key-ஐ புறக்கணிக்கக் கற்றிருந்தனர், ஏனெனில் deploy முன்பு Docker Swarm-ஐ குறித்தது.
இதன் விளைவாக, இரண்டு வடிவங்களும் இப்போது செயல்படுகின்றன. Jellyfin வெளியிட்ட example-ல் இரண்டும் ஒரே நேரத்தில் இடம்பெறுகின்றன. runtime: nvidia-ஐ வைத்திருப்பதால் எந்தச் செலவும் இல்லை. மேலும், பழைய Compose versions-லும் file செயல்படும். runtime: nvidia-ஐ மட்டும் வைத்துக்கொண்டு deploy block-ஐ நீக்கினால், NVIDIA_VISIBLE_DEVICES=all-ஐ வைத்திருக்க வேண்டும். காரணம், அந்த legacy path எந்த devices-ஐ inject செய்ய வேண்டும் என்பதைத் தீர்மானிக்க environment variable-ஐ வாசிக்கிறது. அதற்குப் பதிலாக வாசிக்க device request எதுவும் அதில் இல்லை.
Jellyfin-ல் NVIDIA hardware transcoding-ஐ இயக்குதல்
இதுவரை Jellyfin card-ஐ பயன்படுத்த வேண்டும் என்று எதுவும் அமைக்கப்படவில்லை. Dashboard-க்குச் சென்று, Playback, பின்னர் Transcoding என்பதைத் திறக்கவும். Hardware acceleration என்பதை Nvidia NVENC-ஆக அமைக்கவும். Enable hardware encoding என்பதைத் தேர்வு செய்யவும். இல்லையெனில் Jellyfin GPU-ல் decode செய்து CPU-ல் encode செய்யும். இதனால் GPU activity காணப்பட்டாலும் CPU தொடர்ந்து அதிகமாகப் பயன்படுத்தப்படும் குழப்பமான இடைநிலை உருவாகும்.
Enable enhanced NVDEC decoder என்பது தற்போதைய NVDEC path-க்கும் பழைய CUVID path-க்கும் இடையில் தேர்வு செய்கிறது. இதை enabled நிலையில் விடவும். Dolby Vision-ஐ கையாளுவதற்கு NVDEC பயன்படுத்தப்பட வேண்டுமெனில் இது இயக்கப்பட்டிருக்க வேண்டும்.
Enable hardware decoding for என்பதன் கீழ், உங்கள் card உண்மையில் decode செய்யக்கூடிய codecs-ஐ மட்டும் தேர்வு செய்யவும். பலர் தவறாக அமைப்பது இதுதான். AV1 decoder இல்லாத card-ல் AV1-ஐ தேர்வு செய்தால், hardware decoding கோரப்பட்டு Hardware is lacking required capabilities மூலம் தோல்வியடையலாம். ஆதரிக்கப்படாத codec-ஐ தேர்வு செய்தால் software decoding-க்கு fallback உறுதி செய்யப்படாது.
இந்தப் பக்கத்திற்குப் பொருந்தும் மற்றொரு கட்டுப்பாடும் உள்ளது: bundled jellyfin-ffmpeg build பயன்படுத்தும்போது மட்டுமே hardware acceleration முழுமையாக ஆதரிக்கப்படும். வேறு எந்த இடத்திலிருந்தும் பெறப்பட்ட FFmpeg binaries பயன்படுத்தினால் partial acceleration மட்டுமே கிடைக்கும் என்று Jellyfin documentation எச்சரிக்கிறது. எனவே FFmpeg path-ஐ system FFmpeg-க்கு அமைத்திருந்தால், அதை மீண்டும் bundled build-க்கு மாற்றவும்.
உங்கள் GPU generation decode மற்றும் encode செய்யக்கூடிய codecs
NVENC மற்றும் NVDEC குறித்து Jellyfin குறிப்பிடும் வரம்புகள் இவை. Decode மற்றும் encode தனித்தனி capabilities ஆகும். ஒரு card-க்கு இதில் ஒன்று மட்டும் இருக்கலாம்.
- H.264 8-bit: NVENC மற்றும் NVDEC இரண்டும் உள்ள ஒவ்வொரு NVIDIA GPU-யும் இதை decode மற்றும் encode செய்யும்.
- HEVC 8-bit: Maxwell second generation (GM206) மற்றும் அதற்குப் பிந்தைய generations முதல் decode மற்றும் encode ஆதரவு உள்ளது.
- HEVC 10-bit: Maxwell second generation மற்றும் அதற்குப் பிந்தைய generations முதல் decode ஆதரவு உள்ளது. ஆனால் அந்த generation-ல் GM206 variants மட்டுமே இதை ஆதரிக்கின்றன. Encode ஆதரவு Pascal மற்றும் அதற்குப் பிந்தைய generations முதல் மட்டுமே உள்ளது.
- AV1: GA100 data center chip-ஐத் தவிர Ampere மற்றும் அதற்குப் பிந்தைய generations முதல் decode ஆதரவு உள்ளது. NVIDIA-யின் decoder table-ல் Hopper-க்கும் AV1 decode ஆதரவு இல்லை என்று குறிப்பிடப்பட்டுள்ளது. Ada Lovelace மற்றும் அதற்குப் பிந்தைய generations முதல் encode ஆதரவு உள்ளது. Jellyfin இதை 10.9 முதல் ஆதரிக்கிறது.
HEVC 10-bit பிரிவுதான் நடைமுறையில் அதிக சிக்கலை ஏற்படுத்தும். GM206 அடிப்படையிலான Maxwell card உங்கள் 4K HDR file-ஐ GPU-ல் decode செய்யும். ஆனால் 10-bit output-ஐ encode செய்ய முடியாது. இருப்பினும், 8-bit H.264 மற்றும் 8-bit HEVC encoding இரண்டையும் அது ஆதரிக்கும். பிற Maxwell chips hardware-ல் HEVC 10-bit-ஐ decode செய்வதே இல்லை. Client capabilities மற்றும் encoding settings அடிப்படையில் Jellyfin output codec-ஐத் தேர்ந்தெடுக்கும். அதன் HEVC transcoding path 8-bit Main profile-ஐ கட்டாயப்படுத்தும். AV1 output-ஐ அதை ஆதரிக்கும் clients-க்கு மட்டும் தேர்ந்தெடுக்கவும்.
GPU ஏன் அமைதியாக tone mapping-ஐ நிறைவு செய்கிறது (re-saturates)
HDR (high dynamic range)-லிருந்து SDR (standard dynamic range)-க்கு tone mapping செய்வதுதான் உங்கள் GPU-ன் செயல்திறனைப் பாதிக்கும் அமைப்பாகும், இதற்கு அதன் கட்டமைப்புதான் காரணம். Decode செயல்முறை NVDEC-ல் இயங்குகிறது. Encode செயல்முறை NVENC-ல் இயங்குகிறது. Tone mapping இவை இரண்டிலும் இயங்குவதில்லை: இது shader cores-ல் இயங்கும் ஒரு CUDA filter ஆகும். இது compute பணிகளைச் செய்யும் GPU-ன் பொதுவான பகுதியாகும். எனவே, tone mapping தேவைப்படும் ஒரு 4K HDR stream, decoder மற்றும் encoder-ஐப் பயன்படுத்துவதுடன், கூடுதலாக shader-களையும் அதிகச் சுமைக்கு உள்ளாக்குகிறது.
HEVC 10-bit-ஐ decode செய்யக்கூடிய அனைத்து NVIDIA GPU-களிலும் CUDA tone mapping வசதி இருப்பதாக Jellyfin ஆவணப்படுத்துகிறது. இதன் பொருள், 4K தரத்தில் அதைத் தாங்க முடியாத கார்டுகளிலும் இந்த checkbox தோன்றி வேலை செய்யும் என்பதாகும். இதன் அறிகுறி என்னவென்றால், ஒரு stream தொடங்கும், buffer ஆகும், ஆனால் சீராக இயங்காது; அதே நேரத்தில் nvidia-smi encoder-ன் பயன்பாடு மிகக் குறைவாக இருப்பதைக் காட்டும்.
இதனால்தான் shader சுமையை தனித்தனியாகக் கண்காணிப்பது அவசியமானது.
nvidia-smi dmon -s uஇது ஒவ்வொரு வினாடிக்கும் ஒரு வரியை sm, enc மற்றும் dec ஆகிய தனித்தனி நெடுவரிசைகளுடன் அச்சிடும். குறைந்த enc மற்றும் dec அளவுகளுடன் அதிக sm எண் இருந்தால், அது fixed-function தொகுதிகளை விட shader-களைக் குறிக்கிறது. எனவே, tone mapping, scaling அல்லது subtitle burn-in ஆகியவை இதற்குக் காரணமாக இருக்கலாம். இதை ஒரு ஆதாரமாகக் கருதாமல், ஒரு குறிப்பாகக் கருதுங்கள்: NVIDIA-வின் கூற்றுப்படி, GPU பயன்பாடு என்பது ஒரு sample காலத்தில் குறைந்தது ஒரு kernel-ஆவது இயங்கிய நேரத்தின் பங்காகும். எனவே, அதிக வாசிப்பு என்பது shader-கள் பிஸியாக இருந்தன என்பதைக் குறிக்குமே தவிர, அவை முழுமையாக நிறைந்துவிட்டன (saturated) என்று அர்த்தமல்ல. CUDA பாதை Dolby Vision profile 5-ஐ zero copy மூலம் கையாளுகிறது. இது முக்கியமானது, ஏனெனில் zero copy இல்லையென்றால், ஒவ்வொரு filter நிலையின் போதும் frames கணினியின் memory-க்குச் சென்று மீண்டும் வரும். அந்த round trip ஒவ்வொரு frame-க்கும் bandwidth செலவை ஏற்படுத்தும்.
consumer NVENC session cap உண்மையில் கட்டுப்படுத்துவது
இந்த விளக்கப்படத்தின் தரவு
[
{
"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
}
]இவை 2026 October நிலவரப்படி NVIDIA வெளியிட்ட matrix-ல் உள்ள புள்ளிவிவரங்கள்; இங்கு மேற்கொள்ளப்பட்ட அளவீடுகள் அல்ல. ஒரே system-ல் உள்ள அனைத்து GeForce cards-க்கும் சேர்த்து, பயன்படுத்தப்படும் models எதுவாக இருந்தாலும், ஒரே நேரத்தில் இயங்கக்கூடிய encode sessions எண்ணிக்கையை NVIDIA policy 12 என வரையறுக்கிறது. இந்த cap, silicon-ல் அல்ல, driver-ல் அமல்படுத்தப்படுகிறது. மேலும், பல ஆண்டுகளில் NVIDIA இதை ஒன்றுக்கு மேற்பட்ட முறை உயர்த்தியுள்ளது. எனவே பழைய forum thread-ஐ நம்பாமல், தற்போதைய matrix-ஐப் பார்க்கவும். Card-க்கு ஏற்ப உண்மையில் மாறுவது engine count ஆகும்: GeForce RTX 5090-ல் 3 NVENC engines உள்ளன; GeForce RTX 4060-ல் 1 உள்ளன. அதிக engines இருப்பது parallel encode throughput-ஐ அதிகரிக்கும்; session ceiling-ஐ அதிகரிக்காது.
இந்த cap, Jellyfin-க்கு வெளியே நடைபெறும் video encodes உட்பட, அனைத்து encode sessions-ஐயும் கணக்கில் எடுத்துக்கொள்கிறது. Direct play மற்றும் remuxing எந்த encode session-ஐயும் தொடங்காது. L4 போன்ற data center cards அதே matrix-ல் unrestricted எனக் குறிப்பிடப்பட்டுள்ளன. ஆனால் A100 மற்றும் H100 போன்ற models-ல் NVENC encoder இல்லை. எனவே GPU VPS plan-ல் உள்ள exact card-ஐச் சரிபார்க்கவும்.
இந்த வரம்பை அடைந்தால், transcode தோல்வியடையும்; FFmpeg log-ல் OpenEncodeSessionEx failed: out of memory (10) இருக்கும். அந்த message memory-ஐக் குறிப்பிடுகிறது. ஆனால் session-limit refusal-க்கும் இதே code தெரிவிக்கப்படும். எனவே VRAM leak-ஐத் தேடுவதற்கு முன், ஒரே நேரத்தில் இயங்கும் stream எண்ணிக்கையைச் சரிபார்க்கவும். நடைமுறையில், session twelve-ஐ அடைவதற்கு முன்பே பெரும்பாலானவர்கள் tone-mapping ceiling அல்லது upload bandwidth வரம்பைச் சந்திப்பார்கள்.
GPU transcoding செய்கிறதா என்பதை உறுதிப்படுத்துதல், configuration-ஐ மட்டும் நம்ப வேண்டாம்
சேமிக்கப்பட்ட setting என்பது ஆதாரமல்ல. Transcoding-ஐ கட்டாயப்படுத்தும் ஒரு கோப்பை இயக்கி, பின்வரும் மூன்று சோதனைகளைச் செய்யவும்.
- Dashboard-ஐத் திறந்து, பின் Playback பகுதிக்குச் செல்லவும். தற்போதைய session 'Transcoding' என்று காட்ட வேண்டும், அதற்கான காரணத்தையும் குறிப்பிட வேண்டும். அது 'Direct playing' என்று காட்டினால், எதையும் transcoding செய்யவில்லை என்று பொருள்; நீங்கள் தவறான கோப்பைச் சோதிக்கிறீர்கள்.
- Dashboard-ஐத் திறந்து, Logs பகுதிக்குச் சென்று, மிகப்புதிய
FFmpeg.Transcodelog-ஐத் திறக்கவும். முழுமையான hardware transcode நடக்கும்போது command line-ல்-hwaccel cudaமற்றும்-hwaccel_output_format cudaஆகியவை தெரியும், மேலும்h264_nvencஅல்லதுhevc_nvencபோன்ற NVENC encoder அல்லது Ada Lovelace மற்றும் அதற்குப் பிந்தைய மாடல்களில் AV1 NVENC encoder பயன்படுத்தப்படும். அங்கேlibx264என்று இருந்தால், settings பக்கத்தில் என்ன இருந்தாலும், encode மென்பொருள் (software) மூலமே நடக்கிறது என்று பொருள். NVENC encoder இருந்தும்-hwaccel cudaவிடுபட்டிருந்தால், decode பகுதி மென்பொருள் மூலம் நடக்கிறது என்று அர்த்தம். - கோப்பு இயங்கிக்கொண்டிருக்கும்போது host-ல்
nvidia-smiகட்டளையை இயக்கவும்./usr/lib/jellyfin-ffmpeg/ffmpeg-லிருந்து ஒரு process தோன்றி, GPU memory ஒதுக்கப்பட்டிருக்க வேண்டும். மேலும்,nvidia-smi dmon -s uகட்டளையில் enc மற்றும் dec நெடுவரிசைகளில் பூஜ்ஜியமற்ற மதிப்புகள் இருக்க வேண்டும்.
இந்த மூன்றாவது சோதனையை container-க்குள் செய்யாமல், host-ல் செய்யவும். Container-க்குள் nvidia-smi கட்டளையை இயக்கினால், அதன் சொந்த namespace-க்கு வெளியே உள்ள process ID-களைப் பார்க்க முடியாது என்பதால், பெரும்பாலும் காலியான process பட்டியலையே காட்டும். ஆனால், பயன்பாட்டு எண்கள் (utilisation numbers) சரியாகவே இருக்கும். Container-க்குள் காலியான process பட்டியல் தெரிவது பிழையல்ல.
தெரிவிக்காமல் software-க்கு மாறும்போது
Hardware encoding disabled நிலையில் இருந்தால் அல்லது கோரப்பட்ட hardware encoder கிடைக்கவில்லை என்றால், Jellyfin software encoder-ஐத் தேர்ந்தெடுக்கும். Playback நேரத்தில் hardware path தோல்வியடைந்தால், stream-மும் தோல்வியடையலாம். எனவே ஒவ்வொரு தோல்வியும் software-க்கு fallback ஆகும் என்று கருதாமல், FFmpeg log-ஐப் படிக்கவும்.
Transcode log-ல் Cannot load libnvcuvid.so.1 என்று இருப்பது, dynamic loader decoder library-ஐ load செய்யத் தவறியதைக் குறிக்கும். Library mount செய்யப்பட்டதா இல்லையா என்பதை அந்த message மட்டும் உறுதிப்படுத்தாது. NVIDIA_DRIVER_CAPABILITIES=all, container-ன் driver libraries மற்றும் dynamic links ஆகியவற்றைச் சரிபார்க்கவும். Environment-ஐ மாற்றினால், docker compose up -d மூலம் container-ஐ மீண்டும் உருவாக்கவும்; சாதாரண restart பழைய settings-ஐத் தொடரும்.
h264_nvenc-இலிருந்து வரும் No capable devices found, FFmpeg encoder library-ஐ அடைந்தது; ஆனால் பயன்படுத்தக்கூடிய card எதையும் கண்டறியவில்லை என்பதைக் குறிக்கும். docker compose exec jellyfin nvidia-smi-ஐ மீண்டும் சரிபார்க்கவும். பின்னர் device மற்றும் encoder capability தோல்விகள் குறித்த முந்தைய log messages-ஐப் படிக்கவும்.
GPU பயன்பாடு குறைவாகவும் CPU பயன்பாடு அதிகமாகவும் இருந்தால், எந்த stages software-ஐப் பயன்படுத்துகின்றன என்பதைச் சரிபார்க்க வேண்டும். உங்கள் GPU generation decode செய்ய முடியாத codecs-ன் checkbox-களை நீக்கவும். அதே file-ஐ மீண்டும் இயக்கி, -hwaccel cuda தோன்றுகிறதா என்பதை அறிய FFmpeg log-ஐ மீண்டும் படிக்கவும். அது தோன்றியும் CPU பயன்பாடு அதிகமாக இருந்தால், Jellyfin GPU-க்கு மாற்ற முடியாத stage-ஐத் தேடவும். உதாரணமாக, image subtitle burn-in இருக்கலாம்.
1080p சரியாக இயங்கும்போது 4K HDR transcode தொடங்கி பின்னர் நின்றுவிட்டால், அது பொதுவாக broken install அல்ல; tone-mapping ceiling ஆகும். nvidia-smi dmon -s u-ல் உள்ள sm column-ஐக் கண்காணிக்கவும். பின்னர் tone mapping-ஐ அணைத்து அதே file-ஐ மீண்டும் இயக்கவும். Stream நிலையாகிவிட்டால், tone mapping-தான் வரம்பாக இருந்தது. அதன் பிறகு client கோரும் resolution-ஐக் குறைக்கவும் அல்லது 4K HDR files-ஐ direct play செய்யக்கூடிய clients-ல் மட்டும் வைத்திருக்கவும்.
FAQ
Jellyfin-ல் NVENC enable செய்த பிறகும் CPU-ஐ ஏன் பயன்படுத்துகிறது?
Dashboard, பின்னர் Logs என்பதன் கீழ் உள்ள சமீபத்திய FFmpeg.Transcode log-ஐ பார்க்கவும். அதில் libx264 என்று இருந்தால், encoding software-ல் இயங்குகிறது. -hwaccel cuda-வும் இல்லையெனில், command-ல் தேர்ந்தெடுக்கப்பட்ட decoder-ஐச் சரிபார்த்து, GPU காணப்படுகிறதா என்பதை உறுதிப்படுத்த docker compose exec jellyfin nvidia-smi இயக்கவும். -hwaccel cuda, libx264-க்கு அருகில் இருந்தால், command GPU decoding-ஐக் கோருகிறது; ஆனால் software encoding பயன்படுத்துகிறது. Enable hardware encoding அமைப்பும், கோரப்பட்ட hardware encoder-ஐ Jellyfin கண்டறிகிறதா என்பதையும் சரிபார்க்கவும். Flags மட்டும் GPU decoding வெற்றிகரமாக நடந்தது என்பதை நிரூபிக்காது. h264_nvenc உள்ளது, ஆனால் -hwaccel cuda இல்லை என்றால், Enable hardware decoding for என்பதன் கீழ் அந்த file-ன் codec தேர்வு செய்யப்பட்டுள்ளதா என்பதைச் சரிபார்க்கவும். உங்கள் card decode செய்ய முடியாத codec-ஐத் தேர்வு செய்தால், software fallback ஏற்படாமல் hardware-decoder error உருவாகலாம். இரண்டும் இருந்தும் CPU பயன்பாடு அதிகமாக இருந்தால், subtitle burn-in போன்ற CPU-ல் இயங்கும் ஒரு processing stage அந்த load-ஐ ஏற்படுத்துகிறது.
Docker Compose-ல் runtime: nvidia வரி இன்னும் தேவையா?
deploy.resources.reservations.devices block-ஐயும் தற்போதைய Docker Compose-ஐயும் பயன்படுத்தினால், தேவையில்லை. இந்த block நவீன device-request வடிவமாகும்; அதே பணியைச் செய்கிறது. runtime: nvidia என்பது nvidia-docker2 காலத்தைச் சேர்ந்த பழைய முறையாகும். அது இன்னும் செயல்படுகிறது; Jellyfin வெளியிட்டுள்ள சொந்த example-லும் இரண்டும் உள்ளன. இரண்டையும் வைத்திருப்பதால் பாதிப்பு இல்லை. runtime: nvidia மட்டும் வைத்திருந்தால், NVIDIA_VISIBLE_DEVICES=all-ஐயும் வைத்திருக்க வேண்டும். ஏனெனில் அந்த முறையில் device request இல்லை; அது device list-ஐ environment-லிருந்து பெறுகிறது.
ஒரு NVIDIA GPU ஒரே நேரத்தில் எத்தனை streams-ஐ transcode செய்ய முடியும்?
NVIDIA வெளியிட்டுள்ள policy-யின்படி, October 2026 நிலவரத்தில் GeForce cards ஒவ்வொரு system-லும் மொத்தம் 12 concurrent encode sessions வரை மட்டுப்படுத்தப்பட்டுள்ளன. L4 போன்ற data center cards unrestricted எனக் குறிப்பிடப்பட்டுள்ளன; சில data center models-ல் NVENC encoder இல்லை. இந்த வரம்புதான் பொதுவாக உங்களைத் தடுக்காது. HDR முதல் SDR வரை tone mapping, NVENC-ல் அல்லாமல் shader cores-ல் இயங்குகிறது. எனவே இது தனியான performance limit-ஐ உருவாக்குகிறது. nvidia-smi dmon -s u மூலம் உங்கள் சொந்த சூழலை அளந்து, session count-ஐ அல்லாமல் sm column-ஐக் கண்காணிக்கவும்.
GPU இல்லாத VPS-ல் hardware transcoding பயன்படுத்த முடியுமா?
முடியாது. Encoding-க்கு physical NVENC block தேவை. Standard VPS-ல் lspci -nn | grep -Ei "3d|display|vga" இயக்கும்போது hypervisor வழங்கும் virtual display adapter மட்டுமே காட்டப்படும். GPU இல்லாத plan-ல் நடைமுறைத் தீர்வு transcode தேவையை நீக்குவதாகும்: client-ன் quality setting-ஐ Auto-ஆக உயர்த்தவும், browser-க்கு பதிலாக native client app-ஐப் பயன்படுத்தவும், image-based subtitles-ஐ நேரடியாக render செய்யும் client-ஐப் பயன்படுத்தவும். Subtitle compatibility காரணமாக burn-in அவசியமானால், அவற்றை text-ஆக மாற்றவும்.
1080p transcode நன்றாக இயங்கும்போது 4K HDR ஏன் stutter ஆகிறது?
இந்த இரண்டு workloads-ம் card-ன் வெவ்வேறு பகுதிகளைப் பயன்படுத்துகின்றன. 1080p SDR transcode பெரும்பாலும் decode மற்றும் encode பணிகளைச் செய்கிறது. உங்கள் card அந்த codec-ஐ ஆதரித்தால், இவை இரண்டும் fixed-function hardware-ல் இயங்கும். இதனுடன் stream-க்கு தேவையான scaling, deinterlacing அல்லது subtitle burn-in பணிகளும் சேரும். 4K HDR stream-ல் tone mapping கூடுதலாக உள்ளது. இது shader cores-ல் இயங்கும் CUDA filter ஆகும். மேலும் scale செய்ய வேண்டிய frame அளவும் அதிகம். nvidia-smi dmon -s u, high sm-க்கு அருகில் low enc மற்றும் dec-ஐக் காட்டினால், காரணம் அதுவாக இருக்கலாம். Fixed-function blocks குறைந்த load-ல் இருக்கும்போது shaders அதிக load-ல் இருப்பதை அது குறிக்கிறது. Tone mapping-ஐ off செய்து file-ஐ மீண்டும் இயக்கிப் பார்ப்பது இதை உறுதிப்படுத்தும்.