วิธีตั้งค่า Jellyfin Hardware Transcoding บน Docker NVIDIA
คู่มือการตั้งค่า Jellyfin บน Docker ให้ใช้งาน NVIDIA GPU ผ่าน NVIDIA Container Toolkit พร้อมวิธีเปิดใช้งาน NVENC และ NVDEC เพื่อลดภาระ CPU และตรวจสอบผลลัพธ์ด้วยคำสั่ง nvidia-smi
สิ่งที่คุณกำลังสร้าง
การทำ hardware transcoding สำหรับ Jellyfin บน NVIDIA GPU มี 4 ขั้นตอนตามลำดับที่กำหนด โดยขั้นตอนสุดท้ายเท่านั้นที่จะเกิดขึ้นภายใน Jellyfin ตัว container จะไม่สามารถมองเห็น GPU ได้หาก host driver ยังไม่ได้โหลด และ Jellyfin จะไม่สามารถใช้ GPU ได้หาก container มองไม่เห็น ให้ดำเนินการตามลำดับนี้เพื่อระบุสาเหตุของปัญหาได้อย่างชัดเจนในแต่ละจุด
- ติดตั้ง NVIDIA driver บน host จากนั้นตรวจสอบด้วย
nvidia-smi - ติดตั้ง NVIDIA Container Toolkit เพื่อให้ Docker สามารถส่งผ่าน GPU ไปยัง container ได้
- จอง GPU สำหรับบริการ Jellyfin ใน
docker-compose.ymlจากนั้นตรวจสอบว่า container มองเห็น GPU แล้ว - เปิดใช้งาน NVENC และ NVDEC ในการตั้งค่าการเล่นของ Jellyfin จากนั้นตรวจสอบว่ามีการใช้งานฮาร์ดแวร์จริงในขณะเล่นวิดีโอ
NVENC (NVIDIA encoder) และ NVDEC (NVIDIA decoder) คือส่วนประมวลผลเฉพาะทางที่ติดตั้งอยู่บนการ์ดจอ ซึ่งเป็นซิลิคอนที่แยกส่วนออกมาจาก shader cores ที่ใช้รันงาน CUDA (compute unified device architecture) การแยกส่วนนี้คือเหตุผลสำคัญที่ทำให้การทำ transcoding คุ้มค่า เพราะสตรีมที่ต้องใช้ CPU หลายคอร์ในการประมวลผลแบบซอฟต์แวร์ จะเปลี่ยนไปใช้ CPU เพียงเล็กน้อยร่วมกับส่วนประมวลผลฮาร์ดแวร์เฉพาะทางบน GPU แทน
การเล่นแบบ Direct play ดีกว่าการ transcode ทุกกรณี ดังนั้นควรตรวจสอบส่วนนี้ก่อน
ก่อนที่คุณจะตั้งค่าใดๆ ให้ตรวจสอบก่อนว่าคุณกำลัง transcode ด้วยเหตุผลที่สามารถแก้ไขได้ง่ายหรือไม่ Jellyfin จะทำการ transcode เมื่อ client ไม่สามารถเล่นไฟล์นั้นได้โดยตรง สาเหตุส่วนใหญ่มักมาจากรายการสั้นๆ เหล่านี้ ได้แก่ video codec, audio codec, รูปแบบ container, คำบรรยายแบบรูปภาพ (image-based subtitles), การจำกัด bitrate ที่ client ร้องขอ หรือความละเอียดและข้อจำกัดอื่นๆ ที่ client แจ้งเข้ามา
ให้เปิด Dashboard จากนั้นไปที่ Playback และเฝ้าดู session ที่กำลังทำงานอยู่ขณะที่มีการเล่นไฟล์ หาก session แสดงสถานะเป็น Direct playing หมายความว่าไฟล์ถูกส่งไปโดยไม่มีการเปลี่ยนแปลงและแทบไม่ใช้ CPU เลย หาก session แสดงสถานะเป็น Transcoding ระบบจะแสดงเหตุผลที่ Jellyfin เลือกทำเช่นนั้น หากคุณกำจัดเหตุผลดังกล่าวได้ GPU ก็ไม่จำเป็นต้องทำงานเลย
การเปลี่ยนแปลงสองอย่างนี้ช่วยลดการ transcode ส่วนใหญ่ได้ ให้ตั้งค่าคุณภาพในแอป client เป็น Auto หรือสูงสุด เพราะหาก client ร้องขอที่ 4 Mbps ระบบจะบังคับให้ re-encode ไฟล์ขนาด 20 Mbps ทันทีไม่ว่าจะใช้ codec ใดก็ตาม จากนั้นให้ใช้แอป client แบบ native แทนการเปิดผ่านแท็บเบราว์เซอร์ เนื่องจากเบราว์เซอร์เป็นเครื่องเล่นที่มีข้อจำกัดมากที่สุดที่คุณมี ในขณะที่แอป native บนทีวีเครื่องเดียวกันมักจะสามารถ direct play ไฟล์เดียวกันได้
คำบรรยายแบบรูปภาพจำเป็นต้องถูกฝัง (burn-in) ลงในวิดีโอก็ต่อเมื่อ client ไม่สามารถแสดงผลได้โดยตรงเท่านั้น คำบรรยายแบบ PGS จาก Blu-ray rip และ VOBSUB จาก DVD rip เป็นรูปภาพ แต่ client ที่รองรับจะแสดงผลได้โดยไม่ต้อง re-encode วิดีโอ ตัวเล่นแบบ integrated ของ Jellyfin บน Android รองรับ PGS โดยตรง ส่วนคำบรรยายแบบข้อความในรูปแบบ SRT จะถูกส่งแยกต่างหากเมื่อ client รองรับ การแปลง track คำบรรยายให้เป็นข้อความจะมีประโยชน์เมื่อปัญหาความเข้ากันได้ของคำบรรยายทำให้เกิดการบังคับฝัง (burn-in) เนื้อหาฝั่งเซิร์ฟเวอร์ส่วนที่เหลือครอบคลุมอยู่ใน คู่มือการใช้งาน Jellyfin media server บน VPS
VPS ส่วนใหญ่ไม่มี GPU
แผนบริการ VPS มาตรฐานไม่มี GPU รวมอยู่ด้วย ให้รันคำสั่งนี้บนเซิร์ฟเวอร์ก่อนที่คุณจะวางแผนดำเนินการใดๆ ต่อไป
lspci -nn | grep -Ei "3d|display|vga"บน KVM VPS ทั่วไป คำสั่งนี้จะแสดงผลเป็น virtual display adapter จาก hypervisor หรือไม่แสดงผลที่มีประโยชน์ใดๆ อุปกรณ์ดังกล่าวไม่สามารถเข้ารหัสวิดีโอได้ GPU ของจริงจะปรากฏขึ้นก็ต่อเมื่อผู้ให้บริการส่งผ่าน (pass through) การ์ดจอจริงมายัง instance ของคุณ หรือแบ่งส่วนของ GPU ให้ใช้งาน ซึ่งแผนบริการเหล่านี้จะมีราคาที่สูงขึ้นตามไปด้วย ภาระงานแบบใดที่คุ้มค่ากับการจ่ายเงินซื้อ GPU VPS จะอธิบายว่าใครควรและไม่ควรใช้บริการนี้
หากไม่มี GPU ให้เน้นการเล่นไฟล์แบบ direct play และถือว่าการทำ software transcoding เป็นกรณีที่เกิดขึ้นได้ยาก การทำ software transcode ไฟล์ H.264 ความละเอียด 1080p เพียงรายการเดียวถือเป็นภาระหนักแต่ยังพอรับได้สำหรับ CPU จำนวนไม่กี่คอร์ ส่วนการทำ software transcode ไฟล์ 4K HDR พร้อมการทำ tone mapping นั้น VPS ขนาดเล็กไม่สามารถประมวลผลให้เสร็จสิ้นได้แบบ real time ส่งผลให้การสตรีมกระตุกในขณะที่ CPU ทำงานเต็มประสิทธิภาพที่ 100 เปอร์เซ็นต์
การติดตั้ง NVIDIA driver บนโฮสต์
Jellyfin 10.11 ระบุความต้องการขั้นต่ำของ NVIDIA driver ไว้ที่เวอร์ชัน 520.56.06 บน Linux โดย build ของ jellyfin-ffmpeg ที่ติดตั้งอยู่อาจต้องการ driver เวอร์ชันที่ใหม่กว่า ซึ่ง log การ transcode จะรายงานเวอร์ชันขั้นต่ำที่ต้องการหาก NVENC API ของ driver มีเวอร์ชันเก่าเกินไป ทั้งนี้ Ubuntu มีเครื่องมือช่วยเลือกแพ็กเกจที่เหมาะสมให้คุณ
sudo ubuntu-drivers list --gpgpu
sudo ubuntu-drivers install --gpgpu
sudo reboot--gpgpu จะเลือก driver รุ่นสำหรับ headless server ซึ่งเป็นสิ่งที่ media server ต้องการเนื่องจากไม่มีการใช้งาน desktop บนเครื่อง คำสั่งแสดงรายการจะพิมพ์ branch ที่มีให้เลือก และคุณสามารถระบุเจาะจงได้โดยใช้ชื่อ เช่น sudo ubuntu-drivers install --gpgpu nvidia:570-server โดยให้ใช้ branch ที่ปรากฏในรายการจริง ไม่ใช่ชื่อที่ระบุไว้ในตัวอย่างนี้
รุ่น server อาจไม่ได้ดึง nvidia-smi มาให้โดยอัตโนมัติ ให้ติดตั้งแพ็กเกจ utils ที่ตรงกับ branch ที่คุณเลือก เช่น sudo apt install nvidia-utils-570-server จากนั้นจึงตรวจสอบ driver
nvidia-smiผลลัพธ์ที่ถูกต้องจะแสดงตารางที่มีเวอร์ชันของ driver และเวอร์ชันของ CUDA อยู่ในส่วนหัว พร้อมแสดงชื่อการ์ดของคุณ รายการ process จะแสดงการใช้งานทรัพยากร GPU ในส่วน Compute, Graphics หรือ Other ซึ่งอาจมีข้อมูลปรากฏขึ้นหาก GPU ทำงานปกติ ส่วนรายการที่ว่างเปล่าหมายความว่าไม่มีการรายงาน process ที่ใช้งาน GPU อยู่ ปัญหาที่พบบ่อยมี 2 ประการ ได้แก่ nvidia-smi: command not found ซึ่งหมายความว่าแพ็กเกจ utils หายไป ไม่ใช่ตัว driver เอง และ NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver ซึ่งหมายความว่า kernel module ไม่ได้ถูกโหลด ซึ่งในการติดตั้งใหม่เกือบทุกครั้งหมายความว่าคุณยังไม่ได้ reboot เครื่อง หรือ Secure Boot ปฏิเสธการโหลด module ที่ไม่ได้ลงลายเซ็น ตรวจสอบว่ามี module อยู่จริงด้วย lsmod | grep nvidia หากคำสั่งดังกล่าวไม่แสดงผลลัพธ์ใดๆ และ sudo modprobe nvidia ล้มเหลวโดยแจ้ง Key was rejected by service แสดงว่า Secure Boot กำลังบล็อก module ดังกล่าวอยู่ โดยหัวข้อ การล้างการปฏิเสธคีย์ Secure Boot จะครอบคลุมถึงการตรวจสอบสถานะ firmware และการลงทะเบียน machine owner key หรือการปิดการบังคับใช้ Secure Boot
การติดตั้ง NVIDIA Container Toolkit
ไดรเวอร์ช่วยให้โฮสต์สามารถใช้งาน GPU ได้ แต่ Docker จะยังไม่ส่งผ่าน GPU เข้าไปยังคอนเทนเนอร์ เนื่องจากคอนเทนเนอร์ไม่มีทั้ง device nodes และไลบรารีของไดรเวอร์ NVIDIA Container Toolkit คือส่วนประกอบที่ทำหน้าที่แทรกทั้งสองอย่างนี้เข้าไปในขณะที่คอนเทนเนอร์เริ่มทำงาน คำสั่งต่อไปนี้อ้างอิงตามขั้นตอนการติดตั้งของ NVIDIA สำหรับ Debian และ Ubuntu โดยคู่มือปัจจุบันของ NVIDIA จะกำหนดเวอร์ชันของแพ็กเกจ toolkit ไว้ผ่านตัวแปรเวอร์ชัน แต่ในที่นี้เราจะละเว้นการกำหนดเวอร์ชันไว้ เพื่อให้ระบบติดตั้งเวอร์ชันล่าสุดที่มีอยู่ใน repository
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-toolkitการติดตั้งแพ็กเกจเพียงอย่างเดียวไม่เพียงพอ เนื่องจากต้องกำหนดค่าให้ Docker ทราบว่ามี runtime นี้อยู่
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart dockernvidia-ctk runtime configure จะเขียนรายการ runtime ลงใน /etc/docker/daemon.json ผ่าน nvidia การรีสตาร์ทเป็นขั้นตอนที่ผู้ใช้มักมองข้าม และการข้ามขั้นตอนนี้เป็นสาเหตุของข้อผิดพลาดที่พบบ่อยที่สุดในการตั้งค่าทั้งหมดนี้ โปรดทดสอบการเชื่อมต่อก่อนเริ่มใช้งาน Jellyfin
sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smiคำสั่งนี้ควรแสดงตารางข้อมูลชุดเดียวกับที่แสดงบนโฮสต์ หากผลลัพธ์ที่ได้คือข้อผิดพลาดเกี่ยวกับการไม่สามารถเลือกไดรเวอร์อุปกรณ์ที่มีความสามารถด้าน gpu แสดงว่า Docker daemon ยังไม่รู้จัก nvidia runtime ให้รันคำสั่งกำหนดค่าอีกครั้งและรีสตาร์ท daemon
การกำหนด GPU ให้กับคอนเทนเนอร์ Jellyfin ใน Docker Compose
นี่คือรูปแบบการเขียน Compose สมัยใหม่ ซึ่งต่อยอดจากตัวอย่างที่ Jellyfin เผยแพร่ โดยระบุตัวแปรสภาพแวดล้อมของ NVIDIA ทั้งสองตัวไว้อย่างชัดเจน
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]สั่งเริ่มการทำงานและตรวจสอบคอนเทนเนอร์โดยตรง
docker compose up -d
docker compose exec jellyfin nvidia-smiหากคำสั่งดังกล่าวแสดงตารางไดรเวอร์จากภายในคอนเทนเนอร์ แสดงว่าการมองเห็น GPU และไลบรารีการจัดการทำงานได้ปกติ แต่ยังคงต้องตรวจสอบไลบรารีวิดีโอและการแปลงรหัส (transcode) จริงอีกครั้ง
สี่บรรทัดในไฟล์นั้นมีคำอธิบายดังนี้ capabilities: [gpu] เป็นสิ่งที่ Compose จำเป็นต้องใช้ หากละทิ้งบรรทัดนี้ Compose จะปฏิเสธการทำงานของบริการแทนที่จะเริ่มทำงานโดยไม่มี GPU ส่วน NVIDIA_DRIVER_CAPABILITIES=all มีความสำคัญเนื่องจาก toolkit จะ mount เฉพาะไลบรารีวิดีโอเข้าไปในคอนเทนเนอร์เมื่อมีการร้องขอความสามารถด้านวิดีโอเท่านั้น และหากไม่ได้ตั้งค่าตัวแปรนี้ ค่าเริ่มต้นจะเป็นเพียง utility และ compute เท่านั้น อิมเมจอย่างเป็นทางการของ Jellyfin ได้ตั้งค่านี้ไว้แล้ว ดังนั้นในอิมเมจดังกล่าว บรรทัดนี้จึงเป็นมาตรการป้องกันไม่ให้ค่าอื่นมาเขียนทับ เอกสารของ Jellyfin ระบุว่าคุณต้องเพิ่มบรรทัดนี้ด้วยตนเองหากคุณสร้างอิมเมจขึ้นมาใช้เอง หากไม่มีความสามารถด้านวิดีโอ CUDA จะทำงานได้ในขณะที่ NVDEC จะไม่ทำงาน และ log การแปลงรหัสจะรายงาน Cannot load libnvcuvid.so.1 ส่วน network_mode: host คือสิ่งที่ตัวอย่าง NVIDIA ของ Jellyfin ใช้งาน คู่มือคอนเทนเนอร์ของ Jellyfin ระบุว่าการใช้ host networking เป็นทางเลือก แต่จำเป็นสำหรับ DLNA และหากคุณใช้ bridge network แทน คุณจะต้องเปิดพอร์ต 8096/tcp และพอร์ตค้นหาอัตโนมัติ 7359/udp ด้วยตนเอง
user: 1000:1000 เป็นบรรทัดสุดท้าย และไม่มีส่วนเกี่ยวข้องกับ GPU โดยจะเป็นตัวกำหนดว่า Jellyfin สามารถอ่านไฟล์ใดได้บ้างบน media mount ของคุณ ซึ่งหากค่าไม่ตรงกันจะส่งผลให้คลังข้อมูลว่างเปล่าแทนที่จะเป็นข้อผิดพลาดเรื่องสิทธิ์การเข้าถึง วิธีที่ PUID และ PGID จับคู่ผู้ใช้ในคอนเทนเนอร์กับไฟล์บนดิสก์ อธิบายถึงการกำหนดหมายเลขดังกล่าว ซึ่งเป็นหมายเลขเดียวกับที่คุณตั้งค่าไว้หากคุณรัน ชุดบริการ Sonarr และ Radarr ใน Docker Compose ควบคู่ไปกับบริการนี้
เหตุใดบทแนะนำส่วนใหญ่ยังคงเขียน runtime: nvidia
รูปแบบเก่าปรากฏอยู่ในเกือบทุกคู่มือที่คุณจะพบ และมันไม่ใช่สิ่งที่ผิด แต่มันคือประวัติศาสตร์ แพ็กเกจ nvidia-docker2 ดั้งเดิมได้ลงทะเบียน OCI runtime ที่ชื่อว่า nvidia และพาธของ environment-variable ก็ใช้ NVIDIA_VISIBLE_DEVICES ร่วมกับ runtime นั้น โดยเลือกผ่าน --runtime=nvidia หรือกำหนดเป็น runtime เริ่มต้นของ Docker Docker 19.03 ได้เพิ่มแฟล็ก --gpus และ API สำหรับการร้องขออุปกรณ์ (device-request) ที่เหมาะสมเข้ามา Compose ใช้เวลานานกว่าในการปรับปรุงตาม และเมื่อทำสำเร็จ การร้องขออุปกรณ์ก็ถูกย้ายไปอยู่ภายใต้ deploy.resources.reservations.devices ซึ่งเป็นคีย์ที่คนส่วนใหญ่เรียนรู้ที่จะละเลยเพราะ deploy เคยหมายถึง Docker Swarm มาก่อน
ผลลัพธ์คือทั้งสองรูปแบบใช้งานได้ในปัจจุบัน และตัวอย่างที่เผยแพร่ของ Jellyfin ก็ใส่มาทั้งสองอย่างพร้อมกัน การคง runtime: nvidia ไว้ไม่มีค่าใช้จ่ายใดๆ และทำให้ไฟล์ทำงานบน Compose เวอร์ชันเก่าได้ หากคุณเก็บไว้เพียง runtime: nvidia และลบบล็อก deploy ออก คุณจำเป็นต้องเก็บ NVIDIA_VISIBLE_DEVICES=all ไว้ เพราะพาธแบบเดิมนั้นอ่านค่าจาก environment variable เพื่อตัดสินใจว่าจะ inject อุปกรณ์ใดเข้าไป และไม่มีการร้องขออุปกรณ์ (device request) อื่นมาให้อ่านแทน
เปิดใช้งาน NVIDIA hardware transcoding ใน Jellyfin
จนถึงตอนนี้ยังไม่มีการตั้งค่าใดที่สั่งให้ Jellyfin ใช้งานการ์ดจอ ให้ไปที่ Dashboard จากนั้นเลือก Playback และ Transcoding ตั้งค่า Hardware acceleration เป็น Nvidia NVENC ทำเครื่องหมายที่ Enable hardware encoding มิฉะนั้น Jellyfin จะถอดรหัสบน GPU แต่เข้ารหัสบน CPU ซึ่งเป็นสถานะกึ่งกลางที่ทำให้สับสน เพราะ GPU จะแสดงการทำงานในขณะที่ CPU ยังคงทำงานหนักอยู่
การเปิดใช้งาน Enable enhanced NVDEC decoder จะเป็นการสลับระหว่างเส้นทาง NVDEC ปัจจุบันกับเส้นทาง CUVID แบบเก่า ให้เปิดใช้งานไว้ การจัดการ Dolby Vision จำเป็นต้องเปิดตัวเลือกนี้เพื่อให้สามารถใช้งาน NVDEC ได้
ภายใต้หัวข้อ Enable hardware decoding for ให้เลือกเฉพาะ codec ที่การ์ดจอของคุณรองรับจริงเท่านั้น นี่คือการตั้งค่าที่ผู้ใช้มักทำผิดพลาด การเลือก AV1 บนการ์ดจอที่ไม่มีตัวถอดรหัส AV1 อาจทำให้ระบบพยายามเรียกใช้การถอดรหัสผ่านฮาร์ดแวร์แล้วล้มเหลวด้วย Hardware is lacking required capabilities การเลือกตัวเลือกที่ไม่รองรับไม่ได้รับประกันว่าระบบจะเปลี่ยนไปใช้การถอดรหัสผ่านซอฟต์แวร์โดยอัตโนมัติ
มีข้อจำกัดอีกประการหนึ่งสำหรับหน้าการตั้งค่านี้คือ การเร่งความเร็วผ่านฮาร์ดแวร์จะรองรับอย่างสมบูรณ์เฉพาะกับ build ที่มาพร้อมกับ jellyfin-ffmpeg เท่านั้น เอกสารของ Jellyfin เตือนว่า FFmpeg binary จากแหล่งอื่นอาจส่งผลให้การเร่งความเร็วทำงานได้เพียงบางส่วน ดังนั้นหากคุณเคยตั้งค่า FFmpeg path ไปยัง FFmpeg ของระบบ ให้เปลี่ยนกลับมาใช้ค่าเดิม
ตัวแปลงสัญญาณ (Codecs) ที่ GPU รุ่นของคุณสามารถถอดรหัสและเข้ารหัสได้
นี่คือขอบเขตที่ Jellyfin ระบุไว้สำหรับ NVENC และ NVDEC การถอดรหัส (Decode) และการเข้ารหัส (Encode) เป็นความสามารถที่แยกจากกัน การ์ดจอหนึ่งใบอาจมีความสามารถอย่างใดอย่างหนึ่งโดยไม่มีอีกอย่างก็ได้
- H.264 8-bit: GPU ของ NVIDIA ทุกรุ่นที่มี NVENC และ NVDEC สามารถถอดรหัสและเข้ารหัสได้ทั้งคู่
- HEVC 8-bit: ถอดรหัสและเข้ารหัสได้ตั้งแต่สถาปัตยกรรม Maxwell รุ่นที่สอง (GM206) เป็นต้นไป
- HEVC 10-bit: ถอดรหัสได้ตั้งแต่ Maxwell รุ่นที่สองเป็นต้นไป โดยเฉพาะรุ่นย่อย GM206 เท่านั้นที่มีความสามารถนี้ แต่การเข้ารหัสรองรับตั้งแต่สถาปัตยกรรม Pascal เป็นต้นไป
- AV1: ถอดรหัสได้ตั้งแต่สถาปัตยกรรม Ampere เป็นต้นไป ยกเว้นชิปศูนย์ข้อมูล GA100 (ตารางตัวถอดรหัสของ NVIDIA ระบุว่า Hopper ไม่รองรับการถอดรหัส AV1) และเข้ารหัสได้ตั้งแต่สถาปัตยกรรม Ada Lovelace เป็นต้นไป ซึ่ง Jellyfin รองรับตั้งแต่เวอร์ชัน 10.9
ความแตกต่างของ HEVC 10-bit เป็นจุดที่มักสร้างปัญหาในการใช้งานจริง การ์ดจอ Maxwell ที่ใช้ชิป GM206 สามารถถอดรหัสไฟล์ 4K HDR บน GPU ได้ แต่ไม่สามารถเข้ารหัสเอาต์พุตแบบ 10-bit ได้ อย่างไรก็ตาม มันรองรับทั้งการเข้ารหัส H.264 8-bit และ HEVC 8-bit ชิป Maxwell รุ่นอื่นไม่รองรับการถอดรหัส HEVC 10-bit ในระดับฮาร์ดแวร์เลย Jellyfin จะเลือกตัวแปลงสัญญาณขาออกตามความสามารถของไคลเอนต์และการตั้งค่าการเข้ารหัส โดยเส้นทางการแปลงรหัส (transcoding) แบบ HEVC จะบังคับใช้โปรไฟล์ Main 8-bit เสมอ ควรเลือกเอาต์พุตเป็น AV1 เฉพาะกับไคลเอนต์ที่รองรับเท่านั้น
เหตุใดการทำ tone mapping จึงทำให้ GPU ทำงานหนักเกินไปโดยไม่รู้ตัว
การทำ tone mapping จาก HDR (high dynamic range) ไปเป็น SDR (standard dynamic range) คือการตั้งค่าที่ใช้ทรัพยากร GPU ของคุณอย่างมหาศาล ซึ่งมีสาเหตุมาจากโครงสร้างทางสถาปัตยกรรม กระบวนการ decode ทำงานบน NVDEC ส่วน encode ทำงานบน NVENC แต่การทำ tone mapping ไม่ได้ทำงานบนส่วนประกอบทั้งสองนี้ มันคือ CUDA filter ที่ประมวลผลบน shader cores ซึ่งเป็นส่วนประมวลผลทั่วไปของ GPU ที่ใช้สำหรับงานคำนวณ ดังนั้นสตรีม 4K HDR ที่ต้องทำ tone mapping จึงต้องใช้งานทั้งตัวถอดรหัสและตัวเข้ารหัส พร้อมทั้งโหลดงานเพิ่มเข้าไปบน shader อีกด้วย
Jellyfin ระบุว่า CUDA tone mapping สามารถใช้งานได้บน GPU ของ NVIDIA ทุกรุ่นที่รองรับการถอดรหัส HEVC 10-bit นั่นหมายความว่าช่องทำเครื่องหมายจะปรากฏขึ้นและใช้งานได้แม้บนการ์ดที่ไม่สามารถประมวลผล 4K ได้อย่างต่อเนื่อง อาการที่พบคือสตรีมเริ่มเล่นแล้วเกิดการบัฟเฟอร์ค้างอยู่ตลอดเวลา ในขณะที่ nvidia-smi รายงานว่าตัวเข้ารหัสแทบไม่ได้ทำงานเลย
นี่คือเหตุผลว่าทำไมการเฝ้าดูภาระงานของ shader แยกต่างหากจึงมีความสำคัญ
nvidia-smi dmon -s uคำสั่งดังกล่าวจะแสดงผลหนึ่งบรรทัดต่อวินาที โดยแยกคอลัมน์สำหรับ sm, enc และ dec หากค่า enc และ dec ต่ำในขณะที่ค่า sm สูง แสดงว่าปัญหาอยู่ที่ shader ไม่ใช่ส่วนประมวลผลเฉพาะทาง (fixed-function blocks) ดังนั้นสาเหตุที่เป็นไปได้คือการทำ tone mapping, การปรับขนาดภาพ (scaling) หรือการฝังคำบรรยาย (subtitle burn-in) ให้ถือว่าข้อมูลนี้เป็นเบาะแสไม่ใช่ข้อสรุป เพราะ NVIDIA นิยามการใช้งาน GPU ว่าเป็นสัดส่วนของช่วงเวลาที่สุ่มตรวจซึ่งมีอย่างน้อยหนึ่ง kernel กำลังทำงานอยู่ ดังนั้นค่าที่สูงจึงบอกเพียงว่า shader กำลังทำงานอยู่ ไม่ได้หมายความว่ามันทำงานจนเต็มขีดจำกัดแล้ว เส้นทาง CUDA ยังรองรับ Dolby Vision profile 5 แบบ zero copy ซึ่งมีความสำคัญมาก เพราะหากไม่มี zero copy เฟรมจะต้องถูกส่งออกไปยังหน่วยความจำหลักของระบบและส่งกลับเข้ามาใหม่ระหว่างขั้นตอนการกรอง ซึ่งการรับส่งข้อมูลไปกลับนี้จะสิ้นเปลืองแบนด์วิดท์ในทุกๆ เฟรมที่ประมวลผล
ขีดจำกัดของ NVENC session ในการ์ดจอสำหรับผู้บริโภคที่แท้จริง
ข้อมูลเบื้องหลังแผนภูมินี้
[
{
"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
}
]ตัวเลขเหล่านี้เป็นข้อมูลจากตารางที่ NVIDIA เผยแพร่อย่างเป็นทางการ ณ เดือนตุลาคม 2026 ไม่ใช่การวัดผลที่ทำขึ้นในที่นี้ นโยบายของ NVIDIA จำกัดจำนวน session การเข้ารหัสวิดีโอพร้อมกันรวมทุกการ์ดจอ GeForce ในระบบเดียวไว้ที่ 12 session ไม่ว่าจะเป็นรุ่นใดก็ตาม ขีดจำกัดนี้ถูกกำหนดไว้ในระดับไดรเวอร์ไม่ใช่ที่ตัวฮาร์ดแวร์ และ NVIDIA ได้ปรับเพิ่มตัวเลขนี้ขึ้นหลายครั้งในช่วงหลายปีที่ผ่านมา ดังนั้นโปรดตรวจสอบตารางข้อมูลล่าสุดแทนการอ้างอิงกระทู้เก่าในฟอรัม จำนวนเอนจินคือส่วนที่แตกต่างกันจริงตามรุ่นของการ์ดจอ โดยที่ GeForce RTX 5090 จะมีเอนจิน NVENC จำนวน 3 เอนจิน ในขณะที่ GeForce RTX 4060 จะมีจำนวน 1 เอนจิน การมีเอนจินมากขึ้นหมายถึงปริมาณงานในการเข้ารหัสแบบขนานที่สูงขึ้น ไม่ใช่การเพิ่มเพดานจำนวน session
ขีดจำกัดนี้จะนับรวม session การเข้ารหัสทั้งหมด รวมถึงการเข้ารหัสวิดีโอนอกเหนือจาก Jellyfin ด้วย การเล่นแบบ Direct play และการทำ remuxing จะไม่เปิด session การเข้ารหัส การ์ดจอสำหรับศูนย์ข้อมูลอย่าง L4 จะถูกระบุว่าไม่มีข้อจำกัดในตารางเดียวกัน แต่รุ่นอย่าง A100 และ H100 นั้นไม่มีตัวเข้ารหัส NVENC ดังนั้นโปรดตรวจสอบรุ่นของการ์ดจอให้แน่ชัดหากใช้บริการ GPU VPS
เมื่อคุณใช้งานจนถึงขีดจำกัด การ transcode จะล้มเหลวและ log ของ FFmpeg จะแสดง OpenEncodeSessionEx failed: out of memory (10) ข้อความดังกล่าวจะระบุถึงหน่วยความจำ แต่การปฏิเสธเนื่องจากถึงขีดจำกัด session ก็จะรายงานรหัสเดียวกันนี้ ดังนั้นควรตรวจสอบจำนวนสตรีมที่ใช้งานพร้อมกันก่อนที่จะไปหาสาเหตุเรื่อง VRAM รั่ว ในทางปฏิบัติ ผู้ใช้ส่วนใหญ่มักจะถึงขีดจำกัดเรื่องการทำ tone-mapping หรือแบนด์วิดท์ขาอัปโหลดก่อนที่จะถึง session ที่ 12
พิสูจน์ว่า GPU กำลังทำ transcoding อย่าเชื่อเพียงแค่การตั้งค่า
การบันทึกการตั้งค่าไม่ใช่หลักฐานยืนยัน ให้เล่นไฟล์ที่คุณทราบว่าต้องบังคับให้ทำ transcode จากนั้นให้ตรวจสอบ 3 ขั้นตอนดังนี้
- เปิด Dashboard แล้วไปที่ Playback เซสชันที่กำลังทำงานอยู่ควรแสดงสถานะเป็น Transcoding พร้อมระบุเหตุผล หากแสดงเป็น Direct playing แสดงว่าไม่มีการทำ transcode และคุณกำลังทดสอบไฟล์ที่ไม่ถูกต้อง
- เปิด Dashboard แล้วไปที่ Logs จากนั้นเปิดไฟล์ log ล่าสุดของ
FFmpeg.Transcodeการทำ hardware transcode ที่สมบูรณ์จะแสดง-hwaccel cudaและ-hwaccel_output_format cudaในบรรทัดคำสั่ง พร้อมกับ NVENC encoder เช่นh264_nvencหรือhevc_nvencหรือ AV1 NVENC encoder บนสถาปัตยกรรม Ada Lovelace ขึ้นไป หากพบlibx264ในนั้นหมายความว่าการ encode กำลังทำงานผ่านซอฟต์แวร์ ไม่ว่าหน้าการตั้งค่าจะระบุไว้อย่างไรก็ตาม หากไม่พบ-hwaccel cudaในขณะที่ใช้ NVENC encoder แสดงว่าส่วนการ decode กำลังทำงานผ่านซอฟต์แวร์ - รันคำสั่ง
nvidia-smiบนโฮสต์ในขณะที่การเล่นไฟล์ยังดำเนินอยู่ ควรมีกระบวนการจาก/usr/lib/jellyfin-ffmpeg/ffmpegปรากฏขึ้นพร้อมการจัดสรรหน่วยความจำ GPU และnvidia-smi dmon -s uควรแสดงค่าในคอลัมน์ enc และ dec ที่ไม่ใช่ศูนย์
ให้รันการตรวจสอบขั้นตอนที่สามบนโฮสต์ ไม่ใช่ภายในคอนเทนเนอร์ โดยปกติแล้ว nvidia-smi ภายในคอนเทนเนอร์มักจะแสดงรายการกระบวนการว่างเปล่าเนื่องจากไม่สามารถมองเห็น process ID จากภายนอก namespace ของตนเองได้ ในขณะที่ตัวเลขการใช้งานยังคงอ่านค่าได้อย่างถูกต้อง การที่รายการกระบวนการว่างเปล่าภายในคอนเทนเนอร์ไม่ใช่ความผิดปกติของระบบ
เมื่อระบบเปลี่ยนไปใช้ซอฟต์แวร์โดยไม่แจ้งเตือน
Jellyfin จะเลือกใช้ตัวเข้ารหัสแบบซอฟต์แวร์เมื่อปิดการใช้งานการเข้ารหัสด้วยฮาร์ดแวร์ หรือเมื่อตัวเข้ารหัสฮาร์ดแวร์ที่ต้องการไม่พร้อมใช้งาน เส้นทางการทำงานของฮาร์ดแวร์ที่ล้มเหลวระหว่างการเล่นอาจทำให้สตรีมหยุดชะงักได้ ดังนั้นควรตรวจสอบ log ของ FFmpeg แทนการสันนิษฐานว่าความล้มเหลวทุกครั้งจะเปลี่ยนไปใช้ซอฟต์แวร์โดยอัตโนมัติ
Cannot load libnvcuvid.so.1 ใน log ของการ transcode หมายความว่า dynamic loader ไม่สามารถโหลดไลบรารีของตัวถอดรหัสได้ ข้อความนี้เพียงอย่างเดียวไม่สามารถระบุได้ว่ามีการ mount ไลบรารีไว้หรือไม่ ให้ตรวจสอบ NVIDIA_DRIVER_CAPABILITIES=all รวมถึงไลบรารีไดรเวอร์และ dynamic links ภายในคอนเทนเนอร์ หากคุณมีการเปลี่ยนแปลงสภาพแวดล้อม ให้สร้างคอนเทนเนอร์ขึ้นใหม่ด้วย docker compose up -d เนื่องจากการ restart แบบปกติจะยังคงใช้การตั้งค่าเดิมอยู่
No capable devices found จาก h264_nvenc หมายความว่า FFmpeg เข้าถึงไลบรารีของตัวเข้ารหัสได้แล้ว แต่ไม่พบการ์ดที่ใช้งานได้ ให้ตรวจสอบ docker compose exec jellyfin nvidia-smi อีกครั้ง จากนั้นอ่านข้อความใน log ส่วนที่อยู่ก่อนหน้าเพื่อดูความล้มเหลวของอุปกรณ์และความสามารถของตัวเข้ารหัส
การที่ CPU ทำงานหนักในขณะที่ GPU ทำงานน้อยเป็นเหตุผลที่ควรตรวจสอบว่าขั้นตอนใดบ้างที่ใช้ซอฟต์แวร์ ให้ยกเลิกการเลือก codec ที่ฮาร์ดแวร์รุ่นของคุณไม่รองรับการถอดรหัส จากนั้นเล่นไฟล์เดิมซ้ำและอ่าน log ของ FFmpeg อีกครั้งเพื่อดูว่ามี -hwaccel cuda ปรากฏขึ้นหรือไม่ หากมีและ CPU ยังคงทำงานหนัก ให้มองหาขั้นตอนที่ Jellyfin ไม่สามารถประมวลผลบน GPU ได้ เช่น การฝังคำบรรยายภาพ (image subtitle burn-in)
การ transcode ที่เริ่มต้นได้แต่ไปหยุดชะงักที่ไฟล์ 4K HDR ในขณะที่ไฟล์ 1080p ทำงานได้ปกติ มักเกิดจากขีดจำกัดของการทำ tone-mapping ไม่ใช่การติดตั้งที่เสียหาย ให้สังเกตคอลัมน์ sm ใน nvidia-smi dmon -s u จากนั้นเล่นไฟล์เดิมซ้ำโดยปิดการทำ tone-mapping หากสตรีมทำงานได้ตามปกติ แสดงว่า tone-mapping คือข้อจำกัดของระบบ จากนั้นให้ลดความละเอียดที่ไคลเอนต์ร้องขอ หรือเก็บไฟล์ 4K HDR ไว้เล่นบนไคลเอนต์ที่สามารถทำ direct play ได้เท่านั้น
FAQ
ทำไม Jellyfin ยังคงใช้ CPU หลังจากที่ฉันเปิดใช้งาน NVENC แล้ว?
ให้ตรวจสอบ log ล่าสุดที่ FFmpeg.Transcode ภายใต้เมนู Dashboard แล้วไปที่ Logs หากแสดงข้อความ libx264 แสดงว่าการ encode กำลังทำงานในรูปแบบซอฟต์แวร์ หากไม่มี -hwaccel cuda ปรากฏอยู่ ให้ตรวจสอบตัวถอดรหัส (decoder) ที่เลือกไว้ในคำสั่ง และรัน docker compose exec jellyfin nvidia-smi เพื่อยืนยันว่าระบบมองเห็น GPU หรือไม่ หากมี -hwaccel cuda ปรากฏอยู่ข้างๆ libx264 แสดงว่าคำสั่งนั้นร้องขอการถอดรหัสด้วย GPU แต่ใช้การ encode ด้วยซอฟต์แวร์ ให้ตรวจสอบการตั้งค่า Enable hardware encoding และดูว่า Jellyfin ตรวจพบ hardware encoder ที่ต้องการหรือไม่ การมีเพียง flag เหล่านั้นไม่ได้เป็นเครื่องยืนยันว่าการถอดรหัสด้วย GPU สำเร็จ หากแสดง h264_nvenc โดยไม่มี -hwaccel cuda ให้ตรวจสอบว่า codec ของไฟล์นั้นถูกติ๊กเลือกไว้ภายใต้หัวข้อ Enable hardware decoding for หรือไม่ การติ๊กเลือก codec ที่การ์ดของคุณไม่รองรับอาจทำให้เกิดข้อผิดพลาดที่ hardware-decoder แทนที่จะเปลี่ยนไปใช้ซอฟต์แวร์สำรอง หากมีทั้งสองอย่างปรากฏอยู่แต่ CPU ยังคงทำงานหนัก แสดงว่าภาระงานมาจากขั้นตอนที่ยังคงประมวลผลบน CPU เช่น การฝังซับไตเติล (subtitle burn-in)
ฉันยังจำเป็นต้องใส่บรรทัด runtime: nvidia ใน Docker Compose หรือไม่?
ไม่จำเป็นหากคุณมีบล็อก deploy.resources.reservations.devices และใช้ Docker Compose เวอร์ชันปัจจุบัน บล็อกดังกล่าวเป็นรูปแบบการร้องขออุปกรณ์ (device request) แบบสมัยใหม่ซึ่งทำหน้าที่เดียวกัน runtime: nvidia เป็นเส้นทางแบบเก่าจากยุค nvidia-docker2 ซึ่งยังคงใช้งานได้ และตัวอย่างที่ Jellyfin เผยแพร่เองก็ยังคงใส่ไว้ทั้งสองอย่าง การเก็บไว้ทั้งคู่ไม่มีผลเสียใดๆ การเก็บไว้เพียง runtime: nvidia หมายความว่าคุณต้องเก็บ NVIDIA_VISIBLE_DEVICES=all ไว้ด้วย เนื่องจากเส้นทางนั้นไม่มีการร้องขออุปกรณ์เพื่ออ่านค่า และจะดึงรายการอุปกรณ์มาจาก environment แทน
NVIDIA GPU หนึ่งตัวสามารถ transcode พร้อมกันได้กี่สตรีม?
นโยบายที่ NVIDIA เผยแพร่กำหนดเพดานสำหรับ GeForce ไว้ที่ 12 เซสชันการ encode พร้อมกันต่อระบบ ณ เดือนตุลาคม 2026 ส่วนการ์ดสำหรับศูนย์ข้อมูล (data center) เช่น L4 จะไม่มีการจำกัดจำนวน ในขณะที่บางรุ่นสำหรับศูนย์ข้อมูลไม่มีตัวเข้ารหัส NVENC มาให้ อย่างไรก็ตาม เพดานดังกล่าวแทบไม่ใช่ปัจจัยหลักที่ทำให้ระบบหยุดทำงาน การทำ tone mapping จาก HDR เป็น SDR จะทำงานบน shader cores แทนที่จะเป็น NVENC จึงทำให้เกิดขีดจำกัดด้านประสิทธิภาพแยกต่างหาก ให้วัดผลในกรณีของคุณเองด้วย nvidia-smi dmon -s u และคอยสังเกตคอลัมน์ sm แทนที่จะดูจำนวนเซสชัน
ฉันสามารถใช้ hardware transcoding บน VPS ที่ไม่มี GPU ได้หรือไม่?
ไม่ได้ การ encode จำเป็นต้องใช้บล็อก NVENC ทางกายภาพ และ lspci -nn | grep -Ei "3d|display|vga" บน VPS มาตรฐานจะแสดงเพียงอะแดปเตอร์แสดงผลเสมือนจาก hypervisor เท่านั้น คำตอบที่เป็นไปได้จริงสำหรับแผนบริการที่ไม่มี GPU คือการลดภาระการ transcode แทน เช่น ปรับการตั้งค่าคุณภาพของไคลเอนต์เป็น Auto, ใช้แอปไคลเอนต์แบบ native แทนการใช้เบราว์เซอร์ และใช้ไคลเอนต์ที่สามารถแสดงผลซับไตเติลแบบรูปภาพได้โดยตรง หรือแปลงซับไตเติลเหล่านั้นเป็นข้อความในกรณีที่ความเข้ากันได้บังคับให้ต้องทำการฝังซับไตเติล
ทำไม 4K HDR ถึงกระตุกในขณะที่ 1080p transcode ได้ปกติ?
ภาระงานทั้งสองรูปแบบใช้ส่วนประกอบของการ์ดที่แตกต่างกัน การ transcode 1080p SDR ส่วนใหญ่เป็นการถอดรหัส (decode) และเข้ารหัส (encode) ซึ่งทั้งคู่ทำงานบนฮาร์ดแวร์เฉพาะทาง (fixed-function) เมื่อการ์ดของคุณรองรับ codec นั้นๆ รวมถึงการปรับขนาด (scaling), การทำ deinterlacing หรือการฝังซับไตเติลที่สตรีมต้องการ ส่วนสตรีม 4K HDR จะเพิ่มขั้นตอนการทำ tone mapping ซึ่งเป็น CUDA filter ที่ทำงานบน shader cores รวมถึงต้องประมวลผลเฟรมที่มีขนาดใหญ่กว่ามากในการปรับขนาด หาก nvidia-smi dmon -s u แสดงค่า enc และ dec ต่ำ แต่ค่า sm สูง แสดงว่าบล็อกฮาร์ดแวร์เฉพาะทางมีภาระงานน้อย ในขณะที่ shader กำลังทำงานหนัก การเล่นไฟล์นั้นใหม่โดยปิดการทำ tone mapping จะช่วยแก้ปัญหานี้ได้