Docker Jellyfin NVIDIA Donanım Kod Dönüştürme Rehberi
Jellyfin konteynerine NVIDIA GPU atamak için Docker Compose yapılandırması, NVIDIA Container Toolkit kurulumu ve nvidia-smi ile donanım hızlandırmayı doğrulama adımları.
Ne inşa ediyorsunuz
NVIDIA GPU üzerinde Jellyfin donanım kod dönüştürme (transcoding) işlemi, sabit bir sırayla gerçekleştirilen dört adımdan oluşur ve bunların sadece sonuncusu Jellyfin içerisinde gerçekleşir. Konteyner, ana makine sürücüsü tarafından yüklenmemiş bir GPU'yu göremez. Jellyfin, konteynerin göremediği bir GPU'yu kullanamaz. Bu sırayla ilerlediğinizde, her başarısızlığın nerede aranacağı netleşir.
- NVIDIA sürücüsünü ana makineye kurun ve ardından
nvidia-smiile doğrulayın. - Docker'ın bir GPU'yu konteynere aktarabilmesi için NVIDIA Container Toolkit'i kurun.
docker-compose.ymliçerisinde GPU'yu Jellyfin servisi için rezerve edin ve ardından konteynerin onu gördüğünü doğrulayın.- Jellyfin'in kendi oynatma ayarlarından NVENC ve NVDEC'i açın, ardından gerçek bir oynatmanın bunları kullandığını doğrulayın.
NVENC (NVIDIA kodlayıcı) ve NVDEC (NVIDIA kod çözücü), kart üzerindeki sabit işlevli bloklardır. Bunlar, CUDA (compute unified device architecture) işlerini yürüten shader çekirdeklerinden ayrı silikon birimleridir. Bu ayrım, işlemin yapılmaya değer olmasının temel nedenidir: yazılım tabanlı olarak birden fazla CPU çekirdeğini tüketen bir akış, GPU üzerinde tek bir çekirdeğin küçük bir dilimi ve özel bir donanım bloğu ile işlenir.
Direct play, transcode işleminden her zaman daha verimlidir, bu yüzden önce bunu kontrol edin
Bu yapılandırmalara başlamadan önce, transcode işlemini basit bir değişiklikle ortadan kaldırıp kaldıramayacağınızı belirleyin. Jellyfin, istemci dosyayı olduğu gibi oynatamadığında transcode yapar. Bunun nedeni neredeyse her zaman şu kısa listeden biridir: video codec bileşeni, ses codec bileşeni, kapsayıcı formatı, resim tabanlı altyazılar, istemcinin talep ettiği bit hızı sınırı veya istemcinin bildirdiği çözünürlük ya da diğer kısıtlamalar.
Dashboard kısmını açın, ardından Playback bölümüne gidin ve bir içerik oynatılırken aktif oturumu izleyin. Direct playing olarak işaretlenen bir oturum, dosyayı hiçbir değişikliğe uğratmadan gönderir ve neredeyse hiç CPU harcamaz. Transcoding olarak işaretlenen bir oturum ise Jellyfin'in bu yöntemi seçme nedenini gösterir. Bu nedeni ortadan kaldırdığınızda GPU'nun çalışmasına gerek kalmaz.
İki değişiklik, transcode işlemlerinin çoğunu ortadan kaldırır. İstemci uygulamasının kalite ayarını Auto veya maksimum seviyeye getirin; çünkü 4 Mbps talep eden bir istemci, dosyanın codec bileşeni ne olursa olsun 20 Mbps'lik bir dosyanın yeniden kodlanmasını zorunlu kılar. Ardından, tarayıcı sekmesi yerine yerel bir istemci uygulaması kullanın; çünkü tarayıcı sahip olduğunuz en kısıtlı oynatıcıdır ve aynı TV üzerindeki yerel bir uygulama, aynı dosyayı genellikle doğrudan oynatabilir (direct play).
Resim tabanlı altyazılar, yalnızca istemci bunları doğrudan işleyemediğinde videonun içine gömülür (burn-in). Blu-ray kopyalarından alınan PGS altyazılar ve DVD kopyalarından alınan VOBSUB altyazılar resim formatındadır, ancak uyumlu istemciler bunları videoyu yeniden kodlamaya gerek kalmadan görüntüler; Jellyfin'in Android entegre oynatıcısı PGS formatını doğrudan destekler. SRT formatındaki metin altyazıları, istemci desteklediğinde ayrı olarak gönderilir. Altyazı uyumluluğu nedeniyle gömme işlemi zorunlu hale geliyorsa, altyazı izlerini metne dönüştürmek faydalıdır. Sunucu tarafının geri kalanı bir VPS üzerinde Jellyfin medya sunucusu çalıştırma rehberi içerisinde ele alınmıştır.
Çoğu VPS planında GPU bulunmaz
Standart VPS planları GPU içermez. Başka bir planlama yapmadan önce sunucuda şu komutu çalıştırın:
lspci -nn | grep -Ei "3d|display|vga"Tipik bir KVM VPS üzerinde bu komut, hipervizörden gelen sanal bir görüntü bağdaştırıcısını listeler veya yararlı bir çıktı vermez. Bu aygıt video kodlayamaz. Gerçek bir GPU, yalnızca sağlayıcı fiziksel bir kartı örneğinize passthrough yöntemiyle atadığında veya size bir dilimini ayırdığında görünür; bu tür planlar da buna göre fiyatlandırılır. Hangi iş yükleri GPU destekli bir VPS için ödeme yapmayı haklı çıkarır başlıklı bölüm, kimlerin buna ihtiyaç duyup duymayacağını açıklar.
Eğer GPU yoksa, doğrudan oynatmaya (direct play) odaklanın ve yazılımsal kod dönüştürmeyi (software transcoding) istisnai bir durum olarak değerlendirin. Tek bir 1080p H.264 yazılımsal kod dönüştürme işlemi ağır olsa da birkaç CPU çekirdeği ile yönetilebilir. Ton eşlemeli (tone mapping) 4K HDR yazılımsal kod dönüştürme işlemi, küçük bir VPS'in gerçek zamanlı olarak tamamlayabileceği bir iş değildir; bu nedenle CPU yüzde 100 kullanımda takılı kalırken yayın kesintiye uğrar.
Ana makineye NVIDIA sürücüsünün kurulması
Jellyfin 10.11, Linux üzerinde en az 520.56.06 sürümünde bir NVIDIA sürücüsü gerektirir. Kurulu jellyfin-ffmpeg yapısı daha yeni bir sürücü isteyebilir; sürücünün NVENC API sürümü çok eskiyse, transcode günlüğü minimum gereksinimi raporlar. Ubuntu, sizin için uygun paketi seçen bir yardımcı araç sunar.
sudo ubuntu-drivers list --gpgpu
sudo ubuntu-drivers install --gpgpu
sudo reboot--gpgpu, sürücünün başsız (headless) sunucu sürümünü seçer; sunucuda masaüstü ortamı bulunmadığı için medya sunucuları için gereken budur. Liste komutu mevcut dalları yazdırır; örneğin sudo ubuntu-drivers install --gpgpu nvidia:570-server komutuyla bir dalı sabitleyebilirsiniz. Burada yazılanı değil, listenin döndürdüğü gerçek bir dal adını kullanın.
Sunucu sürümü her zaman nvidia-smi paketini otomatik olarak çekmeyebilir. Seçtiğiniz dal için uygun olan utils paketini, örneğin sudo apt install nvidia-utils-570-server komutuyla kurun. Ardından sürücüyü kontrol edin.
nvidia-smiSorunsuz bir sonuç, başlık kısmında sürücü ve CUDA sürümünü içeren bir tablo yazdırır ve kartınızı adıyla listeler. Süreç listesi, Compute, Graphics veya Other GPU kaynaklarını kullanan süreçleri raporlar; sağlıklı bir GPU'da bu liste dolu olabilir, boş bir liste ise GPU üzerinde çalışan bir süreç olmadığını gösterir. Burada iki hata yaygındır. nvidia-smi: command not found, sürücünün değil, utils paketinin eksik olduğu anlamına gelir. NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver, çekirdek modülünün yüklenmediğini gösterir; yeni bir kurulumda bu durum neredeyse her zaman sistemin henüz yeniden başlatılmadığı veya Secure Boot'un imzasız bir modülü yüklemeyi reddettiği anlamına gelir. Modülün varlığını lsmod | grep nvidia ile doğrulayın. Eğer bu komut hiçbir çıktı vermezse ve sudo modprobe nvidia komutu Key was rejected by service hatasıyla başarısız olursa, Secure Boot modülü engelliyor demektir; Secure Boot anahtar reddini temizleme bölümü, donanım yazılımı durumunun kontrol edilmesini, bir makine sahibi anahtarının kaydedilmesini veya zorlamanın kapatılmasını kapsar.
NVIDIA Container Toolkit kurulumu
Sürücü, ana makinenin GPU'yu kullanmasını sağlar. Ancak Docker, cihaz düğümlerine veya sürücü kütüphanelerine sahip olmadığı için GPU'yu container içine aktarmaz. NVIDIA Container Toolkit, container başlatıldığında her ikisini de içeriye enjekte eden bileşendir. Aşağıdaki komutlar, NVIDIA'nın Debian ve Ubuntu için sunduğu kurulum adımlarını takip eder. NVIDIA'nın güncel kılavuzu, toolkit paketlerini bir sürüm değişkeni aracılığıyla belirli bir sürüme sabitler; burada olduğu gibi sabitleme yapılmadığında, depodaki en yeni sürüm kurulur.
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-toolkitPaketi kurmak yeterli değildir, çünkü Docker'a çalışma zamanının (runtime) varlığından bahsedilmesi gerekir.
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart dockernvidia-ctk runtime configure, /etc/docker/daemon.json dosyasına bir nvidia çalışma zamanı girdisi yazar. Yeniden başlatma işlemi, kullanıcıların genellikle atladığı kısımdır ve bu adımın atlanması, tüm kurulum sürecindeki en yaygın hataya neden olur. Jellyfin ile işlem yapmadan önce bağlantıları test edin.
sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smiBu komut, ana makinenin yazdırdığı tabloyla aynı tabloyu yazdırmalıdır. Eğer bunun yerine gpu yeteneklerine sahip bir cihaz sürücüsü seçilemediğine dair bir hata verirse, Docker daemon nvidia çalışma zamanından haberdar değildir; bu durumda yapılandırma komutunu tekrar çalıştırın ve daemon'ı yeniden başlatın.
Jellyfin container'ına Docker Compose ile GPU atama
Bu, modern Compose formatıdır. Jellyfin'in yayınladığı örneği temel alır ve iki NVIDIA ortam değişkenini açıkça belirtir.
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]Servisi ayağa kaldırın ve doğrudan container'a sorgu gönderin.
docker compose up -d
docker compose exec jellyfin nvidia-smiEğer bu komut container içerisinden sürücü tablosunu döndürürse, GPU görünürlüğü ve yönetim kütüphanesi çalışıyor demektir; video kütüphaneleri ve gerçek bir kod dönüştürme (transcode) işleminin ayrıca kontrol edilmesi gerekir.
Bu dosyadaki dört satır açıklanmalıdır. capabilities: [gpu], Compose'un kendisi tarafından zorunlu tutulur; bu satır çıkarılırsa Compose servisi GPU olmadan başlatmak yerine reddeder. NVIDIA_DRIVER_CAPABILITIES=all önemlidir çünkü araç seti, video yeteneği talep edildiğinde video kütüphanelerini container'a bağlar; değişken ayarlanmadığında varsayılan olarak yalnızca yardımcı program ve hesaplama (utility and compute) modunda çalışır. Resmi Jellyfin imajı bunu zaten ayarlar, bu nedenle bu satır, imaj üzerinde herhangi bir geçersiz kılma işlemine karşı bir güvenlik önlemidir; Jellyfin dokümantasyonu, kendi imajınızı oluşturuyorsanız bunu kendiniz eklemeniz gerektiğini belirtir. Video yeteneği olmadan CUDA çalışır ancak NVDEC çalışmaz ve kod dönüştürme günlüğü Cannot load libnvcuvid.so.1 hatasını verir. network_mode: host, Jellyfin'in kendi NVIDIA örneğinde kullandığı değerdir. Jellyfin'in container rehberi, host ağ modunun isteğe bağlı olduğunu ancak DLNA için gerekli olduğunu belirtir; eğer bunun yerine bir bridge ağı kullanırsanız 8096/tcp portunu ve 7359/udp otomatik keşif portunu kendiniz dışarı açmanız gerekir.
user: 1000:1000 sonuncusudur ve GPU ile hiçbir ilgisi yoktur. Medya bağlama noktanızdaki (mount) hangi dosyaları Jellyfin'in okuyabileceğine karar verir; burada bir uyumsuzluk olması durumunda bir izin hatası yerine boş bir kütüphane ile karşılaşırsınız. PUID ve PGID'nin container kullanıcısını diskteki dosyalarla nasıl eşleştirdiği konusu numaralandırmayı açıklar; bu, Sonarr ve Radarr yığınını Docker Compose ile bu servisin yanında çalıştırıyorsanız zaten ayarlamış olduğunuz numaralandırmanın aynısıdır.
Neden çoğu eğitim hala runtime: nvidia kullanıyor
Eski biçim, bulacağınız neredeyse her kılavuzda yer alır ve yanlış değildir. Bu bir geçmiş meselesidir. Orijinal nvidia-docker2 paketi, nvidia adında bir OCI runtime kaydetti ve ortam değişkeni yolu, --runtime=nvidia ile seçilen veya Docker'ın varsayılan runtime'ı olarak belirlenen bu runtime ile NVIDIA_VISIBLE_DEVICES kullandı. Docker 19.03, --gpus bayrağını ve düzgün bir cihaz isteği API'sini ekledi. Compose'un bu gelişmelere uyum sağlaması daha uzun sürdü ve uyum sağladığında, cihaz isteği deploy.resources.reservations.devices altında yer aldı; bu, çoğu insanın deploy ifadesinin Docker Swarm anlamına geldiği dönemden dolayı görmezden gelmeyi öğrendiği bir anahtardı.
Sonuç olarak, her iki biçim de bugün çalışmaktadır ve Jellyfin'in yayınladığı örnek her ikisini de aynı anda içermektedir. runtime: nvidia ifadesini tutmanın bir maliyeti yoktur ve dosyanın eski Compose sürümlerinde çalışmasını sağlar. Eğer yalnızca runtime: nvidia ifadesini tutup deploy bloğunu kaldırırsanız, NVIDIA_VISIBLE_DEVICES=all ifadesini tutmanız gerekir; çünkü bu eski yol, hangi cihazların ekleneceğine karar vermek için ortam değişkenini okur ve bunun yerine okuyabileceği bir cihaz isteği bulunmaz.
Jellyfin içerisinde NVIDIA donanım kod dönüştürmeyi etkinleştirme
Şu ana kadar hiçbir ayar Jellyfin'e ekran kartını kullanmasını söylemedi. Dashboard, ardından Playback ve son olarak Transcoding menüsüne gidin. Hardware acceleration ayarını Nvidia NVENC olarak seçin. Enable hardware encoding seçeneğini işaretleyin; aksi takdirde Jellyfin kod çözme işlemini GPU üzerinde yapıp kodlama işlemini CPU üzerinde gerçekleştirir. Bu durum, GPU'nun aktif göründüğü ancak CPU'nun yoğun yük altında kaldığı kafa karıştırıcı bir ara durumdur.
Enable enhanced NVDEC decoder seçeneği, mevcut NVDEC yolu ile eski CUVID yolu arasında geçiş yapar. Bu seçeneği açık bırakın. Dolby Vision işleme süreçlerinin NVDEC kullanabilmesi için bu ayarın açık olması gerekir.
Enable hardware decoding for başlığı altında, yalnızca kartınızın gerçekten kod çözebildiği codec bileşenlerini işaretleyin. İnsanların en sık hata yaptığı ayar budur. AV1 kod çözücüsü olmayan bir kartta AV1 seçeneğini işaretlemek, donanım kod çözme isteğinde bulunulmasına ve Hardware is lacking required capabilities hatası ile başarısız olunmasına neden olabilir. Desteklenmeyen bir seçim, yazılım tabanlı kod çözmeye geri dönüleceğini garanti etmez.
Sayfanın tamamı için bir kısıtlama daha geçerlidir: donanım hızlandırma, yalnızca paketle birlikte gelen jellyfin-ffmpeg sürümü ile tam olarak desteklenir. Jellyfin belgeleri, başka bir kaynaktan alınan FFmpeg ikili dosyalarının kısmi hızlandırmaya yol açtığı konusunda uyarmaktadır; bu nedenle FFmpeg yolunu sistemdeki bir FFmpeg'e yönlendirdiyseniz, ayarı eski haline getirin.
GPU neslinizin kodlayabildiği ve kod çözebildiği kodekler
Bunlar, Jellyfin'in NVENC ve NVDEC için belgelediği sınırlardır. Kod çözme (decode) ve kodlama (encode) ayrı yeteneklerdir; bir kart bunlardan birine sahipken diğerine sahip olmayabilir.
- H.264 8-bit: NVENC ve NVDEC içeren her NVIDIA GPU, bu formatı hem çözer hem de kodlar.
- HEVC 8-bit: Maxwell ikinci nesil (GM206) ve daha yeni kartlarda kod çözme ve kodlama desteği mevcuttur.
- HEVC 10-bit: Maxwell ikinci nesil ve daha yeni kartlarda kod çözme desteği vardır; ancak bu nesilde sadece GM206 varyantlarında bulunur. Kodlama desteği ise yalnızca Pascal ve daha yeni mimarilerde mevcuttur.
- AV1: GA100 veri merkezi çipi hariç (NVIDIA'nın kod çözücü tablosu Hopper mimarisini de AV1 kod çözme desteği olmadan listeler) Ampere ve daha yeni mimarilerde kod çözme; Jellyfin'in 10.9 sürümünden itibaren desteklediği Ada Lovelace ve daha yeni mimarilerde ise kodlama desteği mevcuttur.
HEVC 10-bit ayrımı, pratikte en çok sorun çıkaran noktadır. GM206 tabanlı bir Maxwell kart, 4K HDR dosyanızın kodunu GPU üzerinde çözer ancak 10-bit çıktı kodlayamaz; buna karşın hem 8-bit H.264 hem de 8-bit HEVC kodlamayı destekler. Diğer Maxwell çipleri ise HEVC 10-bit kod çözme işlemini donanımsal olarak hiç desteklemez. Jellyfin, çıktı kodeğini istemcinin yeteneklerine ve kodlama ayarlarına göre seçer; HEVC kod dönüştürme yolu, 8-bit Main profilini zorunlu kılar. AV1 çıktısını yalnızca destekleyen istemciler için tercih edin.
Ton eşlemenin GPU'yu neden sessizce doyuma ulaştırdığı
HDR'den (yüksek dinamik aralık) SDR'ye (standart dinamik aralık) ton eşleme, GPU bütçenizi tüketen ayardır ve bunun nedeni mimaridir. Kod çözme (decode) işlemi NVDEC üzerinde çalışır. Kodlama (encode) işlemi NVENC üzerinde çalışır. Ton eşleme ise bunların hiçbirinde çalışmaz: bu işlem, hesaplama işlerini yürüten GPU'nun genel amaçlı shader çekirdeklerinde çalışan bir CUDA filtresidir. Dolayısıyla ton eşleme gerektiren bir 4K HDR akışı, kod çözücüyü ve kodlayıcıyı kullanmanın yanı sıra shader'lara da ek yük bindirir.
Jellyfin, CUDA ton eşlemenin HEVC 10-bit kod çözebilen her NVIDIA GPU'da kullanılabilir olduğunu belirtir. Bu, onay kutusunun 4K çözünürlükte bu işlemi sürdüremeyecek kartlarda da göründüğü ve çalıştığı anlamına gelir. Belirti, akışın başlaması, arabelleğe alması ve asla kararlı hale gelmemesidir; bu sırada nvidia-smi kodlayıcının neredeyse boşta olduğunu rapor eder.
Shader yükünün ayrı olarak izlenmesinin nedeni budur.
nvidia-smi dmon -s uBu komut, sm, enc ve dec için ayrı sütunlarla saniyede bir satır yazdırır. Yüksek bir sm değerinin yanındaki düşük enc ve dec değerleri, sabit işlevli bloklar yerine shader'lara işaret eder; bu nedenle ton eşleme, ölçeklendirme veya altyazı gömme işlemleri muhtemel maliyet kaynağıdır. Bunu bir kanıt değil, bir ipucu olarak değerlendirin: NVIDIA, GPU kullanımını örnekleme periyodu sırasında en az bir kernel'ın yürütüldüğü süre payı olarak tanımlar; bu nedenle yüksek bir okuma, shader'ların meşgul olduğunu gösterir, doyuma ulaştığını değil. CUDA yolu ayrıca Dolby Vision profile 5'i sıfır kopyalama (zero copy) ile işler; bu önemlidir çünkü sıfır kopyalama olmadan kareler filtre adımları arasında sistem belleğine gidip gelir ve bu gidiş-dönüş her bir karede bant genişliği maliyeti yaratır.
Tüketici sınıfı NVENC oturum sınırının gerçekte neyi kısıtladığı
Bu grafiğin arkasındaki veriler
[
{
"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
}
]Bunlar, burada yapılan ölçümler değil, NVIDIA'nın Ekim 2026 itibarıyla yayınladığı matris değerleridir. NVIDIA'nın politikası, bir sistemdeki tüm GeForce kartları genelinde eşzamanlı kodlama oturumlarını, model farkı gözetmeksizin toplamda 12 ile sınırlandırır. Bu sınır silikonun içinde değil sürücü seviyesinde uygulanır ve NVIDIA yıllar içinde bu sınırı birden fazla kez artırmıştır; bu nedenle eski forum başlıkları yerine güncel matrisi inceleyin. Kart bazında gerçekten değişen kısım motor sayısıdır: GeForce RTX 5090 modeli 3 adet NVENC motoru barındırırken, GeForce RTX 4060 modeli 1 adet motor barındırır. Daha fazla motor, daha yüksek oturum sınırı değil, daha yüksek paralel kodlama iş hacmi anlamına gelir.
Bu sınır, Jellyfin dışındaki video kodlamaları da dahil olmak üzere tüm kodlama oturumlarını sayar. Direct play ve remux işlemleri hiçbir zaman bir kodlama oturumu açmaz. L4 gibi veri merkezi kartları aynı matriste sınırsız olarak listelenir, ancak A100 ve H100 gibi modellerde NVENC kodlayıcı bulunmaz; bu nedenle bir GPU VPS planındaki kartın tam modelini kontrol edin.
Sınıra ulaştığınızda transcode işlemi başarısız olur ve FFmpeg günlüğü OpenEncodeSessionEx failed: out of memory (10) hatasını verir. Hata mesajı bellekten bahsetse de, oturum sınırı reddi de aynı kodu döndürür; bu nedenle bir VRAM sızıntısı aramaya başlamadan önce eşzamanlı yayın sayınızı kontrol edin. Uygulamada çoğu kullanıcı, oturum sınırına ulaşmadan çok önce tone-mapping sınırına veya yükleme bant genişliği limitine takılır.
GPU'nun kod dönüştürme yaptığını kanıtlama, yapılandırmaya güvenmeyin
Kaydedilmiş bir ayar kanıt değildir. Kod dönüştürmeyi zorunlu kıldığını bildiğiniz bir dosyayı oynatın ve ardından üç kontrol gerçekleştirin.
- Dashboard'u, ardından Playback'i açın. Aktif oturum Transcoding ibaresini göstermeli ve nedenini belirtmelidir. Eğer Direct playing yazıyorsa, hiçbir şey kod dönüştürülmüyor demektir ve yanlış dosyayı test ediyorsunuzdur.
- Dashboard'u, ardından Logs'u açın ve en yeni
FFmpeg.Transcodegünlüğünü açın. Tam donanım kod dönüştürme işlemi, komut satırında-hwaccel cudave-hwaccel_output_format cudaifadelerini,h264_nvencveyahevc_nvencgibi bir NVENC kodlayıcıyı ya da Ada Lovelace ve daha yeni mimarilerde AV1 NVENC kodlayıcıyı gösterir. Oradalibx264ifadesini görmek, ayarlar sayfası ne iddia ederse etsin kodlamanın yazılım üzerinden çalıştığı anlamına gelir. NVENC kodlayıcı ile birlikte-hwaccel cudaifadesinin eksik olması, kod çözme işleminin yazılım üzerinden yürütüldüğü anlamına gelir. - Oynatma devam ederken ana makinede
nvidia-smikomutunu çalıştırın./usr/lib/jellyfin-ffmpeg/ffmpegsürecine ait bir işlem, GPU belleği atanmış şekilde görünmeli venvidia-smi dmon -s ukomutu enc ve dec sütunlarında sıfırdan farklı değerler göstermelidir.
Üçüncü kontrolü container içinde değil, ana makine üzerinde çalıştırın. Container içindeki nvidia-smi komutu, kendi namespace'i dışındaki işlem kimliklerini göremediği için genellikle boş bir işlem listesi gösterir; ancak kullanım değerleri yine de doğru okunur. Container içinde boş bir işlem listesi görülmesi bir hata değildir.
Sistem size bildirmeden yazılımsal kodlamaya geçtiğinde
Jellyfin, donanımsal kodlama devre dışı bırakıldığında veya talep edilen donanımsal kodlayıcı mevcut olmadığında yazılımsal bir kodlayıcı seçer. Oynatma sırasında başarısız olan bir donanım yolu yine de akışın kesilmesine neden olabilir; bu nedenle her hatanın yazılımsal kodlamaya geçtiğini varsaymak yerine FFmpeg günlüğünü inceleyin.
Transcode günlüğündeki Cannot load libnvcuvid.so.1 ifadesi, dinamik yükleyicinin kod çözücü kütüphanesini yükleyemediği anlamına gelir. Bu mesaj tek başına kütüphanenin mount edilip edilmediğini kanıtlamaz. NVIDIA_DRIVER_CAPABILITIES=all dosyasını ve container içindeki sürücü kütüphaneleri ile dinamik bağlantıları kontrol edin. Ortamda bir değişiklik yaparsanız, container'ı docker compose up -d ile yeniden oluşturun; basit bir yeniden başlatma işlemi eski ayarları korur.
h264_nvenc kaynağından gelen No capable devices found hatası, FFmpeg'in kodlayıcı kütüphanesine ulaştığı ancak kullanılabilir bir kart bulamadığı anlamına gelir. docker compose exec jellyfin nvidia-smi ayarını tekrar kontrol edin, ardından cihaz ve kodlayıcı yetenek hataları için günlükteki önceki mesajları okuyun.
GPU boşta iken CPU kullanımının yüksek olması, hangi aşamaların yazılımsal olarak yürütüldüğünü kontrol etmeniz gerektiğini gösterir. Donanım neslinizin kodunu çözemediği codec bileşenlerinin işaretini kaldırın, ardından aynı dosyayı tekrar oynatın ve -hwaccel cuda ifadesinin görünüp görünmediğini anlamak için FFmpeg günlüğünü tekrar okuyun. Eğer bu ifade görünüyorsa ve CPU hala meşgulse, Jellyfin'in GPU'ya aktaramadığı (altyazıların görüntü üzerine işlenmesi gibi) bir aşama olup olmadığına bakın.
4K HDR içeriklerde başlayan ancak takılan, 1080p içeriklerde ise sorunsuz çalışan bir transcode işlemi, genellikle bozuk bir kurulumdan ziyade ton eşleme (tone-mapping) sınırına işaret eder. nvidia-smi dmon -s u içindeki sm sütununu izleyin, ardından ton eşlemeyi kapatarak aynı dosyayı tekrar oynatın: Eğer akış düzelirse, sınır ton eşleme kaynaklıdır. Bu durumda ya istemcinin talep ettiği çözünürlüğü düşürün ya da 4K HDR dosyalarını doğrudan oynatabilen (direct play) istemcilerde kullanın.
FAQ
NVENC özelliğini etkinleştirmeme rağmen Jellyfin neden hala CPU kullanıyor?
Dashboard altındaki Logs kısmından en yeni FFmpeg.Transcode günlüğünü kontrol edin. Eğer libx264 ifadesi görünüyorsa, kodlama yazılım tabanlı çalışıyordur. Eğer -hwaccel cuda de eksikse, komutta seçilen kod çözücüyü kontrol edin ve GPU görünürlüğünü doğrulamak için docker compose exec jellyfin nvidia-smi komutunu çalıştırın. Eğer libx264 yanında -hwaccel cuda ifadesi varsa, komut GPU ile kod çözme ve yazılım ile kodlama talep ediyordur; "Enable hardware encoding" ayarını ve Jellyfin'in talep edilen donanım kodlayıcıyı algılayıp algılamadığını kontrol edin. Sadece bayrakların varlığı, GPU ile kod çözmenin başarılı olduğunu kanıtlamaz. Eğer -hwaccel cuda olmadan h264_nvenc görünüyorsa, dosyanın codec bileşeninin "Enable hardware decoding for" altında işaretli olup olmadığını kontrol edin. Kartınızın çözemediği bir codec bileşenini işaretlemek, yazılım tabanlı yedekleme yerine donanım kod çözücü hatasına yol açabilir. Her ikisi de mevcutsa ve CPU hala meşgulse, yük altyazı yakma (subtitle burn-in) gibi CPU üzerinde kalan bir aşamadan kaynaklanıyordur.
Docker Compose dosyasında hala runtime: nvidia satırına ihtiyacım var mı?
deploy.resources.reservations.devices bloğuna ve güncel bir Docker Compose sürümüne sahipseniz gerek yoktur. Bu blok, modern cihaz talep biçimidir ve aynı işlevi görür. runtime: nvidia, nvidia-docker2 döneminden kalma eski yoldur; hala çalışır ve Jellyfin'in kendi yayınladığı örnekte her ikisi de korunmaktadır. Her ikisini de tutmak bir sorun yaratmaz. Sadece runtime: nvidia kullanıyorsanız, NVIDIA_VISIBLE_DEVICES=all satırını da tutmanız gerekir; çünkü bu yol okuma için bir cihaz talebi içermez ve cihaz listesini ortam değişkenlerinden alır.
Bir NVIDIA GPU aynı anda kaç yayını dönüştürebilir?
NVIDIA'nın yayınladığı politika, Ekim 2026 itibarıyla GeForce kartları için sistem başına toplamda on iki eşzamanlı kodlama oturumu sınırı getirmektedir; L4 gibi veri merkezi kartları sınırsız olarak listelenirken, bazı veri merkezi modellerinde NVENC kodlayıcı bulunmamaktadır. Sizi durduran şey nadiren bu üst sınırdır. HDR'den SDR'ye ton eşleme, NVENC yerine shader çekirdekleri üzerinde çalışır, bu nedenle ayrı bir performans sınırı ekler. Kendi durumunuzu nvidia-smi dmon -s u ile ölçün ve oturum sayısına değil, sm sütununa bakın.
GPU'su olmayan bir VPS üzerinde donanım dönüştürme kullanabilir miyim?
Hayır. Kodlama işlemi fiziksel NVENC bloğuna ihtiyaç duyar ve standart bir VPS üzerinde lspci -nn | grep -Ei "3d|display|vga" komutu, yalnızca hipervizörden gelen sanal bir görüntü bağdaştırıcısını gösterir. GPU içermeyen bir planda gerçekçi çözüm, dönüştürme işlemlerini kaldırmaktır: istemcinin kalite ayarını Auto konumuna getirin, tarayıcı yerine yerel bir istemci uygulaması kullanın ve görüntü tabanlı altyazıları doğrudan işleyen bir istemci kullanın ya da altyazı uyumluluğu yakma işlemini zorunlu kıldığında bunları metne dönüştürün.
1080p sorunsuz dönüştürülürken 4K HDR neden takılıyor?
Bu iki iş yükü kartın farklı bölümlerini kullanır. 1080p SDR dönüştürme işlemi büyük oranda kod çözme ve kodlamadan oluşur; kartınız codec bileşenini destekliyorsa her ikisi de sabit işlevli donanım üzerinde çalışır, buna ek olarak yayının ihtiyaç duyduğu ölçeklendirme, deinterlacing veya altyazı yakma işlemleri eklenir. 4K HDR yayını ise shader çekirdekleri üzerinde çalışan bir CUDA filtresi olan ton eşlemeyi ve ölçeklendirilmesi gereken çok daha büyük bir kareyi ekler. Düşük enc ve dec değerlerinin yanında yüksek sm değerleri gösteren nvidia-smi dmon -s u, sorunun bu noktada olduğunu işaret eder; çünkü sabit işlevli bloklar düşük yük altındayken shader çekirdekleri meşguldür. Ton eşleme kapalıyken dosyayı tekrar oynatmak, sorunun kaynağını teşhis etmenizi sağlar.