SSD Nodes Learn Hosting plans →
تعلیمی Matt Connorتحریر: Matt Connor

Docker میں Jellyfin NVIDIA hardware transcoding کیسے کریں

Docker Compose میں Jellyfin کو NVIDIA GPU دیں، NVENC اور NVDEC فعال کریں، پھر nvidia-smi سے تصدیق کریں کہ حقیقی playback کے دوران GPU transcoding کر رہا ہے۔

آپ کیا بنا رہے ہیں

NVIDIA GPU پر Jellyfin hardware transcoding چار مراحل پر مشتمل ہے، اور ان میں صرف آخری مرحلہ Jellyfin کے اندر ہوتا ہے۔ اگر host driver نے GPU load نہیں کیا تو container اسے نہیں دیکھ سکتا۔ اگر container GPU کو نہیں دیکھ سکتا تو Jellyfin اسے استعمال نہیں کر سکتا۔ اسی ترتیب سے کام کریں، تاکہ ہر failure کی واضح جگہ معلوم ہو۔

  1. Host پر NVIDIA driver install کریں، پھر nvidia-smi سے اس کی تصدیق کریں۔
  2. NVIDIA Container Toolkit install کریں، تاکہ Docker کسی container کو GPU دے سکے۔
  3. docker-compose.yml میں Jellyfin service کے لیے GPU reserve کریں، پھر تصدیق کریں کہ container اسے دیکھ رہا ہے۔
  4. Jellyfin کی اپنی playback settings میں NVENC اور NVDEC فعال کریں، پھر تصدیق کریں کہ حقیقی playback میں یہ استعمال ہو رہے ہیں۔

NVENC (NVIDIA encoder) اور NVDEC (NVIDIA decoder) card پر موجود fixed-function blocks ہیں۔ یہ shader cores سے الگ silicon ہیں، جبکہ shader cores CUDA (compute unified device architecture) کا کام چلاتے ہیں۔ یہ علیحدگی ہی اس configuration کی بنیادی وجہ ہے: software میں ایسا stream جو CPU کے کئی cores استعمال کرتا ہے، GPU کے ایک dedicated hardware block کے ساتھ CPU کے ایک core کا صرف معمولی حصہ استعمال کرتا ہے۔

Direct play ہر transcode سے بہتر ہے، لہذا پہلے اسے چیک کریں

اس سے پہلے کہ آپ ان میں سے کسی چیز کو configure کریں، یہ معلوم کریں کہ کیا آپ کسی ایسی وجہ سے transcoding کر رہے ہیں جسے آپ آسانی سے ختم کر سکتے ہیں۔ Jellyfin تب transcode کرتا ہے جب client فائل کو اس کی اصل حالت میں نہیں چلا سکتا۔ اس کی وجہ تقریباً ہمیشہ ایک مختصر فہرست میں سے ہوتی ہے: ویڈیو codec، آڈیو codec، container format، تصویر پر مبنی subtitles، client کی طرف سے مانگی گئی bitrate کی حد، یا client کی طرف سے بتائی گئی resolution یا کوئی اور رکاوٹ۔

Dashboard کھولیں، پھر Playback میں جائیں، اور کسی چیز کے چلنے کے دوران active session کو دیکھیں۔ Direct playing کے طور پر نشان زد session فائل کو بغیر کسی تبدیلی کے بھیجتا ہے اور اس میں تقریباً کوئی CPU استعمال نہیں ہوتا۔ Transcoding کے طور پر نشان زد session وہ وجہ دکھاتا ہے جس کی بنا پر Jellyfin نے اسے منتخب کیا ہے۔ اس وجہ کو ختم کریں تو GPU کو کبھی چلنے کی ضرورت نہیں پڑے گی۔

دو تبدیلیاں زیادہ تر transcodes کو ختم کر دیتی ہیں۔ Client ایپ کی quality کو Auto یا زیادہ سے زیادہ پر سیٹ کریں، کیونکہ اگر client 4 Mbps مانگ رہا ہو تو وہ 20 Mbps کی فائل کو دوبارہ encode کرنے پر مجبور کرے گا، چاہے اس کا codec کوئی بھی ہو۔ پھر browser tab کے بجائے native client ایپ استعمال کریں، کیونکہ browser آپ کے پاس موجود سب سے محدود player ہے اور اسی TV پر موجود native ایپ اکثر وہی فائل direct play کر لیتی ہے۔

تصویر پر مبنی subtitles کو ویڈیو میں تب ہی burn کرنے کی ضرورت ہوتی ہے جب client انہیں براہ راست render نہ کر سکے۔ Blu-ray rip سے PGS subtitles اور DVD rip سے VOBSUB تصاویر ہوتے ہیں، لیکن مطابقت رکھنے والے clients انہیں ویڈیو کو دوبارہ encode کیے بغیر دکھا دیتے ہیں؛ Jellyfin کا Android integrated player براہ راست PGS کو سپورٹ کرتا ہے۔ SRT میں موجود text subtitles تب الگ سے بھیجے جاتے ہیں جب client انہیں سپورٹ کرتا ہو۔ Subtitle tracks کو text میں تبدیل کرنا تب مفید ہوتا ہے جب subtitle کی مطابقت burn-in پر مجبور کر رہی ہو۔ سرور سائیڈ کا باقی حصہ Jellyfin میڈیا سرور کو VPS پر چلانے کے گائیڈ میں بیان کیا گیا ہے۔

زیادہ تر VPS plans میں GPU بالکل نہیں ہوتا

Standard VPS plans میں GPU شامل نہیں ہوتا۔ کوئی بھی منصوبہ بندی کرنے سے پہلے server پر یہ command چلائیں۔

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

عام KVM VPS پر یہ hypervisor کا virtual display adapter دکھاتا ہے، یا کوئی مفید output نہیں دیتا۔ یہ device video encode نہیں کر سکتا۔ حقیقی GPU صرف اس وقت دستیاب ہوتا ہے جب provider آپ کے instance کو physical card براہِ راست دے، یا اس کا ایک حصہ مختص کرے۔ ایسے plans کی قیمت بھی اسی کے مطابق ہوتی ہے۔ کون سے workloads کے لیے GPU VPS کی قیمت دینا واقعی مناسب ہے میں بتایا گیا ہے کہ کن صارفین کے لیے یہ موزوں ہے اور کن کے لیے نہیں۔

اگر GPU موجود نہ ہو تو direct play کو ترجیح دیں اور software transcoding کو غیر معمولی صورت سمجھیں۔ ایک 1080p H.264 software transcode چند CPU cores پر بھاری ضرور ہوتا ہے، لیکن چل سکتا ہے۔ tone mapping کے ساتھ 4K HDR software transcode کو چھوٹا VPS real time میں مکمل نہیں کر سکتا۔ اس لیے stream رک رک کر چلتی ہے، جبکہ CPU 100 percent استعمال پر پہنچا رہتا ہے۔

ہوسٹ پر NVIDIA ڈرائیور انسٹال کریں

Jellyfin 10.11 کے مطابق Linux پر کم از کم NVIDIA ڈرائیور ورژن 520.56.06 درکار ہے۔ انسٹال شدہ jellyfin-ffmpeg بلڈ کو نئے ڈرائیور کی ضرورت پڑ سکتی ہے؛ اگر ڈرائیور کا NVENC API بہت پرانا ہو تو ٹرانسکوڈ لاگ میں کم از کم درکار ورژن ظاہر ہو جاتا ہے۔ Ubuntu ایک ہیلپر فراہم کرتا ہے جو آپ کے لیے موزوں پیکیج کا انتخاب کرتا ہے۔

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

--gpgpu ڈرائیور کے ہیڈلیس سرور فلیور کا انتخاب کرتا ہے، جو میڈیا سرور کے لیے موزوں ہے کیونکہ اس میں کوئی ڈیسک ٹاپ انٹرفیس نہیں ہوتا۔ لسٹ کمانڈ ان برانچز کو ظاہر کرتی ہے جو آپ کے لیے دستیاب ہیں، اور آپ کسی ایک کو نام کے ذریعے پن (pin) کر سکتے ہیں، مثال کے طور پر sudo ubuntu-drivers install --gpgpu nvidia:570-server۔ وہی برانچ استعمال کریں جو لسٹ میں دکھائی گئی ہو، نہ کہ وہ جو یہاں لکھی گئی ہے۔

سرور فلیور ہمیشہ nvidia-smi کو خودکار طور پر انسٹال نہیں کرتا۔ اپنی منتخب کردہ برانچ کے لیے متعلقہ یوٹیلز پیکیج انسٹال کریں، مثال کے طور پر sudo apt install nvidia-utils-570-server۔ اس کے بعد ڈرائیور کو چیک کریں۔

nvidia-smi

ایک درست رزلٹ میں ایک ٹیبل ظاہر ہوتا ہے جس کے ہیڈر میں ڈرائیور ورژن اور CUDA ورژن درج ہوتے ہیں اور آپ کا کارڈ نام کے ساتھ لسٹ میں موجود ہوتا ہے۔ پروسیس لسٹ ان پروسیسز کو ظاہر کرتی ہے جو Compute، Graphics، یا دیگر GPU وسائل استعمال کر رہے ہوں؛ ایک درست GPU پر یہ لسٹ بھری ہوئی ہو سکتی ہے، اور خالی لسٹ کا مطلب ہے کہ کوئی GPU پروسیس رپورٹ نہیں ہو رہا۔ یہاں دو ناکامیاں عام ہیں۔ nvidia-smi: command not found کا مطلب ہے کہ یوٹیلز پیکیج غائب ہے، نہ کہ ڈرائیور۔ NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver کا مطلب ہے کہ کرنل ماڈیول لوڈ نہیں ہوا ہے، جس کا مطلب تازہ انسٹالیشن پر تقریباً ہمیشہ یہ ہوتا ہے کہ آپ نے ابھی تک ریبوٹ نہیں کیا ہے، یا Secure Boot کسی غیر دستخط شدہ (unsigned) ماڈیول کو لوڈ کرنے سے انکار کر رہا ہے۔ lsmod | grep nvidia کے ذریعے تصدیق کریں کہ ماڈیول موجود ہے۔ اگر یہ کچھ ظاہر نہ کرے اور sudo modprobe nvidia، Key was rejected by service کے ساتھ ناکام ہو جائے، تو Secure Boot ماڈیول کو بلاک کر رہا ہے۔ Secure Boot کی کلید مسترد ہونے کو صاف کرنا میں فرم ویئر اسٹیٹ کی جانچ اور پھر مشین اونر کی (MOK) کو انرول کرنے یا انفورسمنٹ کو بند کرنے کا طریقہ کار شامل ہے۔

NVIDIA Container Toolkit انسٹال کریں

Driver سے host کو GPU استعمال کرنے کی اجازت ملتی ہے۔ تاہم Docker اسے خود بخود container میں منتقل نہیں کرتا، کیونکہ container میں نہ device nodes ہوتے ہیں اور نہ ہی driver libraries۔ NVIDIA Container Toolkit وہ جزو ہے جو container start ہوتے وقت دونوں فراہم کرتا ہے۔ یہ commands Debian اور Ubuntu کے لیے NVIDIA کے اپنے installation steps کے مطابق ہیں۔ NVIDIA کی موجودہ guide toolkit packages کو version variable کے ذریعے ایک release تک محدود کرتی ہے؛ یہاں pin استعمال نہ کرنے سے repository میں دستیاب تازہ ترین release انسٹال ہوتی ہے۔

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

Package انسٹال کرنا کافی نہیں، کیونکہ Docker کو یہ بتانا ضروری ہے کہ runtime موجود ہے۔

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

nvidia-ctk runtime configure، /etc/docker/daemon.json میں nvidia runtime entry لکھتا ہے۔ Restart وہ مرحلہ ہے جسے لوگ اکثر چھوڑ دیتے ہیں، اور اسے چھوڑنا اس پورے setup میں سب سے عام error پیدا کرتا ہے۔ Jellyfin کو چھیڑنے سے پہلے plumbing کو test کریں۔

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

اس سے وہی table ظاہر ہونی چاہیے جو host نے ظاہر کی تھی۔ اگر اس کے بجائے unable to select a device driver with gpu capabilities سے متعلق error آئے تو Docker daemon کو nvidia runtime کا علم نہیں ہے۔ اس لیے configure command دوبارہ چلائیں اور daemon کو restart کریں۔

Jellyfin container کو Docker Compose میں GPU فراہم کرنا

یہ جدید Compose فارمیٹ ہے۔ یہ Jellyfin کی شائع کردہ مثال پر مبنی ہے اور اس میں NVIDIA کے دو environment variables واضح طور پر لکھے گئے ہیں۔

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]

اسے چلائیں اور براہ راست container سے پوچھیں۔

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

اگر یہ container کے اندر سے driver table پرنٹ کرتا ہے، تو GPU کی visibility اور management library درست کام کر رہی ہیں۔ ویڈیو لائبریریز اور اصل transcode کی جانچ ابھی باقی ہے۔

اس فائل کی چار لائنیں وضاحت کی متقاضی ہیں۔ capabilities: [gpu] کی ضرورت خود Compose کو ہوتی ہے، اور اسے چھوڑ دینے سے Compose سروس کو شروع کرنے کے بجائے مسترد کر دیتا ہے، بجائے اس کے کہ وہ اسے بغیر GPU کے چلائے۔ NVIDIA_DRIVER_CAPABILITIES=all اس لیے اہم ہے کیونکہ toolkit صرف تبھی ویڈیو لائبریریز کو container میں mount کرتا ہے جب ویڈیو capability کی درخواست کی جائے، اور جب یہ variable سیٹ نہ ہو تو یہ ڈیفالٹ طور پر صرف utility اور compute تک محدود رہتا ہے۔ سرکاری Jellyfin image اسے پہلے سے سیٹ کرتی ہے، لہذا اس image پر یہ لائن کسی بھی اوور رائڈ کے خلاف ایک حفاظتی اقدام ہے؛ Jellyfin کی دستاویزات کہتی ہیں کہ اگر آپ اپنی image خود بناتے ہیں تو آپ کو اسے خود شامل کرنا ہوگا۔ ویڈیو capability کے بغیر CUDA تو کام کرتا ہے لیکن NVDEC نہیں، اور transcode لاگ میں Cannot load libnvcuvid.so.1 ظاہر ہوتا ہے۔ network_mode: host وہی ہے جو Jellyfin کی اپنی NVIDIA مثال استعمال کرتی ہے۔ Jellyfin کی container گائیڈ host networking کو اختیاری قرار دیتی ہے لیکن DLNA کے لیے اسے ضروری سمجھتی ہے، اور اگر آپ اس کے بجائے bridge network استعمال کرتے ہیں تو آپ کو 8096/tcp اور 7359/udp آٹو ڈسکوری پورٹ خود publish کرنی ہوگی۔

user: 1000:1000 آخری ہے، اور اس کا GPU سے کوئی تعلق نہیں ہے۔ یہ فیصلہ کرتا ہے کہ Jellyfin آپ کے میڈیا ماؤنٹ پر کون سی فائلیں پڑھ سکتا ہے، اور یہاں عدم مطابقت (mismatch) ہونے پر لائبریری خالی نظر آتی ہے، نہ کہ permissions کا کوئی error۔ PUID اور PGID کس طرح container صارف کو ڈسک پر موجود فائلوں سے منسلک کرتے ہیں اس نمبرنگ کی وضاحت کرتا ہے، اور یہ وہی نمبرنگ ہے جو آپ پہلے ہی سیٹ کر چکے ہیں اگر آپ اس کے ساتھ Docker Compose میں Sonarr اور Radarr stack چلا رہے ہیں۔

زیادہ تر ٹیوٹوریلز اب بھی runtime: nvidia کیوں لکھتے ہیں

پرانی شکل آپ کو ملنے والی تقریباً ہر گائیڈ میں موجود ہے، اور یہ غلط نہیں ہے۔ یہ تاریخ ہے۔ اصل nvidia-docker2 پیکیج نے nvidia نامی ایک OCI runtime رجسٹر کیا تھا، اور environment-variable پاتھ اس runtime کے ساتھ NVIDIA_VISIBLE_DEVICES استعمال کرتا تھا، جسے یا تو --runtime=nvidia کے ذریعے منتخب کیا جاتا تھا یا Docker کے ڈیفالٹ runtime کے طور پر۔ Docker 19.03 نے --gpus فلیگ اور ایک مناسب device-request API کا اضافہ کیا۔ Compose کو اس سطح تک پہنچنے میں زیادہ وقت لگا، اور جب ایسا ہوا، تو device request کا اندراج deploy.resources.reservations.devices کے تحت ہوا، ایک ایسی کلید جسے زیادہ تر لوگ نظر انداز کرنا سیکھ چکے تھے کیونکہ deploy کا مطلب ماضی میں Docker Swarm ہوا کرتا تھا۔

نتیجہ یہ ہے کہ آج دونوں طریقے کام کرتے ہیں، اور Jellyfin کی شائع کردہ مثال میں دونوں ایک ساتھ موجود ہیں۔ runtime: nvidia کو برقرار رکھنے میں کوئی نقصان نہیں ہے اور یہ فائل کو پرانے Compose ورژنز پر کام کرنے کے قابل بناتا ہے۔ اگر آپ صرف runtime: nvidia کو برقرار رکھتے ہیں اور deploy بلاک کو ہٹا دیتے ہیں، تو آپ کو NVIDIA_VISIBLE_DEVICES=all کو برقرار رکھنا ہوگا، کیونکہ وہ پرانا پاتھ یہ فیصلہ کرنے کے لیے کہ کون سی ڈیوائسز انجیکٹ کرنی ہیں، environment variable کو پڑھتا ہے اور اس کے پاس پڑھنے کے لیے کوئی device request موجود نہیں ہوتی۔

Jellyfin میں NVIDIA ہارڈویئر ٹرانسکوڈنگ کو فعال کریں

اب تک کسی بھی مرحلے میں Jellyfin کو کارڈ استعمال کرنے کی ہدایت نہیں دی گئی ہے۔ Dashboard، پھر Playback، اور اس کے بعد Transcoding پر جائیں۔ Hardware acceleration کو Nvidia NVENC پر سیٹ کریں۔ Enable hardware encoding کو ٹک کریں، ورنہ Jellyfin GPU پر ڈیکوڈ تو کرے گا لیکن انکوڈنگ CPU پر کرے گا، جو کہ ایک الجھا دینے والی درمیانی حالت ہے جہاں GPU میں سرگرمی نظر آتی ہے لیکن CPU پر بوجھ برقرار رہتا ہے۔

Enable enhanced NVDEC decoder موجودہ NVDEC پاتھ اور پرانے CUVID پاتھ کے درمیان سوئچ کرتا ہے۔ اسے آن رہنے دیں۔ Dolby Vision کو ہینڈل کرنے کے لیے NVDEC کا استعمال ضروری ہے۔

Enable hardware decoding for کے تحت، صرف ان کوڈیکس کو ٹک کریں جنہیں آپ کا کارڈ حقیقت میں ڈیکوڈ کر سکتا ہے۔ یہ وہ سیٹنگ ہے جسے لوگ غلط کرتے ہیں۔ ایسے کارڈ پر AV1 کو ٹک کرنا جس میں AV1 ڈیکوڈر موجود نہ ہو، ہارڈویئر ڈیکوڈنگ کی درخواست کر سکتا ہے اور Hardware is lacking required capabilities کے ساتھ ناکام ہو سکتا ہے۔ غیر معاون (unsupported) انتخاب اس بات کی ضمانت نہیں دیتا کہ سسٹم خودکار طور پر سافٹ ویئر ڈیکوڈنگ پر منتقل ہو جائے گا۔

اس پورے صفحے پر ایک اور پابندی لاگو ہوتی ہے: ہارڈویئر ایکسلریشن صرف بنڈل شدہ jellyfin-ffmpeg بلڈ کے ساتھ مکمل طور پر سپورٹڈ ہے۔ Jellyfin کی دستاویزات خبردار کرتی ہیں کہ کہیں اور سے حاصل کردہ FFmpeg بائنریز جزوی ایکسلریشن کا باعث بنتی ہیں، لہذا اگر آپ نے FFmpeg پاتھ کو سسٹم FFmpeg پر پوائنٹ کیا ہے، تو اسے واپس تبدیل کر لیں۔

آپ کی GPU جنریشن کون سے codecs decode اور encode کر سکتی ہے

یہ وہ حدود ہیں جنہیں Jellyfin نے NVENC اور NVDEC کے لیے دستاویزی شکل دی ہے۔ Decode اور encode الگ الگ صلاحیتیں ہیں، اور ایک کارڈ میں ایک صلاحیت ہو سکتی ہے جبکہ دوسری نہیں۔

  • H.264 8-bit: ہر NVIDIA GPU جس میں NVENC اور NVDEC موجود ہو، وہ اسے decode اور encode دونوں کر سکتا ہے۔
  • HEVC 8-bit: Maxwell سیکنڈ جنریشن (GM206) اور اس سے نئے کارڈز پر decode اور encode کی سہولت موجود ہے۔
  • HEVC 10-bit: Maxwell سیکنڈ جنریشن اور اس سے نئے کارڈز پر decode کی سہولت ہے، جس میں صرف GM206 ویریئنٹس شامل ہیں، لیکن encode صرف Pascal اور اس سے نئی جنریشنز پر ممکن ہے۔
  • AV1: Ampere اور اس سے نئی جنریشنز پر decode کی سہولت ہے سوائے GA100 ڈیٹا سینٹر چپ کے (NVIDIA کا ڈیکوڈر ٹیبل Hopper کو بھی AV1 decode کے بغیر دکھاتا ہے)، اور encode صرف Ada Lovelace اور اس سے نئی جنریشنز پر ممکن ہے، جسے Jellyfin ورژن 10.9 سے سپورٹ کرتا ہے۔

HEVC 10-bit کا فرق عملی طور پر سب سے زیادہ مسائل پیدا کرتا ہے۔ GM206 پر مبنی Maxwell کارڈ آپ کی 4K HDR فائل کو GPU پر decode تو کر لیتا ہے لیکن 10-bit آؤٹ پٹ encode نہیں کر سکتا، البتہ یہ 8-bit H.264 اور 8-bit HEVC انکوڈنگ دونوں کو سپورٹ کرتا ہے۔ دیگر Maxwell چپس ہارڈویئر کی سطح پر HEVC 10-bit کو بالکل decode نہیں کرتیں۔ Jellyfin کلائنٹ کی صلاحیتوں اور انکوڈنگ سیٹنگز کی بنیاد پر آؤٹ پٹ codec کا انتخاب کرتا ہے؛ اس کا HEVC ٹرانسکوڈنگ پاتھ 8-bit Main پروفائل کو لازمی قرار دیتا ہے۔ AV1 آؤٹ پٹ کا انتخاب صرف ان کلائنٹس کے لیے کریں جو اسے سپورٹ کرتے ہیں۔

ٹون میپنگ خاموشی سے GPU کو دوبارہ بھرپور استعمال میں کیوں لے آتی ہے

HDR (high dynamic range) سے SDR (standard dynamic range) ٹون میپنگ وہ ترتیب ہے جو آپ کے GPU بجٹ کو ختم کر دیتی ہے، اور اس کی وجہ architecture ہے۔ Decode، NVDEC پر چلتا ہے۔ Encode، NVENC پر چلتا ہے۔ ٹون میپنگ ان دونوں میں سے کسی پر نہیں چلتی؛ یہ shader cores پر چلنے والا CUDA filter ہے۔ یہ GPU کا وہی general-purpose حصہ ہے جو compute کام انجام دیتا ہے۔ لہٰذا 4K HDR stream جسے ٹون میپنگ درکار ہو، decoder اور encoder دونوں استعمال کرتی ہے، اور اس کے علاوہ shaders پر بھی load ڈالتی ہے۔

Jellyfin کے مطابق CUDA tone mapping ہر اس NVIDIA GPU پر دستیاب ہے جو HEVC 10-bit کو decode کر سکتا ہے۔ اس کا مطلب ہے کہ یہ checkbox ان cards پر بھی ظاہر ہوتا ہے اور کام کرتا ہے جو اسے 4K پر مسلسل نہیں چلا سکتے۔ علامت یہ ہے کہ stream شروع ہوتی ہے، buffer کرتی ہے اور کبھی مستحکم نہیں ہوتی، جبکہ nvidia-smi encoder کو بمشکل مصروف دکھاتا ہے۔

اسی لیے shader load کو الگ سے monitor کرنا ضروری ہے۔

nvidia-smi dmon -s u

یہ ہر second ایک line print کرتا ہے، جس میں sm، enc اور dec کے لیے الگ columns ہوتے ہیں۔ کم enc اور dec کے ساتھ sm کی زیادہ value fixed-function blocks کے بجائے shaders کی طرف اشارہ کرتی ہے؛ اس لیے غالب امکان ہے کہ لاگت tone mapping، scaling یا subtitle burn-in کی ہو۔ اسے حتمی ثبوت نہیں بلکہ ابتدائی اشارہ سمجھیں: NVIDIA GPU utilisation کو اس sample period کے اس حصے کے طور پر متعین کرتا ہے جس کے دوران کم از کم ایک kernel execute ہو رہا ہو۔ لہٰذا زیادہ reading صرف یہ بتاتی ہے کہ shaders مصروف تھے، یہ نہیں کہ وہ مکمل طور پر saturated تھے۔ CUDA path، Dolby Vision profile 5 کو zero copy کے ساتھ بھی handle کرتا ہے۔ یہ اہم ہے، کیونکہ zero copy کے بغیر frames ہر filter step کے درمیان system memory میں باہر جاتے اور واپس آتے ہیں، اور یہ round trip ہر frame پر bandwidth استعمال کرتی ہے۔

صارفین کے لیے NVENC سیشن کی حد دراصل کیا محدود کرتی ہے

چارٹNVENC engines and concurrent encode session cap, NVIDIA published support matrix, October 2026
اس چارٹ کے پیچھے کا ڈیٹا
[
  {
    "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
  }
]

یہ NVIDIA کے شائع کردہ میٹرکس کے اعداد و شمار ہیں جو اکتوبر 2026 تک کے ہیں، نہ کہ یہاں کیے گئے تجربات کے نتائج۔ NVIDIA کی پالیسی ایک سسٹم میں موجود تمام GeForce کارڈز پر بیک وقت انکوڈ سیشنز کی تعداد کو مجموعی طور پر 12 تک محدود کرتی ہے، قطع نظر اس کے کہ ماڈل کون سا ہے۔ یہ حد ہارڈویئر کے بجائے ڈرائیور میں موجود ہے، اور NVIDIA نے برسوں کے دوران اسے ایک سے زائد بار بڑھایا ہے، لہذا پرانے فورم تھریڈز کے بجائے موجودہ میٹرکس کو دیکھیں۔ انجن کی تعداد وہ حصہ ہے جو کارڈ کے لحاظ سے واقعی تبدیل ہوتی ہے: GeForce RTX 5090 میں 3 NVENC انجن ہوتے ہیں جبکہ GeForce RTX 4060 میں 1 انجن ہوتے ہیں۔ زیادہ انجنوں کا مطلب متوازی انکوڈ تھرو پٹ میں اضافہ ہے، نہ کہ سیشن کی حد میں اضافہ۔

یہ حد انکوڈ سیشنز کی گنتی کرتی ہے، جس میں Jellyfin کے علاوہ ویڈیو انکوڈز بھی شامل ہیں۔ Direct play اور remuxing کبھی بھی انکوڈ سیشن نہیں کھولتے۔ ڈیٹا سینٹر کارڈز جیسے کہ L4 اسی میٹرکس میں غیر محدود درج ہیں، لیکن A100 اور H100 جیسے ماڈلز میں NVENC انکوڈر نہیں ہوتا، لہذا GPU VPS پلان میں موجود درست کارڈ کی جانچ کریں۔

جب آپ اس حد تک پہنچ جاتے ہیں، تو ٹرانسکوڈ ناکام ہو جاتا ہے اور FFmpeg لاگ میں OpenEncodeSessionEx failed: out of memory (10) درج ہوتا ہے۔ پیغام میں میموری کا ذکر ہوتا ہے، لیکن سیشن کی حد سے انکار بھی یہی کوڈ رپورٹ کرتا ہے، لہذا VRAM لیک تلاش کرنے سے پہلے اپنے بیک وقت چلنے والے اسٹریمز کی تعداد چیک کریں۔ عملی طور پر، زیادہ تر لوگ سیشن 12 تک پہنچنے سے پہلے ہی ٹون میپنگ کی حد یا اپنی اپ لوڈ بینڈوتھ کی حدود کا سامنا کر لیتے ہیں۔

ثابت کریں کہ GPU واقعی transcoding کر رہا ہے، configuration پر اعتماد نہ کریں

محفوظ کی گئی setting ثبوت نہیں ہوتی۔ ایسی file چلائیں جس کے بارے میں آپ جانتے ہوں کہ وہ transcode لازمی کرے گی، پھر تین checks چلائیں۔

  1. Dashboard کھولیں، پھر Playback کھولیں۔ فعال session میں Transcoding لکھا ہونا چاہیے، اور وجہ بھی درج ہونی چاہیے۔ اگر Direct playing لکھا ہو تو کچھ بھی transcode نہیں ہو رہا، اور آپ غلط file کی testing کر رہے ہیں۔
  2. Dashboard کھولیں، پھر Logs کھولیں، اور تازہ ترین FFmpeg.Transcode log کھولیں۔ مکمل hardware transcode میں command line پر -hwaccel cuda اور -hwaccel_output_format cuda موجود ہوتے ہیں، ساتھ ہی h264_nvenc یا hevc_nvenc جیسا NVENC encoder، یا Ada Lovelace اور اس کے بعد کے GPUs پر AV1 NVENC encoder بھی ہوتا ہے۔ وہاں libx264 نظر آنے کا مطلب ہے کہ settings page کے دعوے کے برخلاف encoding software میں چل رہی ہے۔ NVENC encoder کے ساتھ -hwaccel cuda غائب ہو تو decoding کا نصف عمل software میں چل رہا ہے۔
  3. Playback جاری رکھتے ہوئے host پر nvidia-smi چلائیں۔ /usr/lib/jellyfin-ffmpeg/ffmpeg سے متعلق ایک process GPU memory کے allocation کے ساتھ نظر آنا چاہیے، اور nvidia-smi dmon -s u میں enc اور dec columns کی values صفر سے زیادہ ہونی چاہییں۔

یہ تیسرا check container کے اندر نہیں بلکہ host پر چلائیں۔ container کے اندر nvidia-smi عموماً خالی process list دکھاتا ہے، کیونکہ وہ اپنی namespace سے باہر کے process IDs نہیں دیکھ سکتا، جبکہ utilisation numbers پھر بھی درست رہتے ہیں۔ container کے اندر خالی process list fault نہیں ہے۔

جب یہ آپ کو بتائے بغیر سافٹ ویئر پر واپس آ جاتا ہے

Jellyfin ہارڈویئر انکوڈنگ غیر فعال ہونے یا مطلوبہ ہارڈویئر انکوڈر دستیاب نہ ہونے کی صورت میں سافٹ ویئر انکوڈر کا انتخاب کرتا ہے۔ پلے بیک کے دوران ہارڈویئر پاتھ کی ناکامی بھی سٹریم کو فیل کر سکتی ہے، اس لیے یہ فرض کرنے کے بجائے کہ ہر ناکامی سافٹ ویئر پر واپس آ جاتی ہے، FFmpeg لاگ کو پڑھیں۔

transcode لاگ میں Cannot load libnvcuvid.so.1 کا مطلب ہے کہ ڈائنامک لوڈر ڈیکوڈر لائبریری کو لوڈ کرنے میں ناکام رہا۔ صرف یہ پیغام یہ واضح نہیں کرتا کہ آیا لائبریری ماؤنٹ تھی یا نہیں۔ NVIDIA_DRIVER_CAPABILITIES=all اور کنٹینر کی ڈرائیور لائبریریز اور ڈائنامک لنکس کو چیک کریں۔ اگر آپ ماحول تبدیل کرتے ہیں تو docker compose up -d کے ساتھ کنٹینر کو دوبارہ بنائیں؛ ایک سادہ ری سٹارٹ پرانی ترتیبات کو برقرار رکھتا ہے۔

h264_nvenc سے No capable devices found کا مطلب ہے کہ FFmpeg انکوڈر لائبریری تک پہنچ گیا لیکن اسے کوئی قابل استعمال کارڈ نہیں ملا۔ docker compose exec jellyfin nvidia-smi کو دوبارہ چیک کریں، پھر ڈیوائس اور انکوڈر کی صلاحیتوں میں ناکامی کے لیے اس سے پہلے کے لاگ پیغامات پڑھیں۔

خاموش GPU کے ساتھ ہائی CPU اس بات کی وجہ ہے کہ یہ چیک کیا جائے کہ کون سے مراحل سافٹ ویئر استعمال کر رہے ہیں۔ ان کوڈیکس کو ان ٹک کریں جنہیں آپ کی جنریشن ڈیکوڈ نہیں کر سکتی، پھر اسی فائل کو دوبارہ چلائیں اور دوبارہ FFmpeg لاگ پڑھیں تاکہ یہ دیکھا جا سکے کہ آیا -hwaccel cuda ظاہر ہوتا ہے۔ اگر ایسا ہوتا ہے اور CPU اب بھی مصروف ہے، تو اس مرحلے کو تلاش کریں جسے Jellyfin GPU پر نہیں ڈال سکتا، جیسے کہ امیج سب ٹائٹل برن ان۔

ایک ٹرانسکوڈ جو شروع ہوتا ہے اور پھر 4K HDR پر رک جاتا ہے جبکہ 1080p ٹھیک چلتا ہے، عام طور پر ٹون میپنگ کی حد ہوتی ہے، نہ کہ خراب انسٹالیشن۔ nvidia-smi dmon -s u میں sm کالم کو دیکھیں، پھر ٹون میپنگ کو بند کر کے اسی فائل کو دوبارہ چلائیں: اگر سٹریم ٹھیک ہو جاتی ہے، تو ٹون میپنگ ہی وہ حد تھی۔ پھر یا تو کلائنٹ کی مطلوبہ ریزولوشن کم کریں یا 4K HDR فائلیں ان کلائنٹس پر رکھیں جو انہیں ڈائریکٹ پلے کر سکتے ہیں۔

FAQ

NVENC فعال کرنے کے بعد بھی Jellyfin CPU کیوں استعمال کر رہا ہے؟

Dashboard میں موجود Logs کے تحت تازہ ترین FFmpeg.Transcode لاگ چیک کریں۔ اگر اس میں libx264 نظر آئے تو انکوڈنگ سافٹ ویئر موڈ میں چل رہی ہے۔ اگر -hwaccel cuda بھی موجود نہ ہو تو کمانڈ میں منتخب کردہ ڈیکوڈر چیک کریں اور GPU کی موجودگی کی تصدیق کے لیے docker compose exec jellyfin nvidia-smi چلائیں۔ اگر libx264 کے ساتھ -hwaccel cuda موجود ہو تو کمانڈ GPU ڈیکوڈنگ کی درخواست کر رہی ہے لیکن انکوڈنگ سافٹ ویئر کے ذریعے ہو رہی ہے؛ Enable hardware encoding کو چیک کریں اور دیکھیں کہ آیا Jellyfin مطلوبہ ہارڈویئر انکوڈر کو پہچان رہا ہے۔ صرف فلیگز اس بات کا ثبوت نہیں کہ GPU ڈیکوڈنگ کامیاب رہی ہے۔ اگر -hwaccel cuda کے بغیر h264_nvenc نظر آئے تو چیک کریں کہ آیا فائل کا کوڈیک Enable hardware decoding for کے تحت منتخب شدہ ہے۔ کسی ایسے کوڈیک کو منتخب کرنا جسے آپ کا کارڈ ڈیکوڈ نہیں کر سکتا، سافٹ ویئر فال بیک کے بجائے ہارڈویئر ڈیکوڈر ایرر پیدا کر سکتا ہے۔ اگر دونوں موجود ہیں اور پھر بھی CPU مصروف ہے، تو لوڈ کسی ایسے مرحلے سے آ رہا ہے جو CPU پر ہی رہتا ہے، جیسے کہ subtitle burn-in۔

کیا مجھے اب بھی Docker Compose میں runtime: nvidia کی لائن درکار ہے؟

اگر آپ کے پاس deploy.resources.reservations.devices بلاک اور جدید Docker Compose موجود ہے تو نہیں۔ یہ بلاک ڈیوائس ریکویسٹ کا جدید طریقہ ہے اور وہی کام کرتا ہے۔ runtime: nvidia پرانا راستہ ہے جو nvidia-docker2 کے دور کا ہے، یہ اب بھی کام کرتا ہے، اور Jellyfin کی اپنی شائع کردہ مثال میں دونوں موجود ہیں۔ دونوں کو برقرار رکھنا نقصان دہ نہیں ہے۔ صرف runtime: nvidia رکھنے کا مطلب ہے کہ آپ کو NVIDIA_VISIBLE_DEVICES=all بھی رکھنا ہوگا، کیونکہ اس راستے میں ڈیوائس پڑھنے کے لیے کوئی ریکویسٹ نہیں ہوتی اور یہ ماحول (environment) سے ڈیوائس لسٹ لیتا ہے۔

ایک NVIDIA GPU ایک وقت میں کتنی اسٹریمز ٹرانسکوڈ کر سکتا ہے؟

اکتوبر 2026 تک NVIDIA کی شائع کردہ پالیسی کے مطابق GeForce کارڈز پر فی سسٹم زیادہ سے زیادہ 12 بیک وقت انکوڈ سیشنز کی حد ہے۔ ڈیٹا سینٹر کارڈز جیسے کہ L4 غیر محدود ہیں، جبکہ کچھ ڈیٹا سینٹر ماڈلز میں NVENC انکوڈر ہوتا ہی نہیں ہے۔ یہ حد شاذ و نادر ہی آپ کو روکتی ہے۔ HDR سے SDR ٹون میپنگ NVENC کے بجائے شیڈر کورز پر چلتی ہے، اس لیے یہ کارکردگی پر ایک الگ حد عائد کرتی ہے۔ اپنے کیس کی پیمائش nvidia-smi dmon -s u سے کریں اور سیشن کی تعداد کے بجائے sm کالم پر نظر رکھیں۔

کیا میں بغیر GPU والے VPS پر ہارڈویئر ٹرانسکوڈنگ استعمال کر سکتا ہوں؟

نہیں۔ انکوڈنگ کے لیے فزیکل NVENC بلاک کی ضرورت ہوتی ہے، اور عام VPS پر lspci -nn | grep -Ei "3d|display|vga" صرف ہائپر وائزر کا ورچوئل ڈسپلے اڈاپٹر دکھاتا ہے۔ GPU کے بغیر پلان پر حقیقت پسندانہ حل یہ ہے کہ ٹرانسکوڈز کو ختم کریں: کلائنٹ کی کوالٹی سیٹنگ کو Auto پر رکھیں، براؤزر کے بجائے نیٹو کلائنٹ ایپ استعمال کریں، اور ایسا کلائنٹ استعمال کریں جو آپ کے امیج بیسڈ سب ٹائٹلز کو براہ راست رینڈر کرے یا جب سب ٹائٹل کی مطابقت burn-in پر مجبور کرے تو انہیں ٹیکسٹ میں تبدیل کر لیں۔

4K HDR میں رکاوٹ کیوں آتی ہے جبکہ 1080p ٹھیک ٹرانسکوڈ ہوتا ہے؟

یہ دونوں ورک لوڈز کارڈ کے مختلف حصوں کا استعمال کرتے ہیں۔ 1080p SDR ٹرانسکوڈ زیادہ تر ڈیکوڈ اور انکوڈ پر مشتمل ہوتا ہے، جو دونوں فکسڈ فنکشن ہارڈویئر پر ہوتے ہیں اگر آپ کا کارڈ کوڈیک کو سپورٹ کرتا ہے، اس کے علاوہ اسکیلنگ، ڈی انٹرلیسنگ یا سب ٹائٹل برن ان جو اسٹریم کو درکار ہو۔ 4K HDR اسٹریم میں ٹون میپنگ کا اضافہ ہوتا ہے، جو شیڈر کورز پر چلنے والا ایک CUDA فلٹر ہے، اس کے علاوہ اسکیل کرنے کے لیے بہت بڑا فریم ہوتا ہے۔ nvidia-smi dmon -s u میں کم enc اور dec کے ساتھ زیادہ sm کا دکھنا اس طرف اشارہ کرتا ہے، کیونکہ فکسڈ فنکشن بلاکس پر لوڈ کم ہے جبکہ شیڈرز مصروف ہیں۔ ٹون میپنگ کو آف کر کے فائل چلانے سے یہ مسئلہ حل ہو جاتا ہے۔

کیا یہ مضمون مفید تھا؟