Wie viel iGPU-Reserve benötigt Jellyfin für mehrere Benutzer?
Jellyfin benötigt ausreichend iGPU-Reserven, um die anspruchsvollste normale Mischung gleichzeitig laufender hardwaretranscodierter Sitzungen ohne Warteschlange aufrechtzuerhalten.
Es gibt keine allgemeingültige Anzahl von Benutzern pro iGPU, da Codec-Decodierung, Ausgabeauflösung, HDR-Tonemapping, Einbrennen von Untertiteln, Bildrate und Speicherbandbreite die Auslastung verändern. Benutzer mit Direct Play verbrauchen nahezu keine Transcoding-Kapazität, während eine schwierige Konvertierung mehr kosten kann als mehrere einfache. Erstelle vor der Festlegung eines Prozentsatzes oder einer Stream-Anzahl eine Mischung der erwarteten Arbeitslasten.
Transcoding-Klassen statt Benutzer zählen
Ein Haushalt mit sechs Benutzern kann weniger Grafikleistung benötigen als zwei Benutzer aus der Ferne, wenn die meisten Clients Direct Play verwenden. Bei der Kapazitätsplanung sollten die Wiedergabemodi und Filter gezählt werden, die tatsächlich in die Medien-Engine gelangen.
Unterschiedliche Jellyfin-Konvertierungspfade können auf demselben System einen sehr unterschiedlichen Durchsatz erzielen.
Klassifiziere erwartete Sitzungen als Direct Play, einfaches Hardware-Transcoding, Tonemapping-Transcoding und Transcoding mit eingebrannten Untertiteln. Dimensioniere anhand der gewichteten Mischung statt anhand der Anzahl der Konten.
Tonemapping und Einbrennen von Untertiteln verbrauchen zusätzliche Reserven
Die Medien-Engine kann mehr als nur kodieren und dekodieren. HDR-Konvertierung und die Zusammensetzung von Untertiteln können zu den Verarbeitungsschritten werden, die die gleichzeitige Nutzung zuerst begrenzen.
Das Verhalten beim Einbrennen von Untertiteln erklärt, warum eine Untertitelauswahl die vollständige Videoverarbeitung erzwingen kann, selbst wenn der zugrunde liegende Videocodec ansonsten kompatibel ist.
Beziehe mindestens einen anspruchsvollen HDR-plus-Untertitel-Fall in den Spitzentest ein, wenn der Haushalt diese Funktion nutzt. Andernfalls können die berechneten Reserven verschwinden, sobald solche Inhalte erstmals wiedergegeben werden.
Integrierte Grafikeinheiten teilen sich ebenfalls die Speicherbandbreite des Systems
Eine iGPU verfügt nicht über ein isoliertes Speichersubsystem der Workstation-Klasse; sie konkurriert um den Systemspeicher und kann durch die Kanal-Konfiguration sowie andere Arbeitslasten beeinflusst werden. Daher sind die Bedingungen des Hosts Teil des Ergebnisses.
Gemeinsam betriebene Anwendungen können bei überlappenden Arbeitslasten Ressourceninterferenzen zeigen. Dadurch kann ein sauberer Transcoding-Benchmark die Kapazität eines ausgelasteten Heimservers überschätzen.
Wiederhole die Transcoding-Matrix mit den normalerweise aktiven Begleitdiensten. Die Ausgangsbasis für hardwarebeschleunigtes Streaming sollte den Host so abbilden, wie er tatsächlich betrieben wird, nicht wie in einer leeren Benchmark-Umgebung.
Oberhalb des gemessenen Fehlerpunkts Reserven einplanen
Eine hohe Auslastung ist nicht automatisch problematisch, wenn die Engine die Ausgabe in Echtzeit und mit stabiler Latenz aufrechterhält. Eine Sättigung ohne Reserven macht das System jedoch anfällig für eine einzelne schwierigere Datei. Definiere den Punkt, an dem sich die Transcoding-Geschwindigkeit oder die Wiedergabestabilität verschlechtert.
Die USE-Methode bietet eine klare Sprache für Auslastung, Sättigung und Fehler, statt einen magischen sicheren Prozentsatz vorzugeben.
Erhöhe die Anzahl gleichzeitiger Sitzungen bis zum ersten reproduzierbaren Fehler und lege anschließend die Betriebsgrenze mit ausreichender Reserve unterhalb dieses Punkts fest, um normale Schwankungen abzufangen. Teste nach Änderungen an Treibern, Clients oder größeren Bibliotheken erneut.
Empfohlene Produkte
Tech- & KI-Zentrum
Mehr zum Lesen
Wie beeinflusst das Downsampling von Zeitreihen die Anomalieerkennung im Smart Home?
Sehen Sie, wie Bucket-Breite, Aggregation, Anti-Aliasing, fehlende Daten, Ereignisdauer und Aufbewahrung über mehrere Skalen die Erkennungsrate von Anomalien im Smart Home verändern.
Wie kombiniert ein Belegungsraster schwache Smart-Home-Signale?
Erfahren Sie, wie räumliche Zellen, Sensormodelle, Log-Odds-Aktualisierungen, Zerfall, korrelierte Evidenz und Schwellenwerte schwache Signale aus dem Zuhause in Belegungsschätzungen umwandeln.
Wie beeinflusst die photometrische Normalisierung das private Clustering von Gesichtern?
Sehen Sie, wie die Beleuchtungskorrektur Gesichtsausschnitte, Einbettungen, Clusterabstände, Schwellenwerte, Übernormalisierung und die Bewertung der privaten Fotosuche verändert.
