Oui, les charges de travail liées à Home Assistant peuvent parfois partager un GPU avec un autre conteneur, mais la réponse dépend du chemin d’accès à l’accélérateur et de la frontière de virtualisation.
Home Assistant Core n’a généralement pas besoin d’un GPU ; l’accélérateur sert habituellement à Frigate, à la vision ou à l’IA en local, au traitement multimédia ou à un autre service compagnon. Sous Linux, il est souvent possible de donner à plusieurs conteneurs accès au même périphérique de rendu et de laisser le pilote répartir les tâches. Une VM à laquelle on transmet un périphérique PCIe entier relève d’un autre modèle et peut rendre ce périphérique indisponible pour l’hôte et les autres machines virtuelles. Identifiez l’utilisateur réel du périphérique avant de modifier les permissions.
Identifiez d’abord la charge de travail Home Assistant qui a réellement besoin de l’accélérateur
Ne transmettez pas un GPU au conteneur Home Assistant Core simplement parce que l’hôte en possède un. Déterminez quel processus l’utilisera : décodage vidéo dans Frigate, détection d’objets avec OpenVINO, service local de traitement du langage ou de la vision, traitement vocal, ou tout autre conteneur appelé par Home Assistant. Le mappage du périphérique doit être rattaché au conteneur de cette charge de travail et à sa frontière de sécurité.
Les déploiements Frigate illustrent clairement le modèle fondé sur le chemin d’accès au périphérique : l’accélération matérielle dépend de la visibilité d’un périphérique de rendu précis à travers toute la pile de conteneurs. Un guide récent sur le passthrough de l’iGPU à Frigate explique pourquoi il faut vérifier la visibilité du périphérique, les permissions des groupes et les couches de virtualisation, au lieu de les déduire de la présence d’un GPU sur l’hôte.
Si Home Assistant se contente d’orchestrer le service d’accélération via une API ou MQTT, Core n’a pas du tout besoin d’accéder directement au périphérique. En réservant le mappage GPU au conteneur qui l’utilise, on réduit les privilèges et on isole plus facilement les pannes.
Les périphériques de rendu Linux partagés et le passthrough d’un GPU complet à une VM sont deux modèles différents
Avec les conteneurs Linux, le mappage d’un nœud de rendu comme /dev/dri/renderD128 dans plusieurs conteneurs peut permettre aux deux applications d’envoyer des tâches au pilote de l’hôte. Elles partagent un ordonnanceur et des ressources mémoire, et ne reçoivent pas chacune un GPU physique indépendant. La prise en charge sécurisée d’une charge de travail donnée dépend toujours du comportement du pilote et de l’application.
Un guide sur le passthrough GPU vers un conteneur LXC rend explicite la frontière du conteneur : l’hôte conserve le véritable pilote GPU, tandis que le conteneur reçoit certains nœuds de périphérique, comme /dev/dri/renderD128. Ce modèle de périphérique de rendu partagé permet à plusieurs conteneurs d’accéder au même chemin d’accélération, mais ils se disputent toujours les moteurs GPU, la bande passante mémoire et les ressources limitées propres au fabricant.
Le transfert direct du périphérique PCIe complet à une machine virtuelle est différent. Un guide récent sur VFIO dans Proxmox décrit cette attribution comme une propriété exclusive du GPU par une seule VM, ce qui supprime pour cette carte la voie habituelle de partage du pilote hôte. SR-IOV, les périphériques médiés, les vGPU ou des fonctionnalités similaires peuvent offrir un autre modèle de partage sur le matériel compatible, mais il s’agit de fonctionnalités distinctes qu’il ne faut pas supposer disponibles avec un transfert direct classique.
Vérifiez la visibilité et les permissions dans les deux conteneurs avant de tester les performances
Démarrez chaque consommateur de l’accélérateur séparément et vérifiez le nœud de périphérique, les permissions utilisateur/groupe, les bibliothèques du pilote et le rapport matériel de l’application depuis le conteneur. Un conteneur privilégié ne remplace pas une bonne compréhension du périphérique de rendu et des groupes requis. Accordez uniquement l’accès minimal au périphérique nécessaire au fonctionnement de la charge de travail prévue.
Le même processus de mappage des périphériques LXC permet de vérifier le nœud de rendu depuis le conteneur et recommande de le tester avec le véritable compte de service plutôt que de se fier uniquement à la visibilité sur l’hôte. Utilisez cette méthode pour confirmer l’accès à l’accélérateur depuis le conteneur avant de comparer les performances ; la présence d’un périphérique sur l’hôte ne prouve pas que l’application peut l’ouvrir.
Ne considérez le critère de visibilité comme satisfait que lorsque les deux conteneurs démontrent indépendamment qu’ils utilisent le matériel. Si l’un d’eux bascule discrètement vers le processeur, corrigez le mappage ou la configuration du pilote avant de tester l’exécution simultanée. Sinon, le recours au processeur peut donner l’impression que le partage du GPU fonctionne alors que l’hôte exécute en réalité une charge de travail en logiciel.
Effectuez des tests séparés, puis simultanés, pour déterminer les limites du partage
Mesurez d’abord chaque charge de travail séparément : temps de traitement des images, vitesse d’encodage/décodage, utilisation de l’accélérateur, consommation mémoire, température, puissance et latence des applications. Exécutez ensuite les deux charges ensemble, à leur niveau de pointe habituel. La configuration partagée n’est acceptable que si la charge critique liée à Home Assistant respecte ses délais et qu’aucune des deux applications ne commence à générer des erreurs ou à basculer vers un mode de secours.
Le test existant de ZimaSpace pour partager un GPU entre plusieurs conteneurs aboutit à la même règle opérationnelle : la visibilité du périphérique n’est que le premier critère ; la stabilité en simultané et la contention des ressources déterminent si le partage est réellement utile.
Gardez un seul accélérateur partagé tant que les deux consommateurs respectent les limites de latence et de mémoire en conditions de chevauchement réelles. Séparez-les si l’une des tâches provoque des pertes d’images, des retards d’inférence, des réinitialisations du pilote, des erreurs de mémoire insuffisante, une limitation thermique ou un basculement imprévisible. Si le GPU est entièrement attribué à une VM, repensez la couche de virtualisation ou ajoutez un autre accélérateur au lieu d’essayer de mapper un périphérique physique déjà attribué à un second conteneur.
Assistance et conseils
À lire aussi

Comment cacher les vidéos pour adultes stockées sur votre NAS à votre famille
Gardez les vidéos pour adultes privées sur un NAS familial. Vérifiez les autorisations des dossiers, l’accès aux bibliothèques Plex et Jellyfin, les vignettes, l’historique...

Ce qu’il faut vérifier avant de charger un modèle communautaire dans Transformers
Utilisez la mise à jour du bac à sable Jinja de Transformers pour examiner la provenance des modèles, les modèles de conversation, le code...

Exécutez Mirage localement : OCR et détection d’objets à partir d’une seule image
Essayez le petit modèle de vision local de Cactus Compute, testez la reconnaissance optique de caractères et l’extraction d’objets à partir de données réelles,...



