Oui, Immich peut partager un GPU ou un accélérateur avec un autre conteneur lorsque l’environnement d’exécution de l’hôte autorise les accès simultanés et que les deux charges de travail restent dans les limites pratiques de l’appareil.
Le partage de l’appareil ne garantit ni l’isolation ni des performances égales. Immich peut utiliser l’accélération pour le transcodage vidéo ou l’inférence par apprentissage automatique, tandis qu’un autre service encode des médias, exécute une inférence IA ou utilise le même nœud de rendu. Exposez l’appareil délibérément, testez chaque charge de travail seule, puis lancez les tâches réellement simultanées et surveillez la mémoire, la latence, la température ou les défaillances du pilote.
Vérifiez d’abord que chaque conteneur peut utiliser seul l’accélérateur
Avant de tester le partage, vérifiez le pilote de l’hôte et le moteur d’exécution des conteneurs avec une seule charge de travail à la fois. Pour Immich, déclenchez la fonction accélérée que vous comptez réellement utiliser et vérifiez l’utilisation de l’appareil ainsi que l’absence d’erreurs dans les journaux de l’application. Répétez avec le second conteneur en utilisant sa charge de travail habituelle.
L’exemple NVIDIA du moteur d’exécution pour plusieurs conteneurs compatibles avec les GPU montre que plusieurs conteneurs peuvent être lancés avec un accès au GPU. Cela démontre le fonctionnement du modèle d’exécution, mais ne garantit pas que toutes les paires d’applications partageront équitablement les ressources ou tiendront sur un seul appareil.
Si l’une des applications ne peut pas utiliser l’accélérateur de manière fiable lorsqu’elle est seule, ne cherchez pas encore à diagnostiquer la concurrence. Corrigez d’abord la version du pilote, le mappage de l’appareil, les permissions, la configuration de l’environnement d’exécution, la prise en charge des codecs ou le moteur de l’application. Un test partagé ne permet pas de distinguer ces problèmes de base d’une véritable contention.
N’exposez que l’appareil dont chaque charge de travail a besoin
Sur les systèmes dotés de plusieurs accélérateurs, attribuez si possible un appareil précis au lieu d’exposer tous les GPU à chaque conteneur. Avec les cartes graphiques intégrées Intel ou AMD, vérifiez l’appareil de rendu visé et les permissions des groupes. Avec NVIDIA, confirmez quel appareil visible le processus sélectionne réellement.
Une réponse récente sur le forum NVIDIA concernant le partage d’un GPU entre conteneurs indique que les processus de conteneurs ordinaires peuvent accéder au même GPU lorsqu’il est mis à la disposition des deux conteneurs. Le point opérationnel essentiel est que les limites entre conteneurs ne créent pas automatiquement une part de performances fixe.
La visibilité de l’appareil doit être reproductible après la recréation du conteneur. Redémarrez chaque service et vérifiez que le même appareil apparaît avec les mêmes permissions. Si une application bascule silencieusement sur le CPU après le redémarrage, corrigez le mappage avant de mesurer les performances partagées.
Mesurez la contention dans les charges de travail qui se chevauchent réellement
Exécutez Immich seul et relevez le débit de traitement, le temps de réponse interactif, l’utilisation du GPU, la mémoire de l’appareil, le recours au CPU et la température. Exécutez l’autre conteneur seul avec les mêmes métriques. Faites ensuite tourner les deux tâches représentatives en même temps et comparez l’évolution au lieu de vous fier au débit théorique maximal.
Une discussion plus récente sur NVIDIA au sujet du partage du GPU entre conteneurs demande si deux conteneurs peuvent sélectionner les mêmes périphériques et entrer en contention. C’est précisément la limite à tester : la visibilité signifie un accès partagé, et non une régulation automatique des accès ni une capacité garantie.
Le partage est acceptable si les deux charges de travail restent accélérées, s’exécutent correctement et respectent vos objectifs de latence et de température. Si un travail épuise la VRAM, oblige l’autre à utiliser le CPU, provoque des échecs d’allocation de l’encodeur ou entraîne des ralentissements perceptibles, réduisez la concurrence, planifiez les travaux lourds à des moments différents ou attribuez-leur des périphériques distincts.
Distinguez la charge du transcodage de celle de l’apprentissage automatique
La charge imposée à un accélérateur par Immich peut varier selon qu’il encode une vidéo ou exécute une inférence d’apprentissage automatique. L’autre conteneur peut également solliciter différemment les moteurs d’encodage, les unités de calcul ou la mémoire partagée. L’« utilisation du GPU » totale peut masquer le moteur réellement saturé.
Le guide ZimaSpace sur la validation du partage GPU entre conteneurs propose un protocole de test utile pour un serveur domestique : vérifiez d’abord le pilote et l’affectation, puis augmentez progressivement le nombre de sessions simultanées représentatives en surveillant la mémoire du périphérique, la température, les erreurs et le comportement en cas de repli.
Si le transcodage vidéo et le ML se chevauchent rarement, la planification peut être plus simple que le partitionnement matériel. Si les deux sont sensibles à la latence toute la journée, un deuxième accélérateur ou un hôte distinct peut offrir une limite de défaillance plus nette. La bonne architecture dépend de la période de chevauchement, et pas seulement de la possibilité pour Docker de faire ouvrir le périphérique par les deux conteneurs.
Validez le partage après un redémarrage et lors d’une période de pointe habituelle
Reproduisez une période de pointe, par exemple un transcodage vidéo Immich accompagné d’un lot de traitements Smart Search ou liés aux visages, tandis que le deuxième conteneur effectue sa tâche accélérée habituelle la plus exigeante. Consignez les taux d’achèvement, les latences de queue, l’utilisation de la mémoire, la température, les erreurs et le recours éventuel de l’un des services au CPU.
Redémarrez les conteneurs dans les deux ordres et répétez le test. Une configuration robuste ne doit pas dépendre du service qui a pris possession de l’accélérateur en premier, sauf si cette priorité relève d’un choix de conception explicite. Vérifiez également que les nœuds de périphérique et les affectations d’exécution restent stables après le redémarrage de l’hôte.
Continuez le partage tant que le chevauchement mesuré reste dans les limites de service, avec une marge thermique et mémoire suffisante. Cessez d’augmenter la concurrence dès la première erreur reproductible ou latence inacceptable. En cas de problème, indiquez le modèle de GPU, les versions du pilote et de l’environnement d’exécution, les affectations des périphériques, l’utilisation de la VRAM, les types de charges de travail et la combinaison exacte qui provoque la contention.
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,...



