Jak analiza i automatyzacja przypominające działanie AI zmieniają wymagania dotyczące pamięci masowej i mocy obliczeniowej Jellyfin

Eva Wong

IceWhale author

Eva Wong jest Technicznym pisarzem i stałym majsterkowiczem w ZimaSpace. Całe życie geek z pasją do homelabów i oprogramowania open-source, specjalizuje się w tłumaczeniu skomplikowanych koncepcji technicznych na przystępne, praktyczne przewodniki. Eva wierzy, że samodzielne hostowanie powinno być zabawą, a nie czymś onieśmielającym. Poprzez swoje samouczki umożliwia społeczności rozwiewanie tajemnic konfiguracji sprzętu, od budowy pierwszego NAS po opanowanie kontenerów Docker.

How AI-Like Analysis and Automation Change Jellyfin Storage and Compute Needs - Zima Store Online

Sam Jellyfin nie zmienia się w ogólną platformę generatywnej sztucznej inteligencji, ale nowoczesne przepływy pracy serwera multimediów dodają więcej automatycznej analizy biblioteki: obrazów rozdziałów, klatek kluczowych, segmentów multimediów, napisów, wykrywania intro, OCR, transkrypcji, tagowania oraz innych potoków obsługiwanych przez wtyczki lub narzędzia towarzyszące.

Te funkcje zmieniają wymagania dotyczące pojemności, ponieważ przekształcają serwer odtwarzania, który głównie odczytuje dane, w system, który dodatkowo skanuje pliki, dekoduje multimedia, oblicza dane pochodne, zapisuje metadane i przechowuje wygenerowane zasoby. Właściwy sprzęt i projekt pamięci masowej zależą od tego, jakie analizy są włączone i kiedy są uruchamiane.

Oddziel automatyzację podstawowego Jellyfin od powiązanych zadań AI

Podstawowy Jellyfin już planuje skanowanie biblioteki, czyszczenie pamięci podręcznej, obsługę napisów, optymalizację bazy danych, wyodrębnianie obrazów rozdziałów i inne zadania w tle. Wtyczki mogą dodawać kolejne zadania i dostawców metadanych.

Aktualny przewodnik optymalizacji zadań Jellyfin grupuje skanowanie bibliotek, pracę z wygenerowanymi multimediami, konserwację i czyszczenie jako obciążenia działające w tle, które należy planować z uwzględnieniem interaktywnego strumieniowania. Zadania te mogą obciążać procesor i pamięć masową nawet wtedy, gdy nikt niczego nie ogląda.

Analizę wykonywaną przez podmioty zewnętrzne należy traktować osobno. Wtyczka lub narzędzie towarzyszące, które tworzy odciski audio, transkrybuje mowę, rozpoznaje obiekty lub wywołuje model językowy, może zużywać zupełnie inne zasoby niż podstawowe odtwarzanie.

Pochodne metadane zwiększają zapotrzebowanie na trwałą pamięć masową

Automatyzacja często tworzy dane, których wcześniej nie było w bibliotece źródłowej: miniatury, obrazy rozdziałów, klatki trickplay, napisy, znaczniki segmentów, odciski, indeksy lub wyniki działania modeli. Część z nich można odtworzyć, ale odtworzenie niektórych może być na tyle kosztowne, że warto je chronić.

Aktualny mechanizm segmentów multimediów Jellyfin obsługuje segmenty generowane przez dostawców, takie jak intro, outro, zapowiedzi, podsumowania i reklamy, za pośrednictwem skanowania w tle. Te metadane zajmują niewiele miejsca w porównaniu z plikami wideo, ale skanowanie, które je tworzy, nadal odczytuje i analizuje bibliotekę multimediów.

Zapewnij na dysku SSD z danymi aplikacji wystarczająco dużo miejsca na rozrost bazy danych, wygenerowane metadane i tymczasowe pliki robocze. Nie zakładaj, że zajętość pamięci masowej pozostanie stała tylko dlatego, że oryginalna biblioteka multimediów się nie zmieniła.

Analiza multimediów może przenieść obciążenie z procesora na GPU lub dodać nowy akcelerator

Dekodowanie i kodowanie wideo może korzystać ze stałofunkcyjnych silników multimedialnych, jeśli są obsługiwane. Inne analizy w stylu AI mogą wykorzystywać ogólny procesor, CUDA, OpenVINO, ROCm, NPU lub osobną usługę — zależnie od narzędzia.

Analiza zewnętrzna pokazuje również, dlaczego kwestia akceleracji zależy od konkretnej funkcji. Intro Skipper korzysta z analizy odcisków audio w celu identyfikowania powtarzających się segmentów intro i outro; to obciążenie zasadniczo różni się od zwykłego transkodowania wideo lub działania modelu wizyjnego. Dlatego zakup ogólnego GPU nie będzie automatycznie przydatny dla każdej funkcji automatyzacji.

Przed zakupem GPU do „Jellyfin AI” określ konkretne oprogramowanie i interfejs API akceleracji. Wtyczka tworząca odciski audio może wymagać procesora, podczas gdy usługa wizyjna lub transkrypcyjna może skorzystać z ogólnego akceleratora obliczeniowego.

Featured

ZimaCube 2 Osobisty domowy NAS w chmurze

ZimaCube2

Analiza zmienia wzorzec operacji wejścia-wyjścia pamięci masowej

Odtwarzanie zwykle odczytuje sekwencyjnie kilka dużych plików. Automatyczna analiza może przejść przez całą bibliotekę, przeskakiwać między wieloma plikami, tworzyć tysiące małych wyników i aktualizować bazę danych. Może to wybudzać uśpione dyski HDD i konkurować z interaktywnym dostępem do metadanych.

Artykuł ZimaSpace na temat automatyzacji Jellyfin w tle wyjaśnia, dlaczego to obciążenie należy traktować jako osobne okno pracy, a nie niewidoczną aktywność w stanie bezczynności.

Umieść wrażliwe na opóźnienia dane aplikacji na dysku SSD, przechowuj masowe multimedia w warstwie pojemnościowej i wybierz lokalizację roboczą, która pomieści tymczasowe zapisy analizy bez zapełniania dysku aplikacji.

Planuj pracę z danymi pochodnymi poza godzinami odtwarzania

Większość analiz można odroczyć. Użytkownik natychmiast zauważy zatrzymany strumień, ale nikt nie zauważy, że wykrywanie intro zakończyło się o 3:00 zamiast o 20:00.

Najpierw uruchom nowe funkcje analizy na reprezentatywnym podzbiorze biblioteki. Zmierz wykorzystanie CPU/GPU, odczyty i zapisy pamięci masowej, rozmiar wygenerowanych danych, czas trwania zadania, temperaturę oraz wpływ na równoczesne odtwarzanie. Następnie zdecyduj, czy zadanie powinno mieć ograniczoną przepustowość, być zaplanowane na określoną porę czy przeniesione do osobnego procesu roboczego.

Oddziel dane, które można odtworzyć, od danych nadrzędnych

Media źródłowe: treści nadrzędne; chroń je zależnie od kosztu zastąpienia.
Baza danych i konfiguracja Jellyfin: nadrzędny stan aplikacji; twórz kopie zapasowe często.
Wygenerowane obrazy i pamięć podręczna: często można je odtworzyć, ale ponowne generowanie może być kosztowne.
Dane segmentów lub odcisków: zwykle pochodne; zdecyduj, czy czas ponownego generowania uzasadnia tworzenie kopii zapasowej.
Zewnętrzne wyniki AI: traktuj je jako nadrzędne tylko wtedy, gdy zawierają ręczne poprawki lub kosztowną, unikatową analizę.

Analizę w stylu AI i automatyzację należy zatem dobierać jako obciążenie obliczeniowe działające w tle oraz pamięć na dane pochodne, a nie jako nieprecyzyjne wymaganie „większej liczby GPU”. Określ funkcję, zmierz, co odczytuje i zapisuje, oraz chroń odtwarzanie, kontrolując, kiedy ta praca jest wykonywana.