Jellyfin potrzebuje wystarczającego zapasu mocy iGPU, aby obsłużyć najtrudniejszą typową kombinację jednoczesnych sesji z transkodowaniem sprzętowym bez tworzenia kolejki.
Nie istnieje uniwersalna liczba użytkowników przypadających na iGPU, ponieważ dekodowanie kodeka, rozdzielczość wyjściowa, mapowanie tonów HDR, wypalanie napisów, liczba klatek na sekundę i przepustowość pamięci wpływają na obciążenie. Użytkownicy korzystający z funkcji Direct Play zużywają niemal żadnej mocy transkodowania, podczas gdy jedna trudna konwersja może kosztować więcej niż kilka prostych. Przed wyborem wartości procentowej lub liczby strumieni określ przewidywaną kombinację obciążeń.
Liczenie klas transkodowania zamiast użytkowników
Gospodarstwo domowe z sześcioma użytkownikami może wymagać mniejszej mocy graficznej niż dwóch użytkowników zdalnych, jeśli większość klientów korzysta z funkcji Direct Play. Przy planowaniu wydajności należy uwzględnić tryby odtwarzania i filtry, które rzeczywiście trafiają do silnika multimediów.
Różne ścieżki konwersji Jellyfin mogą zapewniać bardzo różną przepustowość na tym samym systemie.
Podziel przewidywane sesje na Direct Play, proste transkodowanie sprzętowe, transkodowanie z mapowaniem tonów oraz wypalanie napisów. Dobierz wydajność do ważonej kombinacji obciążeń, a nie do liczby kont.
Mapowanie tonów i wypalanie napisów zużywają dodatkowy zapas
Silnik multimediów może wykonywać więcej niż samo kodowanie i dekodowanie. Konwersja HDR oraz składanie napisów mogą stać się etapami, które jako pierwsze ograniczą liczbę jednoczesnych sesji.
Sposób działania wypalania napisów wyjaśnia, dlaczego wybór napisów może wymusić pełne przetwarzanie obrazu, nawet gdy użyty kodek wideo jest zasadniczo zgodny.
Jeśli gospodarstwo domowe korzysta z takiego materiału, w teście szczytowego obciążenia uwzględnij co najmniej jeden trudny przypadek HDR z napisami. W przeciwnym razie obliczony zapas może zniknąć przy pierwszym odtworzeniu tego typu treści.
Zintegrowana grafika również współdzieli przepustowość pamięci systemowej
iGPU nie ma odizolowanego podsystemu pamięci klasy stacji roboczej — konkuruje o pamięć systemową i może być zależne od konfiguracji kanałów oraz innych obciążeń. Oznacza to, że warunki pracy hosta są częścią wyniku.
Współlokowane aplikacje mogą wykazywać zakłócenia zasobów, gdy ich obciążenia nakładają się na siebie, dlatego czysty test transkodowania może zawyżać wydajność zajętego serwera domowego.
Powtórz macierz testów transkodowania przy aktywnych zwykłych usługach towarzyszących. Wynik bazowy strumieniowania z akceleracją sprzętową powinien odzwierciedlać rzeczywiste warunki pracy hosta, a nie środowisko pustego testu.
Rezerwuj zapas powyżej zmierzonego punktu awarii
Wysokie wykorzystanie nie stanowi automatycznie problemu, jeśli silnik utrzymuje wyjście w czasie rzeczywistym i stabilne opóźnienia, ale nasycenie bez zapasu sprawia, że system staje się podatny na jeden trudniejszy plik. Określ punkt, w którym prędkość transkodowania lub stabilność odtwarzania zaczyna się pogarszać.
Metoda USE zapewnia klarowny język do opisywania wykorzystania, nasycenia i błędów, zamiast odwoływania się do magicznej bezpiecznej wartości procentowej.
Zwiększaj liczbę jednoczesnych sesji aż do wystąpienia pierwszej powtarzalnej awarii, a następnie ustaw limit pracy poniżej tego punktu, pozostawiając wystarczający zapas na normalne wahania. Powtórz test po zmianie sterownika, klienta lub większej biblioteki.
Centrum Technologii i Sztucznej Inteligencji
Więcej do przeczytania

Czym jest dryf osadzeń i kiedy prywatny indeks wyszukiwania wymaga przebudowy?
Odkoduj dryf modelu, przetwarzania wstępnego, korpusu i zapytań; odróżnij monitorowanie od niezgodności oraz zdecyduj, kiedy prywatny indeks wymaga przebudowy.

Czym jest zgodność tokenizera i dlaczego może zakłócić przełączanie modeli?
Odkryj tożsamość słownictwa, znaczenie tokenów specjalnych, szablony czatu, buforowane tokeny, adaptery i kontrole zgodności przy lokalnym przełączaniu modeli.

Czym jest rezydencja modelu i kiedy lokalna usługa AI powinna przechowywać wagi w pamięci?
Poznaj rezydencję wag, poziomy pamięci podręcznej, zimne uruchomienia, eksmisję, multipleksowanie, presję pamięci oraz dowiedz się, kiedy domowa usługa AI powinna pozostać aktywna.

