Ja, arbetsbelastningar med koppling till Home Assistant kan ibland dela en GPU med en annan container, men svaret beror på acceleratorvägen och virtualiseringsgränsen.
Home Assistant Core behöver normalt ingen GPU; acceleratorn används oftast för Frigate, lokal bildbehandling eller AI, mediebearbetning eller någon annan tillhörande tjänst. I Linux kan flera containrar ofta få åtkomst till samma renderingsenhet, så att drivrutinen kan schemalägga arbetet. En VM som får en hel PCIe-enhet genom genomströmning använder en annan modell, och då kan enheten bli otillgänglig för värden och andra gäster. Ta reda på vilken komponent som faktiskt använder den innan du ändrar behörigheter.
Ta först reda på vilken Home Assistant-arbetsbelastning som faktiskt behöver acceleratorn
Vidarebefordra inte en GPU till Home Assistant Core-containern bara för att värden har en. Ta reda på vilken process som ska använda den: videodekodning i Frigate, objektigenkänning med OpenVINO, en lokal språk- eller visionstjänst, talbehandling eller någon annan container som Home Assistant anropar. Enhetsavbildningen ska höra till den containerns arbetsbelastning och säkerhetsgräns.
Frigate-installationer visar tydligt modellen med enhetsvägar: hårdvaruacceleration kräver att en specifik renderingsenhet är synlig genom hela containerstacken. En aktuell guide till genomströmning av Frigate iGPU visar varför enhetens synlighet, gruppbehörigheter och virtualiseringslager måste verifieras i stället för att antas utifrån att värden har en GPU.
Om Home Assistant bara samordnar den accelererade tjänsten via ett API eller MQTT behöver Core inte direkt åtkomst till enheten. Om GPU-avbildningen begränsas till den container som använder den minskar det behörigheterna och gör det enklare att isolera fel.
Delade Linux-renderingsenheter och genomströmning av en hel GPU till en VM är olika modeller
Med Linux-containrar kan avbildning av en renderingsnod, till exempel /dev/dri/renderD128, till fler än en container göra det möjligt för båda programmen att skicka arbete via värddrivrutinen. De delar schemaläggare och minnesresurser; de får inte varsin fysisk GPU. Om ett visst arbetsflöde har stöd för detta på ett säkert sätt beror fortfarande på drivrutinens och programmets beteende.
En guide till GPU-genomströmning för LXC tydliggör containergränsen: värden behåller den riktiga GPU-drivrutinen medan en container får utvalda enhetsnoder, till exempel /dev/dri/renderD128. Den här modellen med delad renderingsenhet gör att flera containrar kan komma åt samma acceleratorväg, men de konkurrerar fortfarande om GPU-motorer, minnesbandbredd och leverantörsspecifika begränsningar.
Genomkoppling av hela PCIe-enheten till en virtuell maskin är något annat. En aktuell Proxmox-guide för VFIO beskriver överlämningen som exklusivt GPU-ägande för en virtuell maskin, vilket tar bort den vanliga delningsvägen via värdens drivrutin för det kortet. SR-IOV, förmedlade enheter, vGPU eller liknande funktioner kan ge en annan delningsmodell på maskinvara som stöds, men de är separata funktioner och ska inte förutsättas ingå i vanlig genomkoppling.
Verifiera synlighet och behörigheter i båda containrarna innan du testar prestandan
Starta varje acceleratoranvändare separat och granska enhetsnoden, användar-/gruppbehörigheter, drivrutinsbibliotek och programmets maskinvarurapport inifrån containern. En privilegierad container ersätter inte förståelsen för vilken renderingsenhet och vilka grupper som krävs. Ge endast den minsta åtkomst till enheten som krävs för att den avsedda arbetsbelastningen ska fungera.
Samma arbetsflöde för LXC-enhetsmappning verifierar renderingsnoden inifrån containern och rekommenderar att du testar som tjänstens faktiska användarkonto i stället för att enbart lita på att enheten är synlig på värden. Använd metoden för att bekräfta åtkomst till acceleratorn från containern innan du jämför prestanda; att enheten visas på värden bevisar inte att programmet kan öppna den.
Gå vidare från synlighetstestet först när båda containrarna var för sig har visat att de använder maskinvaran. Om någon i tysthet faller tillbaka till CPU:n ska du åtgärda mappningen eller drivrutinskonfigurationen innan du testar samtidig körning. Annars kan CPU-reservläget ge intrycket att GPU-delningen fungerar, trots att värden i själva verket hanterar en av arbetsbelastningarna i programvara.
Kör tester en i taget och tillsammans för att hitta gränsen för delning
Mät först varje arbetsbelastning separat: bildbehandlingstid, kodnings-/avkodningshastighet, acceleratorutnyttjande, minnesanvändning, temperatur, strömförbrukning och programfördröjning. Kör sedan båda samtidigt vid normal topplast. Den delade konfigurationen är godtagbar endast om den kritiska Home Assistant-relaterade arbetsbelastningen klarar sin tidsgräns och inget av programmen börjar ge fel eller falla tillbaka till reservlösningar.
ZimaSpaces befintliga test för att dela en GPU mellan containrar ger samma praktiska regel: synlighet för enheten är bara första steget; stabilitet vid samtidig körning och konkurrens om resurser avgör om delning faktiskt är användbar.
Behåll en gemensam accelerator om båda användarna håller sig inom gränserna för svarstid och minne vid verklig samtidig belastning. Separera dem om det ena jobbet orsakar tappade bildrutor, fördröjningar i inferensen, drivrutinsåterställningar, minnesbrist, termisk strypning eller oförutsägbara reservlösningar. Om hela GPU:n har tilldelats direkt till en virtuell maskin bör du göra om virtualiseringslagret eller lägga till ytterligare en accelerator i stället för att försöka tilldela den fysiska enhet som redan används till en andra container.
Support och tips
Mer att läsa

Så döljer du vuxenvideor på din NAS för familjemedlemmar
Håll vuxenvideor privata på en familje-NAS. Kontrollera mappbehörigheter, åtkomst till bibliotek i Plex och Jellyfin, miniatyrbilder, visningshistorik, delade TV-inloggningar och DLNA.

Vad du bör kontrollera innan du laddar en communitymodell i Transformers
Använd uppdateringen av Transformers Jinja-sandlådan för att granska modellernas ursprung, chattmallar, fjärrkod, serialiserade vikter och isolerade första körningar.

Kör Mirage lokalt: OCR och objektigenkänning från en enda bild
Testa Cactus Computes lilla lokala visionsmodell, validera OCR och objektextrahering med verkliga indata och förstå begränsningarna för minne, språk och integritet.



