Hur mycket iGPU-kapacitet kräver Jellyfin för flera användare?
Jellyfin behöver tillräckligt med iGPU-kapacitet för att klara den mest krävande normala blandningen av samtidiga hårdvarutranskodade sessioner utan att skapa en kö.
Det finns inget universellt antal användare per iGPU, eftersom avkodning av codec, utdataupplösning, HDR-tonmappning, inbränning av undertexter, bildfrekvens och minnesbandbredd alla påverkar belastningen. Användare med Direct Play förbrukar nästan ingen transkodningskapacitet, medan en enda svår konvertering kan kosta mer än flera enkla. Skapa en arbetslastblandning innan du väljer en procentsats eller ett antal strömmar.
Räkna transkodningsklasser i stället för användare
Ett hushåll med sex användare kan kräva mindre grafikarbete än två fjärranvändare om de flesta klienterna använder Direct Play. Kapacitetsplaneringen bör räkna de uppspelningslägen och filter som faktiskt belastar mediemotorn.
Olika Jellyfin-konverteringsvägar kan ge mycket olika genomströmning på samma system.
Klassificera förväntade sessioner som Direct Play, enkel hårdvarutranskodning, transkodning med tonmappning och inbränning av undertexter. Dimensionera efter den viktade blandningen i stället för antalet konton.
Tonmappning och inbränning förbrukar extra marginal
Mediemotorn kan utföra mer än kodning och avkodning. HDR-konvertering och sammansättning av undertexter kan bli de steg som först begränsar antalet samtidiga sessioner.
Beteendet vid inbränning av undertexter förklarar varför ett val av undertext kan tvinga fram fullständig videobearbetning även när den underliggande videocodecen annars är kompatibel.
Ta med minst ett krävande HDR- och undertextscenario i topptestet om hushållet använder det. Annars kan den beräknade marginalen försvinna första gången sådant innehåll spelas upp.
Integrerad grafik delar också systemets minnesbandbredd
En iGPU har inte ett isolerat minnessystem av arbetsstationsklass; den konkurrerar om systemminnet och kan påverkas av kanaluppsättning och andra arbetslaster. Därför är värdförhållandena en del av resultatet.
Samplacerade program kan uppvisa resursstörningar när arbetslaster överlappar, så ett rent transkodningsbenchmark kan överskatta kapaciteten på en belastad hemmaserver.
Upprepa transkodningsmatrisen med normala kompletterande tjänster aktiva. Den hårdvaruaccelererade streamingbaslinjen bör återspegla hur värden faktiskt kommer att köras, inte en tom benchmarkmiljö.
Reservera marginal över den uppmätta felgränsen
Hög belastning är inte automatiskt ett problem om motorn fortsätter att leverera i realtid med stabil latens, men mättnad utan marginal gör systemet känsligt för en enda svårare fil. Definiera den punkt där transkodningshastigheten eller uppspelningsstabiliteten försämras.
USE-metoden erbjuder ett tydligt språk för belastning, mättnad och fel i stället för en magisk säker procentsats.
Öka antalet samtidiga sessioner tills det första upprepningsbara felet uppstår och sätt sedan driftgränsen under den punkten med tillräcklig marginal för normal variation. Testa på nytt efter ändringar av drivrutiner, klienter eller större delar av biblioteket.
Rekommenderade produkter
Teknik- och AI-hubb
Mer att läsa
Hur påverkar nedsampling av tidsserier avvikelsedetektering i smarta hem?
Se hur hinkbredd, aggregering, kantutjämning, saknade data, händelselängd och bevarande i flera skalor påverkar återkallningen av avvikelser i smarta hem.
Hur kombinerar en beläggningskarta svaga signaler från smarta hem?
Lär dig hur rumsliga celler, sensormodeller, log-odds-uppdateringar, avklingning, korrelerade bevis och tröskelvärden omvandlar svaga hemsignaler till uppskattningar av närvaro.
Hur påverkar fotometrisk normalisering klustring av privata ansikten?
Se hur belysningskorrigering förändrar ansiktsbeskärningar, embeddingar, klusteravstånd, tröskelvärden, övernormalisering och utvärdering av privat fotosökning.
