ffmpeg Nvidia硬件加速总结

最新推荐文章于 2024-10-05 21:52:29 发布
最新推荐文章于 2024-10-05 21:52:29 发布
阅读量1.5w 收藏 39
点赞数 8
分类专栏： 图像和流媒体

2017年5月25日

0. 概述

FFmpeg可通过Nvidia的GPU进行加速，其中高层接口是通过Video Codec SDK来实现GPU资源的调用。Video Codec SDK包含完整的的高性能工具、源码及文档，支持，可以运行在Windows和Linux系统之上。从软件上来说，SDK包含两类硬件加速接口，用于编码加速的NVENCODE API和用于解码加速的NVDECODE API(之前被称为NVCUVID API)。从硬件上来说，Nvidia GPU有一到多个编解码器(解码器又称硬件加速引擎)，它们独立于CUDA核。从视频格式上来说，编码支持H.264、H.265、无损压缩，位深度支持8bit、10bit，色域空间支持YUV 4:4:4和4:2:0，分辨率支持最高8K；解码支持MPEG-2、VC1、VP8、VP9、H.264、H.265、无损压缩，位深度支持8 bit、10bit、12bit，色域空间支持YUV 4:2:0，分辨率支持最高8K。Video Codec SDK已经被集成在ffmpeg工程中，但是ffmpeg对编解码器配置参数较少，如果需要充分的发挥编解码器特性，还需要直接使用SDK进行编程。 
这里写图片描述
Nvidia编码器与CPU上的x264的性能对比与质量对比如下图所示，性能以每秒钟编码帧数为参考指标，质量以PSNR为参考指标。 
这里写图片描述
可看出性能方面Nvidia编码器是x264的2~5倍，质量方面对于fast stream场景来说Nvidia编码器优于x264，高质量场景来说低于x264，但没有说明是哪款Nvidia的产品，以及对比测试的x264运行平台的CPU的型号及平台能力。下图可以看出对于1080P@30fps，NVENC可支持21路的编码或9路的高质量编码。 
这里写图片描述
不同型号的GPU的编码的能力表格如下： 
这里写图片描述
Nvidia解码器性能指标如下图所示，不过只有两款Tesla的产品。 
这里写图片描述
解码的能力表格如下： 
这里写图片描述

1. 安装驱动与SDK

1.1 前期准备

需要关闭所有开源的显示驱动 
vi /etc/modprobe.d/blacklist.conf 
添加 
blacklist amd76x_edac 
blacklist vga16fb 
blacklist nouveau 
blacklist nvidiafb 
blacklist rivatv

1.2 驱动安装

(1). 删除原来的驱动 
apt-get remove –purge nvidia* 
(2). 官方下载run文件的驱动进行安装 
service lightdm stop 
chmod 777 NVIDIA-Linux-x86_64-367.44.run 
./NVIDIA-Linux-x86_64-367.44.run 
service lightdm start 
reboot 
(2). 驱动安装验证 
运行nvidia-smi，有如下输出则安装成功 
这里写图片描述
问题1：如果重启之后发现图形界面进不去，发生了循环登录，说明视频驱动没有安装完全，需要重装驱动，保险的方法是联网安装 
console中执行 
apt-get remove –purge nvidia-* 
add-apt-repository ppa:graphics-drivers/ppa 
apt-get update 
service lightdm stop 
apt-get install nvidia-375 nvidia-settings nvidia-prime 
nvidia-xconfig 
apt-get install mesa-common-dev //安装缺少的库 
apt-get install freeglut3-dev 
update-initramfs -u 
reboot

1.3 SDK安装

(1). 官方下载run文件的驱动进行安装 
cuda_8.0.44_linux.run –no-opengl-libs //不需要opengl支持 
apt-get install freeglut3-dev build-essential libx11-dev 
apt-get install libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa 
apt-get install libglu1-mesa-dev 
gedit ~/.bashrc 
添加 
export PATH=/usr/local/cuda/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

gedit /etc/ld.so.conf.d/cuda.conf 
添加 
/usr/local/cuda/lib64 
/lib 
/lib32 
/lib64 
/usr/lib 
/user/lib32 
sudo ldconfig 
(2). SDK安装验证 
运行nvcc -V，有如下输出则安装成功。 
这里写图片描述

2. Sample测试

2.1 Sample编译

进入Samples目录，运行make，如果没有安装OpenGL相关库，则NvDecodeGL会编译不通过 
每个工程的含义可参考《NVIDIA_Video_Codec_SDK_Samples_Guide》 
NvEncoder: 基本功能的编码 
NvEncoderCudaInterpo: CUDA surface的编码 
NvEncoderD3D9Interpo: D3D9 surface的编码，Linux下没有 
NvEncoderLowLatency: 低延时特征的使用，如帧内刷新与参考图像有效性(RPI) 
NvEncoderPerf: 最大性能的编码 
NvTranscoder: NVENC的转码能力 
NvDecodeD3D9: 视频解码D3D9显示，Linux下没有 
NvDecodeD3D11: 视频解码D3D11显示，Linux下没有 
NvDecodeGL: 视频解码OpenGL显示

2.2 Sample测试

参见《NVIDIA_Video_Codec_SDK_Samples_Guide》 
问题2：如果运行例子后显示libcuda.so failed! 
在/usr/lib/x86_64-linux-gnu下制作链接libcuda.so，链接至libcuda.so.375.26

3. ffmpeg结合

3.1 ffmpeg编译

3.1.1 前期工作

确保Video_Codec_SDK_7.1.9/Samples/common/inc 目录下有基本的头文件 
确保Video_Codec_SDK_7.1.9/Samples/common/lib/linux/x86_64 目录下有libGLEW.a

3.1.2 configure命令

configure \
  --enable-version3 \
  --enable-libfdk-aac \
  --enable-libmp3lame \
  --enable-libx264 \
  --enable-nvenc \
  --extra-cflags=-I/root/workspace/Video_Codec_SDK_7.1.9/Samples/common/inc \
  --extra-ldflags=-L/root/workspace/Video_Codec_SDK_7.1.9/Samples/common/lib/linux/x86_64 \
  --enable-shared \
  --enable-gpl \
  --enable-postproc \
  --enable-nonfree \
  --enable-avfilter \
  --enable-pthreads
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

3.1.2 make

运行make & make install

3.2 ffmpeg测试

运行ffmpeg -codecs|grep nvenc 
显示一下信息说明

ffmpeg version 3.0.git Copyright (c) 2000-2016 the FFmpeg developers
  built with gcc 5.4.0 (Ubuntu 5.4.0-6ubuntu1~16.04.1) 20160609
  configuration: --enable-version3 --enable-libfdk-aac --enable-libmp3lame --enable-libx264 --enable-nvenc --extra-cflags=-I/workspace/Video_Codec_SDK_7.1.9/Samples/common/inc --extra-ldflags=-L/workspace/Video_Codec_SDK_7.1.9/Samples/common/lib/linux/x86_64 --enable-shared --enable-gpl --enable-postproc --enable-nonfree --enable-avfilter --enable-pthreads
  libavutil      55. 29.100 / 55. 29.100
  libavcodec     57. 54.100 / 57. 54.100
  libavformat    57. 48.100 / 57. 48.100
  libavdevice    57.  0.102 / 57.  0.102
  libavfilter     6. 57.100 /  6. 57.100
  libswscale      4.  1.100 /  4.  1.100
  libswresample   2.  1.100 /  2.  1.100
  libpostproc    54.  0.100 / 54.  0.100
 DEV.LS h264                 H.264 / AVC / MPEG-4 AVC / MPEG-4 part 10 (encoders: libx264 libx264rgb h264_nvenc nvenc nvenc_h264 )
 DEV.L. hevc                 H.265 / HEVC (High Efficiency Video Coding) (encoders: nvenc_hevc hevc_nvenc )
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13

其中前缀含义如下： 
前缀含义 
D….. = Decoding supported 
.E…. = Encoding supported 
..V… = Video codec 
..A… = Audio codec 
..S… = Subtitle codec 
…I.. = Intra frame-only codec 
….L. = Lossy compression 
…..S = Lossless compression

3.3 编解码器使用方法

h265编码测试 
(1). ffmpeg -s 1920x1080 -pix_fmt yuv420p -i BQTerrace_1920x1080_60.yuv -vcodec hevc_nvenc -r 60 -y 2_60.265 
(2). ffmpeg -s 1920x1080 -pix_fmt yuv420p -i BQTerrace_1920x1080_60.yuv -vcodec hevc_nvenc -r 30 -y 2_30.265

h264编码测试 
(3). ffmpeg -s 1920x1080 -pix_fmt yuv420p -i BQTerrace_1920x1080_60.yuv -vcodec h264_nvenc -r 60 -y 2_60.264 
(4). ffmpeg -s 1920x1080 -pix_fmt yuv420p -i BQTerrace_1920x1080_60.yuv -vcodec h264_nvenc -r 30 -y 2_30.264

h264转h265 
(5). ffmpeg -i 1_60.264 -vcodec hevc_nvenc -r 60 -y 2_60_264to265.265 
(6). ffmpeg -i 1_30.264 -vcodec hevc_nvenc -r 30 -y 2_30_264to265.265

h265转h264 
(7). ffmpeg -i 1_60.265 -vcodec h264_nvenc -r 60 -y 2_60_265to264.264 
(8). ffmpeg -i 1_30.265 -vcodec h264_nvenc -r 30 -y 2_30_265to264.264

3.4 程序开发使用方法

av_find_encoder_by_name(“h264_nvenc”); 
av_find_encoder_by_name(“hevc_nvenc”);

4. 辅助工具

watch -n 1 nvidia-smi 
以1秒钟为间隔来查看GPU资源占用情况

5. 实测结果

5.1 硬件性能

本人用Geforce GTX1070与Tesla P4进行了测试，两者都是Pascal架构。 
(1). GTX1070的硬件信息如下(deviceQuery显示)：

CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "GeForce GTX 1070"
  CUDA Driver Version / Runtime Version          8.0 / 8.0
  CUDA Capability Major/Minor version number:    6.1
  Total amount of global memory:                 8110 MBytes (8504279040 bytes)
  (15) Multiprocessors, (128) CUDA Cores/MP:     1920 CUDA Cores
  GPU Max Clock rate:                            1683 MHz (1.68 GHz)
  Memory Clock rate:                             4004 Mhz
  Memory Bus Width:                              256-bit
  L2 Cache Size:                                 2097152 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
  Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 2 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 5 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 8.0, CUDA Runtime Version = 8.0, NumDevs = 1, Device0 = GeForce GTX 1070
Result = PASS
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36

(2). P4的硬件信息如下：

 CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "Tesla P4"
  CUDA Driver Version / Runtime Version          8.0 / 8.0
  CUDA Capability Major/Minor version number:    6.1
  Total amount of global memory:                 7606 MBytes (7975862272 bytes)
  (20) Multiprocessors, (128) CUDA Cores/MP:     2560 CUDA Cores
  GPU Max Clock rate:                            1114 MHz (1.11 GHz)
  Memory Clock rate:                             3003 Mhz
  Memory Bus Width:                              256-bit
  L2 Cache Size:                                 2097152 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
  Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 2 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Enabled
  Device supports Unified Addressing (UVA):      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 5 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 8.0, CUDA Runtime Version = 8.0, NumDevs = 1, Device0 = Tesla P4
Result = PASS
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36

5.2 实验结果

(1). GTX1070 
| | hevc编码 | h264编码 | h264转h265 | h265转h264 | 
| 60fps | 387fps(6.45x) | 430fps(7.17x) | 348fps(5.79x) | 170fps(2.84x) | 
| 30fps | 345fps(11.5x) | 429fps(14.3x) | 318fps(10.6x) | 94fps(3.13x) | 
(2). P4

| | hevc编码 | h264编码 | h264转h265 | h265转h264 | 
| 60fps | 235fps(3.91x) | 334fps(5.57x) | 217fps(3.63x) | 171fps(2.85x) | 
| 30fps | 212fps(7.07x) | 322fps(10.7x) | 198fps(6.59x) | 94fps(3.14x) |

5.3 实验分析

虽然在硬件性能上，P4比GTX1070显存略少，主频略低，CUDA的数量多出了33%，但从实验结果上看除了h265->h264结果持平外，P4表现都要逊色于GTX1070，这和官网所言“编解码器独立于CUDA核”相一致。

6. 源码分析

集成在ffmpeg框架内的视频编解码器需要定义一个AVCodec结构体包含（私有结构体AVClass、三个函数等）

6.1 h264部分

(1). 结构体(nvenc_h264.c)

AVCodec ff_h264_nvenc_encoder = {
    .name           = "h264_nvenc",
    .long_name      = NULL_IF_CONFIG_SMALL("NVIDIA NVENC H.264 encoder"),
    .type           = AVMEDIA_TYPE_VIDEO,
    .id             = AV_CODEC_ID_H264,
    .init           = ff_nvenc_encode_init, //初始化函数
    .encode2        = ff_nvenc_encode_frame, //编码函数
    .close          = ff_nvenc_encode_close, //关闭函数
    .priv_data_size = sizeof(NvencContext),  //内部数据结构，见nvenc.h
    .priv_class     = &h264_nvenc_class,     //私有结构体
    .defaults       = defaults,
    .capabilities   = AV_CODEC_CAP_DELAY,
    .caps_internal  = FF_CODEC_CAP_INIT_CLEANUP,
    .pix_fmts       = ff_nvenc_pix_fmts,
};

static const AVClass h264_nvenc_class = {
    .class_name = "h264_nvenc",
    .item_name = av_default_item_name,
    .option = options, //编码器选项参数在这个AVOption结构体中
    .version = LIBAVUTIL_VERSION_INT,
};
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

注意还有两个AVCodec，一个名字叫nvenc、一个叫nvenc_h264，对应三大函数与h264_nvenc是一样的 
(2). 处理函数(nvenc.c)

av_cold int ff_nvenc_encode_init(AVCodecContext *avctx)
{
   NvencContext *ctx = avctx->priv_data; //读入私有结构体
   ...
   //下面是一些nvenc的api
   nvenc_load_libraries
   nvenc_setup_device
   nvenc_setup_encoder
   nvenc_setup_surfaces
   nvenc_setup_extradata
   ...
}
int ff_nvenc_encode_frame(AVCodecContext *avctx, AVPacket *pkt,
                          const AVFrame *frame, int *got_packet)
{
    ...
    if (frame) {
        inSurf = get_free_frame(ctx); //来一帧
        ...
        res = nvenc_upload_frame(avctx, frame, inSurf);//编一帧
        ...
    }
}
av_cold int ff_nvenc_encode_close(AVCodecContext *avctx)
{
   ...
   //一些free和destroy的工作
}
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28

6.2 h265部分

(1). 结构体(nvenc_hevc.c)

AVCodec ff_hevc_nvenc_encoder = {
    .name           = "hevc_nvenc",
    .long_name      = NULL_IF_CONFIG_SMALL("NVIDIA NVENC hevc encoder"),
    .type           = AVMEDIA_TYPE_VIDEO,
    .id             = AV_CODEC_ID_HEVC,
    .init           = ff_nvenc_encode_init, //初始化函数
    .encode2        = ff_nvenc_encode_frame, //编码函数
    .close          = ff_nvenc_encode_close, //关闭函数
    .priv_data_size = sizeof(NvencContext),  //内部数据结构，见nvenc.h
    .priv_class     = &hevc_nvenc_class, //私有结构体
    .defaults       = defaults,
    .pix_fmts       = ff_nvenc_pix_fmts,
    .capabilities   = AV_CODEC_CAP_DELAY,
    .caps_internal  = FF_CODEC_CAP_INIT_CLEANUP,
};

static const AVClass hevc_nvenc_class = {
    .class_name = "hevc_nvenc",
    .item_name = av_default_item_name,
    .option = options,//编码器选项参数在这个AVOption结构体中
    .version = LIBAVUTIL_VERSION_INT,
};
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

注意还有一个AVCodec，一个叫nvenc_hevc，对应三大函数与h264_nvenc是一样的 
(2) 处理函数(nvenc.c) 
同h264的处理函数

FFmpeg 硬件编码加速文档介绍
想都是问题，做才有答案～～
06-30 400
FFmpeg 硬件编码加速文档介绍
FFmpeg —— 查看NVIDIA显卡对硬件加速的支持、算力、下载各版本cuda工具
wx微信公众号“码农总动员”，获取更多编程知识
04-24 3041
起因      起初了解学习掌握ffmpeg的编解码，以为只是学会了相关API的使用就可以了，但现实却不是这样的。视频、音频、字幕等都是需要仔细的学习了解，更是对一个行业的涉足。      在对ffmpeg熟悉后，了解到硬件加速对解码或编码的影响，业内人士对编码方式划分出了"软解码"、“硬解码”、“软编码”、"硬编码"。那么"软"操作是指使用在cpu的基础上；而"硬"操作是指在gpu也就是显卡上的基础上进行的计算。      "软"编解码是使用cpu来运算，所以兼容性非常好，但这样一来会占用大量的cpu操作
ffmpeg使用NVIDIA显卡CUDA硬件加速转码命令行
weixin_43857176的博客
12-07 2638
ffmpeg调用CUDA硬件加速转码的代码。对于画质要求不那么高的情况下，使用显卡加速可以大大提升转码效率。在低码率（小于10MB/s）的视频里，还是用CPU编码（x264）画质更好。 h265 (HEVC)编码： 如果提示“No decoder surfaces left”，需要加上 -extra
使用GPU硬件加速FFmpeg视频转码
daxiangqqcom的专栏
11-13 7577
本文内容包括： 在Linux环境下安装FFmpeg 通过命令行实现视频格式识别和转码 有Nvidia显卡的情况下，在Linux下使用GPU进行视频转码加速的方法 FFmpeg编译安装 在FFmpeg官网https://ffmpeg.org/download.html可以下载到ubunto/debian的发行包，其他Linux发行版需自行编译。同时，如果要使用GPU进行硬件加速的话，也是必须...
LVM——让Linux磁盘空间的弹性管理
最新发布
Java_fenxiang的博客
10-05 894
什么是LVM？LVM(Logical Volume Manager)逻辑卷管理是在Linux2.4内核以上实现的磁盘管理技术。它是Linux环境下对磁盘分区进行管理的一种机制。现在不仅仅是Linux系统上可以使用LVM这种磁盘管理机制，对于其它的类UNIX操作系统，以及windows操作系统都有类似与LVM这种磁盘管理软...
[FFmpeg] nvidia 加速 ffmpeg
weixin_43742643的博客
04-08 1136
ffmpeg 是可以使用 nvidia 加速的。但这个仅对 ffmpeg 编解码视频有用。只有当你使用 ffmpeg 编解码大量高清长视频时才有用。 参考文档 https://trac.ffmpeg.org/wiki/HWAccelIntro https://docs.nvidia.com/video-technologies/video-codec-sdk/ffmpeg-with-nvidia-gpu/ 文章目录安装 nvidia-460 + cuda-11.0安装 ffnvcodec 头文件编译
【ffmpeg入门】安装CUDA并使用gpu加速
m0_62599305的博客
07-18 3701
在处理视频的过程中，FFmpeg 是一个非常强大和广泛使用的开源工具。然而，视频处理通常需要大量的计算资源，特别是在进行高分辨率视频的编码和解码时。为了提高处理效率，我们可以利用 GPU 的强大并行计算能力。NVIDIA 的 CUDA 平台提供了一个利用 GPU 加速计算的框架，结合 FFmpeg，我们可以大幅提升视频处理的速度。本篇文章将简要介绍如何在 FFmpeg 中安装并启用 CUDA，以实现 GPU 加速。
ubuntu20.04编译FFMpeg支持nvidia硬件加速
m0_38101947的博客
08-25 3508
ffmpeg nvidia
ffmpeg硬件加速解码.7z
08-14
标题"ffmpeg硬件加速解码.7z"表明这个压缩包包含了关于FFmpeg如何利用硬件加速进行解码的相关资料和可能的配置示例。"更新使用说明"提示我们，这可能是一个更新过的指南，可能包含了一些新的特性和最佳实践。 ...
ffmpeg_cuda_4.1.rar
03-15
1. 支持 G711A 2. 支持 H264 3. 支持 CUDA
ffmpeg利用NVIDIA硬件加速编译
submarineas的博客
06-30 3735
引言 前面有水另外两篇不同的ffmpeg编译的博文，主要是针对不同的命令与相关的调用形式，如果只是在shell命令下直推视频，普通编译加搭建srs3就好了，而如果是需要配合python或者其它编程语言，这时候还要加上libx264、yasm等进行兼容，提高效率，前面两篇链接如下： ffmpeg源码带libx264安装并用ffplay推流测试 ffmpeg与srs3编译以及常用命令测试总结 NVIDIA驱动检查 这里需要检查的东西是cuda和cudnn是否已经安装成功并适配显卡驱动，具体的安装我在之前的文章有
【视频开发】【CUDA开发】FFMPEG硬件加速-nvidia方案
ZhangPY的专栏
06-15 4472
1.目标 显卡性能参数； 方案可行性； 2.平台信息 2.1.查看当前显卡信息 命令：  lspci |grep VGA  信息：  01:00.0 VGA compatible controller: NVIDIA Corporation GK106 [GeForce GTX 645 OEM] (rev a1) 解析：  GK106，是一个由英伟达公司制造的适
FFMPEG NVIDIA硬件加速总结
相见不如怀念
10-20 4550
目录 1.NVDIA概述 2.FFmpeg集成到GPU 3.FFmpeg uses Video Codec SDK 4.ffmpeg对NVIDIA GPU的编译步骤 4.1configure命令 4.2 make 4.3 ffmpeg测试 4.4 编解码器使用方法 4.5 程序开发使用方法 5.源码分析 5.1 h264部分 5.2h265部分 1.NVDIA概述 FFmpeg可通过Nvidia的GPU进行加速，其中高层接口是通过Video Codec SDK来实现GPU资源的.
ffmpeg中的帧级并行解码
RonnieLiGe的专栏
07-31 2858
待续
编译FFmpeg（支持CUDA加速，支持h264）
彪哥的专栏
01-10 882
注意：--enable-shared选项是必需的，否则安装之后仍无法识别x264。1、如果需要支持h264，需先安装x264。如果需要支持CUDA，还需加上。本次安装使用的是4.4版本。2、安装nvcodec。可以看到各组件的版本号。（2）进入源码根目录。3、安装FFmpeg。
支持nvidia显卡硬件加速的ffmpeg库编译
wjsiou123的博客
09-17 571
【代码】支持nvidia显卡硬件加速的ffmpeg库编译。
Ubuntu上安装ffmpeg-cuda加速
TracelessLe的专栏
08-24 3007
前言 FFmpeg 是一个开放源代码的自由软件，可以运行音频和视频多种格式的录影、转换、流功能，包含了libavcodec——这是一个用于多个项目中音频和视频的解码器库，以及libavformat——一个音频与视频格式转换库。“FFmpeg”这个单词中的“FF”指的是“Fast Forward（快速前进）”。 FFmpeg基础组件： （1）命令行应用程序 ffmpeg：用于对视频或音频进行处理 ffplay：一个简单的播放器，基于SDL与FFmpeg库 ffprobe：用于显示媒体文件的信息 （2）函
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值