工作小计-GPU硬编以及依赖库 nvcuvid&nvidia-encode

工作小计-GPU编码以及依赖库

已经是第三篇关于编解码的记录了。项目中用到GPU编码很久了，因为yuv太大，所以编码显得很重要。这次遇到的问题是环境的搭建问题。需要把开发机上的环境放到docker中，以保证docker中同样可以进行GPU的编码。

1 定位问题

docker是算法部门提供的，天然带了cuda，gpu驱动等环境。但是代码调用解码器时，未找到对应的硬解码器。
定位问题，先确定是否真的不支持编码器。

查看库是否支持GPU

strings libavcodec.so | grep -i cuda

看到很多cuda输出，最重要的还是这个编译选项，可以看到是开启了对应的cuda，nvenc，cuvid都有的

--prefix=/opt/ffmpeg --enable-shared --enable-ffplay --enable-cuda --enable-cuvid --enable-nvenc --enable-nonfree --enable-libnpp --enable-gpl --extra-cflags='-I/usr/local/cuda/include /usr/local/cuda-11.1/targets/x86_64-linux/include' --extra-ldflags='-L/usr/local/cuda/lib64 -L/usr/local/cuda-11.1/targets/x86_64-linux/lib' --disable-x86asm --extra-cflags=-fPIC --extra-cxxflags=-fPIC --enable-libmfx --enable-nonfree --enable-encoder=h264_qsv --enable-decoder=h264_qsv --enable-encoder=hevc_qsv --enable-decoder=hevc_qsv --prefix=/opt/ffmpeg --libdir=/opt/ffmpeg/lib --extra-cflags=-I/opt/intel/mediasdk/include --extra-ldflags=-L/opt/intel/mediasdk/lib64

查看运行时是否支持硬件解码

手头有现成h265文件，

# 得到yuv文件
ffmpeg -i input.h265 -c:v rawvideo -pix_fmt yuv420p output.yuv
# 得到MP4文件
ffmpeg -i input.h265 -c:v libx264 -crf 23 -c:a aac -strict experimental output.mp4

# 对yuv进行h264/hevc(h265) 硬件编码
ffmpeg -f rawvideo -pix_fmt yuv420p -s 3840x2160 -r 30 -i output.yuv -c:v hevc_nvenc output.mp4
ffmpeg -f rawvideo -pix_fmt yuv420p -s 3840x2160 -r 30 -i output.yuv -c:v h264_nvenc output.mp4

果然硬编码报错了
可见h264和h265的硬编都报错了

[h264_nvenc @ 0x258a880] Cannot load libnvidia-encode.so.1
[hevc_nvenc @ 0x258a880] The minimum required Nvidia driver for nvenc is (unknown) or newer

2 解决问题

直接搜宿主机的环境

i386-linux-gnu 是32位环境的，直接忽略。去对应的文件夹找nvidia对应的库

和docker中的对比下

果然查了很多，因为docker中的是深度学习的环境，和我们的硬件编码库肯定会有偏

拷贝过去，仍然报错。最终定位到cuvid的问题。坑爹的是，ffmpeg缺少硬件编码缺少cuvid的时候，同样会报错缺少 libnvidia-encode.so的问题

可以看到nvenc和cuvid这两个库分别对应硬件的编解码，之前的项目用硬解比较多，而这边则是硬编比较多

libnvcuvid.so 是NVIDIA Video Codec SDK中的一个库文件，它提供了用于解码和处理视频的功能。它允许应用程序使用NVIDIA GPU来加速视频解码，从而提高视频处理性能。
libnvidia-encode.so 是NVIDIA Video Codec SDK中的另一个库文件，它提供了用于编码和处理视频的功能。它允许应用程序使用NVIDIA GPU来加速视频编码，从而提高视频处理性能。

这两个库文件都是NVIDIA提供的用于视频处理的工具，可以在支持NVIDIA GPU的系统上使用。它们为开发人员提供了使用GPU进行视频解码和编码的接口和功能，以实现更高效的视频处理和加速。
至此，问题解决。

3 docker相关

额外记录一些docker相关的理解。
docker想要调用gpu和必定要和宿主机中的gpu进行通信(肤浅的理解可以是各自安装了 nvidia-container-toolkit)，完成一次远程调用/中转调用。这个调用之前是由nvidia-docker完成的。高版本的docker集成了nvidia-docker，所以只要如入–gpu 参数就好。只要在容器中的nvidia-smi正常之后，就基本差不多了，因为是进行了一次交互。但是驱动，指的是调用gpu的指令，*.so这些，还是要在docker中安装的，不然即没有办法和宿主机通讯，也没有办法被上层应用调用。

nvidia-container-cli --version # 查看是否安装了对应的版本

在容器中使用 GPU，通常需要在宿主机和容器中都安装 NVIDIA Container Toolkit。在宿主机中安装 NVIDIA Container Toolkit 用于管理宿主机上的 GPU 资源，而在容器中安装 NVIDIA Container Toolkit 则用于在容器内访问这些 GPU 资源。
宿主机
https://github.com/NVIDIA/k8s-device-plugin#preparing-your-gpu-nodes

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update && sudo apt-get install -y nvidia-docker2

容器

# 基于一个带有 NVIDIA 驱动的基础镜像构建
FROM nvidia/cuda:11.0-base

# 安装 NVIDIA Container Toolkit 相关的软件包
RUN apt-get update && apt-get install -y nvidia-container-toolkit

# 设置 NVIDIA 运行时环境变量
ENV NVIDIA_VISIBLE_DEVICES all
ENV NVIDIA_DRIVER_CAPABILITIES compute,utility

# 验证 NVIDIA GPU 配置是否正确
RUN nvidia-smi

# 运行你的应用程序或服务
CMD ["/your/app/command"]

4 gpu驱动相关

上云之后仍然有问题，这个报错是因为so是向下兼容驱动的，

项目中最终涉及到了本地升级GPU驱动，因为gpu的云端环境的驱动实在太高了。

升级GPU驱动，简单理解。升级的就是cuda*.so和libnvidia*.so，(还有GPU的底软相关的*.ko文件)。直观上看就是nvidia-smi的驱动版本变高了
对应的官网指令，以及做成了指令。
https://developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&Distribution=Ubuntu&target_version=22.04

卸载驱动则可以使用 apt-get purge这种方法。升级完毕后。

sudo updatedb //先更新数据库的缓存再查询
locate libnvidia-encode.so 

也可以看到从86升级到了98

这些库的具体作用如下，跟随着会一起升级的。

libnvidia-encode.so: 与 NVENC 相关，提供硬件加速的视频编码功能。
libnvidia-glcore.so: 与 OpenGL 相关，提供 3D 渲染功能。
libnvidia-eglcore.so: 与 EGL 相关，提供渲染窗口和图像的接口。
libnvidia-glsi.so: 与 OpenGL 的场景图相关。
libnvidia-nvvm.so: 与 NVIDIA 的虚拟机相关，用于 CUDA。
libnvidia-ml.so: 提供对 GPU 硬件状态的查询功能，如温度、电压等。
libnvidia-cfg.so: 提供 GPU 配置相关的功能。
libnvidia-opticalflow.so: 提供光流计算功能，常用于视频分析和计算机视觉。
libnvidia-rtcore.so: 与光线追踪相关。
libnvidia-gtk2/3.so: 提供与 GTK2 和 GTK3 界面工具包的集成。
libnvidia-container.so: 与 NVIDIA Container Toolkit 相关，支持在 Docker 容器中使用 GPU。

另外我们可以知道，只要docker中有了对应的nvso库之后，即使宿主机没有对应的so库，只要有gpu的驱动就可以成功运行程序，因为so是和驱动交互的，而nv-docker就是让容器中的so和宿主机的gpu驱动交互。

libcuda.so和libnvida.so

在 NVIDIA 的软件堆栈中，libcuda.soXXX（也称为 CUDA 驱动 API）和libnvidia-encode.soXXX（NVENC，用于硬件加速视频编码）都是较底层的库。比较它们的“层级”，可以这样描述：

libcuda.soXXX (CUDA 驱动 API): 这是 CUDA 架构的基础。它允许应用程序与 NVIDIA GPU进行直接交互。基于 CUDA 的应用程序和库，如 cuDNN、cuBLAS 等，都依赖于这个库来与 GPU 交互。

libnvidia-encode.soXXX (NVENC): 这是专门用于视频编码的库。它提供了硬件加速的视频编码功能，并直接与NVIDIA GPU 的视频编码硬件进行交互。

二者对比

libcuda 更为“基础”或“底层”，因为它是整个 CUDA 架构的基石。而 libnvidia-encode则是针对特定功能（视频编码）的专门库。

libnvidia-encode.so 是 NVIDIA 的编码（NVENC）库，它提供了硬件加速的视频编码功能。libcuda.so 是CUDA 运行时的主要库，它允许应用程序访问 NVIDIA GPU 的并行计算能力。

虽然这两个库都与 NVIDIA GPU 的功能有关，但它们服务于不同的目的。libnvidia-encode.so 主要用于视频编码，而 libcuda.so 用于并行计算。

但是，从实现的角度来看，libnvidia-encode.so 可能在内部使用到了 libcuda.so 或其他与 GPU驱动相关的库，这样可以更直接地与 GPU 交互。具体到 libnvidia-encode.so 是否直接调用 libcuda.so，这要看NVIDIA 的内部实现，通常这些细节是不公开的。