Установка ffmpeg с поддержкой CUDA в Docker: подробное руководство

Сборка ffmpeg с аппаратным ускорением NVIDIA в Docker кажется простой задачей, пока не столкнёшься с коварными ошибками вроде CUDA_ERROR_NO_DEVICE. Я сам потратил не один час, пытаясь понять, почему nvidia-smi показывает карты, а ffmpeg их «не видит». Давайте разберёмся, как правильно настроить окружение, чтобы избежать подводных камней.

Основная проблема обычно кроется в неполной конфигурации переменных окружения и недостаточных правах доступа к функциям GPU. Даже при корректно установленных драйверах контейнеру могут быть недоступны специфические возможности, необходимые для работы с видео кодеков через CUDA.

Полная настройка Dockerfile

Начнём с базового образа. В вашем случае, возможно, используется nvidia/cuda:12.2.0-devel-ubuntu22.04 – это хороший выбор, но есть нюанс:

Образы с суффиксом -devel содержат полный набор инструментов для компиляции, что увеличивает размер финального образа. Для продакшена можно позже создать многоэтапную сборку.

В разделе установки зависимостей обратите внимание на дублирование некоторых пакетов (libtool, unzip, wget). Это не критично, но лучше привести список в порядок:

RUN apt-get update -qq && apt-get -y install 
    build-essential 
    cmake 
    git 
    libass-dev 
    libfreetype6-dev 
    libharfbuzz-dev 
    ... # остальные пакеты без повторений

Ключевой момент

– установка nv-codec-headers. Эти заголовки необходимы для взаимодействия с аппаратными декодерами NVIDIA, и их отсутствие – частая причина ошибок декодирования:

RUN git clone https://git.videolan.org/git/ffmpeg/nv-codec-headers.git && 
    cd nv-codec-headers && 
    make install

Сборка FFmpeg: тонкости конфигурации

В вашем configure-скрипте есть все необходимые флаги, но стоит проверить пути к CUDA:

./configure 
    --enable-nonfree 
    --enable-cuda-nvcc 
    --enable-libnpp 
    --extra-cflags=-I/usr/local/cuda/include 
    --extra-ldflags=-L/usr/local/cuda/lib64 
    ... # остальные параметры

После сборки обязательно выполните hash -r – это сбросит кэш путей к исполняемым файлам, что особенно важно при работе с пользовательскими сборками.

Решение ошибки CUDA_ERROR_NO_DEVICE

Даже при правильной настройке Dockerfile можно столкнуться с сообщением «no CUDA-capable device is detected». Вот что действительно важно добавить:

ENV NVIDIA_VISIBLE_DEVICES=all
ENV NVIDIA_DRIVER_CAPABILITIES=compute,utility,video

Почему это работает:

1. NVIDIA_VISIBLE_DEVICES – определяет, какие GPU устройства доступны в контейнере
2. NVIDIA_DRIVER_CAPABILITIES – активирует:
– compute (вычисления CUDA)
– utility (утилиты управления)
– video (аппаратное ускорение видео)

Без этих переменных контейнер получает доступ только к базовым функциям, что и вызывает ошибку при обращении к видеодекодерам.

Проверка работоспособности

После сборки образа выполните:

docker run --gpus all -it ваш-образ ffmpeg -hwaccels

В выводе должны присутствовать:

Hardware acceleration methods:
cuda
vulkan
…

Для теста кодирования попробуйте:

ffmpeg -hwaccel cuda -i input.mp4 -c:v h264_nvenc output.mp4

Возможные проблемы:

• Несовместимость версий CUDA и драйверов – проверьте матрицу совместимости NVIDIA
• Отсутствие библиотек в LD_LIBRARY_PATH – добавьте /usr/local/cuda/lib64
• Ошибки прав доступа – запускайте контейнер с флагом –privileged

Совет: Для продакшена используйте официальные образы ffmpeg с CUDA от jrottenberg – они уже содержат оптимальные настройки.

Теперь вы сможете не только исправить текущую ошибку, но и понимать логику работы CUDA в Docker-окружении. Помните, что настройка GPU-ускорения – всегда баланс между совместимостью версий, правами доступа и правильной конфигурацией переменных среды.