注意

单击此处下载完整的示例代码

使用 NVENC 加速视频编码¶

本教程介绍如何使用 NVIDIA 的硬件视频编码器（NVENC）替换为 TorchAudio，以及它如何提高视频编码的性能。

注意

本教程需要使用 HW 编译的 FFmpeg 库已启用加速。

请参考启用 GPU 视频解码器/编码器了解如何使用硬件加速构建 FFmpeg。

注意

大多数现代 GPU 同时具有硬件解码器和编码器，但有些 GPU 具有 A100 和 H100 等高端 GPU 没有硬件编码器。请参阅以下内容了解可用性和格式覆盖率。https://developer.nvidia.com/video-encode-and-decode-gpu-support-matrix-new

尝试在这些 GPU 上使用 HW 编码器失败，并显示错误类似的消息。您可以启用调试日志以查看更多沿途发布的详细错误消息。Generic error in an external library

import torch
import torchaudio

print(torch.__version__)
print(torchaudio.__version__)

import io
import time

import matplotlib.pyplot as plt
from IPython.display import Video
from torchaudio.io import StreamReader, StreamWriter

2.4.0
2.4.0

检查先决条件¶

首先，我们检查 TorchAudio 是否正确检测 FFmpeg 库支持硬件解码器/编码器。

from torchaudio.utils import ffmpeg_utils

print("FFmpeg Library versions:")
for k, ver in ffmpeg_utils.get_versions().items():
    print(f"  {k}:\t{'.'.join(str(v) for v in ver)}")

FFmpeg Library versions:
  libavcodec:   60.3.100
  libavdevice:  60.1.100
  libavfilter:  9.3.100
  libavformat:  60.3.100
  libavutil:    58.2.100

print("Available NVENC Encoders:")
for k in ffmpeg_utils.get_video_encoders().keys():
    if "nvenc" in k:
        print(f" - {k}")

Available NVENC Encoders:
 - av1_nvenc
 - h264_nvenc
 - hevc_nvenc

print("Avaialbe GPU:")
print(torch.cuda.get_device_properties(0))

Avaialbe GPU:
_CudaDeviceProperties(name='NVIDIA A10G', major=8, minor=6, total_memory=22502MB, multi_processor_count=80)

我们使用以下 helper 函数生成测试帧数据。合成视频生成的详细信息请参考 StreamReader Advanced 使用方法。

def get_data(height, width, format="yuv444p", frame_rate=30000 / 1001, duration=4):
    src = f"testsrc2=rate={frame_rate}:size={width}x{height}:duration={duration}"
    s = StreamReader(src=src, format="lavfi")
    s.add_basic_video_stream(-1, format=format)
    s.process_all_packets()
    (video,) = s.pop_chunks()
    return video

使用 NVENC 对视频进行编码¶

要使用 HW 视频编码器，您需要在通过提供选项来定义输出视频流。encoderadd_video_stream()

pict_config = {
    "height": 360,
    "width": 640,
    "frame_rate": 30000 / 1001,
    "format": "yuv444p",
}

frame_data = get_data(**pict_config)

w = StreamWriter(io.BytesIO(), format="mp4")
w.add_video_stream(**pict_config, encoder="h264_nvenc", encoder_format="yuv444p")
with w.open():
    w.write_video_chunk(0, frame_data)

与 HW 解码器类似，默认情况下，编码器需要帧 data 添加到 CPU 内存中。要从 CUDA 内存发送数据，您需要指定选项。hw_accel

buffer = io.BytesIO()
w = StreamWriter(buffer, format="mp4")
w.add_video_stream(**pict_config, encoder="h264_nvenc", encoder_format="yuv444p", hw_accel="cuda:0")
with w.open():
    w.write_video_chunk(0, frame_data.to(torch.device("cuda:0")))
buffer.seek(0)
video_cuda = buffer.read()

Video(video_cuda, embed=True, mimetype="video/mp4")

使用 StreamWriter 对 NVENC 进行基准测试¶

现在我们比较软件编码器和硬件的性能编码器。

与 NVDEC 中的基准测试类似，我们处理不同 resolution 的 Resolution，并测量对它们进行编码所需的时间。

我们还测量了结果视频文件的大小。

以下函数对给定的帧进行编码并测量时间它需要编码和结果视频数据的大小。

def test_encode(data, encoder, width, height, hw_accel=None, **config):
    assert data.is_cuda

    buffer = io.BytesIO()
    s = StreamWriter(buffer, format="mp4")
    s.add_video_stream(encoder=encoder, width=width, height=height, hw_accel=hw_accel, **config)
    with s.open():
        t0 = time.monotonic()
        if hw_accel is None:
            data = data.to("cpu")
        s.write_video_chunk(0, data)
        elapsed = time.monotonic() - t0
    size = buffer.tell()
    fps = len(data) / elapsed
    print(f" - Processed {len(data)} frames in {elapsed:.2f} seconds. ({fps:.2f} fps)")
    print(f" - Encoded data size: {size} bytes")
    return elapsed, size

我们针对以下配置进行测试

线程数为 1、4、8 的软件编码器
带和不带选项的硬件编码器。hw_accel

def run_tests(height, width, duration=4):
    # Generate the test data
    print(f"Testing resolution: {width}x{height}")
    pict_config = {
        "height": height,
        "width": width,
        "frame_rate": 30000 / 1001,
        "format": "yuv444p",
    }

    data = get_data(**pict_config, duration=duration)
    data = data.to(torch.device("cuda:0"))

    times = []
    sizes = []

    # Test software encoding
    encoder_config = {
        "encoder": "libx264",
        "encoder_format": "yuv444p",
    }
    for i, num_threads in enumerate([1, 4, 8]):
        print(f"* Software Encoder (num_threads={num_threads})")
        time_, size = test_encode(
            data,
            encoder_option={"threads": str(num_threads)},
            **pict_config,
            **encoder_config,
        )
        times.append(time_)
        if i == 0:
            sizes.append(size)

    # Test hardware encoding
    encoder_config = {
        "encoder": "h264_nvenc",
        "encoder_format": "yuv444p",
        "encoder_option": {"gpu": "0"},
    }
    for i, hw_accel in enumerate([None, "cuda"]):
        print(f"* Hardware Encoder {'(CUDA frames)' if hw_accel else ''}")
        time_, size = test_encode(
            data,
            **pict_config,
            **encoder_config,
            hw_accel=hw_accel,
        )
        times.append(time_)
        if i == 0:
            sizes.append(size)
    return times, sizes

我们更改视频的分辨率，以查看这些测量效果如何改变。

360P¶

time_360, size_360 = run_tests(360, 640)

Testing resolution: 640x360
* Software Encoder (num_threads=1)
 - Processed 120 frames in 0.66 seconds. (181.40 fps)
 - Encoded data size: 381331 bytes
* Software Encoder (num_threads=4)
 - Processed 120 frames in 0.24 seconds. (504.44 fps)
 - Encoded data size: 381307 bytes
* Software Encoder (num_threads=8)
 - Processed 120 frames in 0.19 seconds. (633.77 fps)
 - Encoded data size: 390689 bytes
* Hardware Encoder
 - Processed 120 frames in 0.05 seconds. (2246.30 fps)
 - Encoded data size: 1262979 bytes
* Hardware Encoder (CUDA frames)
 - Processed 120 frames in 0.05 seconds. (2587.23 fps)
 - Encoded data size: 1262979 bytes

720点¶

time_720, size_720 = run_tests(720, 1280)

Testing resolution: 1280x720
* Software Encoder (num_threads=1)
 - Processed 120 frames in 2.38 seconds. (50.52 fps)
 - Encoded data size: 1335451 bytes
* Software Encoder (num_threads=4)
 - Processed 120 frames in 0.85 seconds. (141.71 fps)
 - Encoded data size: 1336418 bytes
* Software Encoder (num_threads=8)
 - Processed 120 frames in 0.73 seconds. (165.46 fps)
 - Encoded data size: 1344063 bytes
* Hardware Encoder
 - Processed 120 frames in 0.26 seconds. (467.74 fps)
 - Encoded data size: 1358969 bytes
* Hardware Encoder (CUDA frames)
 - Processed 120 frames in 0.15 seconds. (801.83 fps)
 - Encoded data size: 1358969 bytes

1080 点¶

time_1080, size_1080 = run_tests(1080, 1920)

Testing resolution: 1920x1080
* Software Encoder (num_threads=1)
 - Processed 120 frames in 4.84 seconds. (24.82 fps)
 - Encoded data size: 2678241 bytes
* Software Encoder (num_threads=4)
 - Processed 120 frames in 1.79 seconds. (67.18 fps)
 - Encoded data size: 2682028 bytes
* Software Encoder (num_threads=8)
 - Processed 120 frames in 1.64 seconds. (73.14 fps)
 - Encoded data size: 2685086 bytes
* Hardware Encoder
 - Processed 120 frames in 0.56 seconds. (213.73 fps)
 - Encoded data size: 1705900 bytes
* Hardware Encoder (CUDA frames)
 - Processed 120 frames in 0.32 seconds. (370.99 fps)
 - Encoded data size: 1705900 bytes

现在我们绘制结果。

def plot():
    fig, axes = plt.subplots(2, 1, sharex=True, figsize=[9.6, 7.2])

    for items in zip(time_360, time_720, time_1080, "ov^X+"):
        axes[0].plot(items[:-1], marker=items[-1])
    axes[0].grid(axis="both")
    axes[0].set_xticks([0, 1, 2], ["360p", "720p", "1080p"], visible=True)
    axes[0].tick_params(labeltop=False)
    axes[0].legend(
        [
            "Software Encoding (threads=1)",
            "Software Encoding (threads=4)",
            "Software Encoding (threads=8)",
            "Hardware Encoding (CPU Tensor)",
            "Hardware Encoding (CUDA Tensor)",
        ]
    )
    axes[0].set_title("Time to encode videos with different resolutions")
    axes[0].set_ylabel("Time [s]")

    for items in zip(size_360, size_720, size_1080, "v^"):
        axes[1].plot(items[:-1], marker=items[-1])
    axes[1].grid(axis="both")
    axes[1].set_xticks([0, 1, 2], ["360p", "720p", "1080p"])
    axes[1].set_ylabel("The encoded size [bytes]")
    axes[1].set_title("The size of encoded videos")
    axes[1].legend(
        [
            "Software Encoding",
            "Hardware Encoding",
        ]
    )

    plt.tight_layout()


plot()

Time to encoding videos with different resolution（对不同分辨率的视频进行编码的时间）和 The size of encoded videos （编码视频的大小）

结果¶

我们观察到几件事;

编码视频的时间随着分辨率的增加而增加。
在软件编码的情况下，增加线程数有助于减少解码时间。
额外线程的增益在 8 左右减少。
硬件编码通常比软件编码更快。
使用不会提高编码本身的速度一样多。hw_accel
生成的视频的大小会随着分辨率的增加而增加较大。
硬件编码器以较大的分辨率生成较小的视频文件。

最后一点对作者来说有些奇怪（他不是视频制作专家。人们常说，硬件解码器会产生更大的视频与软件编码器相比。有人说软件编码器允许对 encoding 配置，因此生成的视频更优化。同时，硬件编码器针对性能进行了优化，因此对质量和二进制大小没有提供太多控制。

质量抽查¶

那么，使用硬件编码器制作的视频质量如何呢？对高分辨率视频的快速抽查发现他们有在更高分辨率下，伪像更明显。这可能是二进制文件大小较小的原因。（意思是，它没有分配足够的位来产生高质量的输出。

下图是使用硬件编码的视频的原始帧编码。

360P¶

720点¶

1080 点¶

我们可以看到，在更高的分辨率下有更多的伪影，这都很明显。

也许可以使用参数来减少这些。我们没有尝试，但如果您尝试并找到更好的质量设置，请随时告诉我们。;)encoder_options

标记：

脚本总运行时间：（0 分 22.418 秒）

由 Sphinx-Gallery 生成的图库

使用 NVENC 加速视频编码¶

检查先决条件¶

使用 NVENC 对视频进行编码¶

使用 StreamWriter 对 NVENC 进行基准测试¶

360P¶

720点¶

1080 点¶

结果¶

质量抽查¶

360P¶

720点¶

1080 点¶

文档

教程

资源