Как я неделю воевал с собственной видеокартой (и победил)

Thu, 18 Jun 2026 19:00:00 +0000

Я держу домашнюю лабораторию (homelab). Те, кто в теме, знают: это хобби находится где-то на стыке продуктивности и одержимости. Это когда ты тратишь три вечера на исправление того, что и так технически работало, просто ради того, чтобы оно работало лучше. Это как раз одна из таких историй.

Стенд

Мой домашний NVR (сетевой видеорегистратор) работает на базе Frigate — self-hosted системы видеонаблюдения с распознаванием объектов с помощью искусственного интеллекта. Она умеет отличать человека от кошки или от качающейся на ветру тени. Всё это крутится в Docker на сервере с OpenMediaVault, а управление идет через Portainer.

Долгое время Frigate работал отлично. Объекты распознавались. Камеры писали. Жизнь была прекрасна.

Но тут я наткнулся на NVIDIA Quadro P2000 по очень привлекательной цене и подумал: «Эта штука может взять на себя распознавание объектов, разгрузив процессор». За этим решением последовала неделя отладки, которую я в основном проходил рука об руку с Claude, ИИ-ассистентом от Anthropic. В этом посте я подробно описываю весь путь, со всеми ошибками и граблями, чтобы вам не пришлось наступать на них самим.

Акт 1: Не тот драйвер

На сервере установлена Debian trixie (в сборке OMV). На тот момент из репозитория trixie-backports метапакетом linux-image-amd64 было подтянуто ядро 7.0.10.

Первая ошибка: я установил первый попавшийся драйвер NVIDIA, который Debian предложила по умолчанию — ветку 610.x. Установка прошла без ошибок, но утилита nvidia-smi видеокарту в упор не видела. Немного поисков в логах выявили причину: начиная с ветки 610.x, NVIDIA прекратила поддержку видеокарт поколения Pascal (к которым относятся Quadro P2000, серия GTX 10xx и их собратья). Драйвер просто установился, ничего не нашел и молча проигнорировал плату.

NVRM: GPU at PCI:0000:03:00: GPU-...
NVRM: GPU Board Serial Number: [N/A]
NVRM: Xid (PCI:0000:03:00): 79, ...

Вывод dmesg выразился предельно ясно: «supported through the NVIDIA 580.xx Legacy drivers. The 610.43.02 driver will ignore this GPU.» (поддерживается устаревшими драйверами NVIDIA 580.xx. Драйвер 610.43.02 проигнорирует этот графический процессор).

Значит, нужна более старая ветка драйвера. Для архитектуры Pascal подходит 550.x (или 535.x, которую я тоже успел попробовать). Но именно здесь всё пошло наперекосяк.

Акт 2: Проблема с ядром

Драйвер 550.x собирает свой модуль ядра через DKMS — то есть компилирует его под запущенное ядро. И в ядре 7.0 удалили или переименовали несколько внутренних API, от которых зависит драйвер 550.x:

Ошибка в make.log	Причина
`VMA_LOCK_OFFSET undeclared`	Удалено в ядре 6.x
`__vm_flags has no member`	Переименовано в ядре 6.3
`implicit declaration of in_irq()`	Удалено в ядре 6.10

В результате сборка DKMS завершалась ошибкой. Драйвер не мог скомпилироваться. Видеокарта продолжала лежать мертвым грузом.

Решение: откатить ядро до версии 6.12.x. Оно достаточно свежее, чтобы быть в репозиториях Debian trixie, но при этом драйвер 550.x успешно собирается под него.

apt-get install linux-image-6.12.90+deb13.1-amd64 \
               linux-headers-6.12.90+deb13.1-amd64

Затем загрузились в него через разовый grub-reboot, проверили работу и сделали эту загрузку постоянной:

sed -i 's/GRUB_DEFAULT=.*/GRUB_DEFAULT="gnulinux-advanced-UUID>gnulinux-6.12.90+deb13.1-amd64-advanced-UUID"/' \
  /etc/default/grub
update-grub

Удаляем заголовки ядра 7.0, чтобы DKMS даже не пытался компилироваться под них:

apt-get remove linux-headers-7.0.10+deb13-amd64 \
               linux-headers-7.0.10+deb13-common

И фиксируем (pin) версию ядра, чтобы apt upgrade случайно снова не накатил версию 7.0:

cat > /etc/apt/preferences.d/kernel-pin << 'EOF'
Package: linux-image-amd64
Pin: release a=trixie-backports
Pin-Priority: -1
EOF

Also blacklist nouveau, which was claiming the GPU:

echo "blacklist nouveau" > /etc/modprobe.d/blacklist-nouveau.conf
echo "options nouveau modeset=0" >> /etc/modprobe.d/blacklist-nouveau.conf
update-initramfs -u

После перезагрузки на ядро 6.12 драйвер наконец установился, и nvidia-smi выдал долгожданные строчки:

NVIDIA-SMI 550.163.01   Driver Version: 550.163.01   CUDA Version: 12.4
Quadro P2000   5120MiB

Акт 3: Проброс GPU в контейнер

Frigate крутится в Docker. Чтобы пробросить видеокарту внутрь контейнера, требуется nvidia-container-toolkit. Он уже был установлен, но не внедрял библиотеки должным образом, так как контейнер запускался в режиме privileged: true.

Это было крайне неочевидное и болезненное открытие. Когда Docker запускает контейнер как привилегированный, он монтирует все устройства хоста напрямую. Инструментарий nvidia-container-toolkit видит это и пропускает свой стандартный этап внедрения библиотек, полагая, что у контейнера и так есть полный доступ к устройствам. Но без этого внедрения библиотеки CUDA просто не попадают внутрь контейнера.

Отключение privileged: true в файле compose решило проблему с интеграцией библиотек:

services:
  frigate:
    container_name: frigate
    runtime: nvidia
    # privileged: true  ← удалено

Но возникла другая сложность: toolkit работал в режиме CDI (автоопределение), который требует сгенерированных файлов спецификации устройств, коих не было. Переключаемся в legacy-режим, который выполняет корректное монтирование библиотек через bind-mount:

nvidia-ctk config --in-place --set nvidia-container-runtime.mode=legacy
systemctl restart docker

И, наконец, libcuda.so — библиотека драйвера CUDA. На хосте она находилась по пути /usr/lib/x86_64-linux-gnu/nvidia/current/libcuda.so.550.163.01, но символические ссылки (libcuda.so.1, libcuda.so) вели на пустую директорию, оставшуюся от прошлых неудачных попыток установки. Установка нужного пакета всё исправила:

apt-get install libcuda1

После полного пересоздания контейнера (именно пересоздания, а не просто перезапуска, так как toolkit внедряет библиотеки в момент создания контейнера), nvidia-smi внутри контейнера наконец показал рабочую CUDA 12.4.

Акт 4: Детектор ONNX

Frigate использует библиотеку ONNX Runtime для распознавания объектов. Теперь, когда GPU виден, пришло время настроить ONNX-детектор:

detectors:
  onnx:
    type: onnx
    device: cuda

model:
  model_type: yolo-generic
  width: 320
  height: 320
  input_tensor: nchw
  input_dtype: float
  path: /config/model_cache/yolov9-t-320.onnx
  labelmap_path: /labelmap/coco-80.txt

Сама модель была экспортирована из YOLOv9t с помощью утилиты ultralytics на хосте:

pip install ultralytics onnx onnxslim --break-system-packages
python3 -c "from ultralytics import YOLO; YOLO('yolov9t.pt').export(format='onnx', imgsz=320)"
cp /root/yolov9t.onnx /mnt/share/app/portainer/frigate/config/model_cache/yolov9-t-320.onnx

Но запуск тут же упал с ошибкой:

ONNXRuntimeError: This session cannot use the graph capture feature as requested
by the user as all compute graph nodes have not been partitioned to the
CUDAExecutionProvider

В коде Frigate жестко прописано "enable_cuda_graph": True при использовании CUDA, однако модель yolov9t содержит узлы, несовместимые с захватом CUDA-графа (graph capture). Настроек, позволяющих отключить это поведение в конфигурационном файле, нет — пришлось править исходный код Frigate напрямую:

docker exec frigate sed -i \
  's/"enable_cuda_graph": True/"enable_cuda_graph": False/' \
  /opt/frigate/frigate/detectors/detection_runners.py

Чтобы это изменение сохранялось при пересоздании контейнера, пропатченный файл монтируется из локальной папки:

docker cp frigate:/opt/frigate/frigate/detectors/detection_runners.py \
  /mnt/share/app/portainer/frigate/config/detection_runners.py

volumes:
  - /mnt/share/app/portainer/frigate/config/detection_runners.py:/opt/frigate/frigate/detectors/detection_runners.py:ro

Акт 5: Декодирование видео на GPU

Когда детектор заработал на видеокарте, следующей целью стало аппаратное декодирование. Камеры отдают поток H264, и ffmpeg (используемый внутри Frigate) умеет перекладывать задачу декодирования H264 на аппаратный декодер NVDEC.

Для этого понадобились еще две недостающие библиотеки:

apt-get install libnvcuvid1    # библиотека декодера NVDEC
apt-get install libnvrtc12     # CUDA JIT компилятор (нужен для фильтра scale_cuda)

Их обе пришлось явно пробросить в контейнер через volumes, так как toolkit автоматически их не подхватывал:

volumes:
  - /usr/lib/x86_64-linux-gnu/nvidia/current/libcuda.so.550.163.01:/usr/lib/x86_64-linux-gnu/libcuda.so.1:ro
  - /usr/lib/x86_64-linux-gnu/nvidia/current/libnvcuvid.so.550.163.01:/usr/lib/x86_64-linux-gnu/libnvcuvid.so.1:ro
  - /usr/lib/x86_64-linux-gnu/libnvrtc.so.12:/usr/lib/x86_64-linux-gnu/libnvrtc.so.12:ro
  - /usr/lib/x86_64-linux-gnu/libnvrtc-builtins.so.12.4:/usr/lib/x86_64-linux-gnu/libnvrtc-builtins.so.12.4:ro

Кроме того, для libnvrtc нужно было создать симлинки внутри контейнера (сделано через стартовый скрипт):

#!/bin/bash
# fix-libs.sh
pip install py3nvml --break-system-packages --quiet
ln -sf /usr/local/lib/python3.11/dist-packages/nvidia/cuda_nvrtc/lib/libnvrtc.so.12 \
  /usr/lib/x86_64-linux-gnu/libnvrtc.so
ln -sf /usr/local/lib/python3.11/dist-packages/nvidia/cuda_nvrtc/lib/libnvrtc-builtins.so.12.5 \
  /usr/lib/x86_64-linux-gnu/libnvrtc-builtins.so
ldconfig

Запуск скрипта прописан в compose через переопределение точки входа (entrypoint):

entrypoint: ["/bin/bash", "-c", "/config/fix-libs.sh && exec /init"]

Конфигурация hwaccel во Frigate:

ffmpeg:
  hwaccel_args:
    - -hwaccel
    - cuda
    - -hwaccel_output_format
    - nv12

Примечание: встроенный пресет Frigate preset-nvidia-h264 использует фильтр scale_cuda, который требует компилятор PTX JIT. И хотя библиотека есть, возникли проблемы совместимости. Ручные параметры выше используют NVDEC для декодирования, но откатываются на CPU для масштабирования (scale), что является разумным компромиссом.

Акт 6: Субпотоки и финальная оптимизация

Камеры (три штуки Tapo и одна Yi 1080p) поддерживают двойной поток — основной в высоком разрешении и субпоток (640×360). Использование субпотока для детекции и основного потока для записи полностью избавляет CPU от необходимости сжимать 1080p кадры до разрешения детектора:

go2rtc:
  streams:
    frontyard_tapo:
      - rtsp://tapocamera:***@192.168.86.187:554/stream1
    frontyard_tapo_sub:
      - rtsp://tapocamera:***@192.168.86.187:554/stream2
    # ... аналогично для других камер

cameras:
  frontyard_tapo:
    ffmpeg:
      inputs:
        - path: rtsp://127.0.0.1:8554/frontyard_tapo?video=h264&audio=opus
          roles:
            - record
        - path: rtsp://127.0.0.1:8554/frontyard_tapo_sub?video=h264
          roles:
            - detect
    detect:
      height: 320
      width: 320
      fps: 3

Акт 7: Статистика GPU в веб-интерфейсе

И последнее неудобство: панель статистики GPU в веб-интерфейсе Frigate упорно пустовала. Причина крылась в одной строчке исходного кода Frigate:

elif "cuvid" in args or "nvidia" in args:
    # nvidia GPU — collect stats

Наши параметры hwaccel (-hwaccel cuda) не содержат ни cuvid, ни nvidia, поэтому сбор метрик GPU Frigate просто не запускал. Патчим код:

docker exec frigate sed -i \
  's/elif "cuvid" in args or "nvidia" in args:/elif "cuvid" in args or "nvidia" in args or "cuda" in args:/' \
  /opt/frigate/frigate/stats/util.py

И также пробрасываем этот файл через bind-mount.

Финал

После всех этих манипуляций вот как выглядит работающая система:

Три пропатченных файла, смонтированных внутрь контейнера:

detection_runners.py — отключает CUDA graph capture
stats_util.py — включает сбор метрик GPU для аргументов cuda
fix-libs.sh — создает симлинки для nvrtc и устанавливает py3nvml на старте

Задачи GPU:

Декодирование видео H264 (NVDEC) для всех 4 камер
Инференс детектора через ONNX Runtime с CUDAExecutionProvider

Задачи CPU:

Масштабирование кадров (640×360 → 320×320, очень легкая задача)
Управление процессами Python
Запись видео, MQTT, веб-интерфейс

Производительность: Сервер работал неплохо и до этого, но теперь нагрузка на процессор хоста упала настолько, что он практически не замечает работу Frigate.

Веб-интерфейс Frigate теперь показывает:

Скорость инференса детектора (inference speed)
Нагрузку на CPU от детектора
Загрузку GPU (Quadro P2000 utilization %)

О роли ИИ (Claude)

Хочу сказать честно: большая часть этой отладки прошла в диалоге с Claude. Не потому, что я не справился бы сам, а потому, что цепочка ошибок была слишком длинной и каждое исправление вскрывало новый слой проблем. Не тот драйвер, неподходящее ядро, битая ссылка, конфликт privileged режима, сбой инжекции CUDA, несовместимость графов ONNX, отсутствие libnvcuvid, отсутствие симлинков libnvrtc, зашитые строки в статистике Frigate.

Иметь ИИ-ассистента, который держит весь контекст сессии, помнит предыдущие шаги и рассуждает о причинах ошибок, сэкономило кучу времени. Claude просил конкретные выводы диагностики, вчитывался в них и находил реальную причину вместо банального перебора вариантов. По логу ошибки он сразу указывал на нужную строку кода Frigate. Если фикс не срабатывал, он менял гипотезу, а не твердил одно и то же.

Это не магия. Claude тоже ошибался — к выводу о конфликте режима privileged мы пришли далеко не сразу. Но в целом процесс прошел в разы быстрее и с меньшим количеством потраченных нервных клеток.

Полный Compose-файл

services:
  frigate:
    container_name: frigate
    runtime: nvidia
    restart: unless-stopped
    stop_grace_period: 30s
    image: ghcr.io/blakeblackshear/frigate:stable-tensorrt
    entrypoint: ["/bin/bash", "-c", "/config/fix-libs.sh && exec /init"]
    shm_size: "512mb"
    labels:
      - autoheal=true
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu, video]
    devices:
      - /dev/dri:/dev/dri
      - /dev/nvidia0:/dev/nvidia0
      - /dev/nvidiactl:/dev/nvidiactl
      - /dev/nvidia-modeset:/dev/nvidia-modeset
      - /dev/nvidia-uvm:/dev/nvidia-uvm
    volumes:
      - /etc/localtime:/etc/localtime:ro
      - /mnt/share/app/portainer/frigate/config:/config
      - /mnt/share/observation/frigate:/media/frigate
      - /usr/lib/x86_64-linux-gnu/nvidia/current/libcuda.so.550.163.01:/usr/lib/x86_64-linux-gnu/libcuda.so.1:ro
      - /usr/lib/x86_64-linux-gnu/nvidia/current/libnvcuvid.so.550.163.01:/usr/lib/x86_64-linux-gnu/libnvcuvid.so.1:ro
      - /usr/lib/x86_64-linux-gnu/libnvrtc.so.12:/usr/lib/x86_64-linux-gnu/libnvrtc.so.12:ro
      - /usr/lib/x86_64-linux-gnu/libnvrtc-builtins.so.12.4:/usr/lib/x86_64-linux-gnu/libnvrtc-builtins.so.12.4:ro
      - /mnt/share/app/portainer/frigate/config/detection_runners.py:/opt/frigate/frigate/detectors/detection_runners.py:ro
      - /mnt/share/app/portainer/frigate/config/stats_util.py:/opt/frigate/frigate/stats/util.py:ro
      - type: tmpfs
        target: /tmp/cache
        tmpfs:
          size: 1000000000
    ports:
      - "1984:1984"
      - "8971:8971"
      - "8550:5000"
      - "8554:8554"
      - "8555:8555/tcp"
      - "8555:8555/udp"
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
      - NVIDIA_DRIVER_CAPABILITIES=compute,utility,video
      - ORT_DISABLE_THREAD_AFFINITY=1
      - OMP_PROC_BIND=false
      - OMP_NUM_THREADS=2
      - SHOW_NV_STATS=1

Полный config.yml

auth:
  failed_login_rate_limit: 1/second;5/minute;20/hour
  trusted_proxies:
    - 192.168.86.0/24

mqtt:
  enabled: true
  host: 192.168.86.177
  port: 1883
  topic_prefix: frigate
  client_id: frigate
  user: "***"
  password: "***"

ffmpeg:
  hwaccel_args:
    - -hwaccel
    - cuda
    - -hwaccel_output_format
    - nv12

go2rtc:
  streams:
    yi_home_1080p:
      - rtsp://192.168.86.195/ch0_0.h264
    yi_home_1080p_sub:
      - rtsp://192.168.86.195/ch0_1.h264
    frontyard_tapo:
      - rtsp://***:***@192.168.86.187:554/stream1
    frontyard_tapo_sub:
      - rtsp://***:***@192.168.86.187:554/stream2
    backyard_tapo:
      - rtsp://***:***@192.168.86.247:554/stream1
    backyard_tapo_sub:
      - rtsp://***:***@192.168.86.247:554/stream2
    backyard_r_tapo:
      - rtsp://***:***@192.168.86.237:554/stream1
    backyard_r_tapo_sub:
      - rtsp://***:***@192.168.86.237:554/stream2

cameras:
  yi_home_1080p:
    ffmpeg:
      inputs:
        - path: rtsp://127.0.0.1:8554/yi_home_1080p?video=h264&audio=opus
          roles:
            - record
        - path: rtsp://127.0.0.1:8554/yi_home_1080p_sub?video=h264
          roles:
            - detect
    detect:
      height: 320
      width: 320
      fps: 3

  frontyard_tapo:
    enabled: true
    ffmpeg:
      inputs:
        - path: rtsp://127.0.0.1:8554/frontyard_tapo?video=h264&audio=opus
          roles:
            - record
        - path: rtsp://127.0.0.1:8554/frontyard_tapo_sub?video=h264
          roles:
            - detect
    detect:
      height: 320
      width: 320
      fps: 3
    zones:
      frontyard:
        coordinates: 0.001,0.996,0.001,0.292,0.425,0,0.68,0,0.999,0.508,0.998,0.997

  backyard_tapo:
    enabled: true
    ffmpeg:
      inputs:
        - path: rtsp://127.0.0.1:8554/backyard_tapo?video=h264&audio=opus
          roles:
            - record
        - path: rtsp://127.0.0.1:8554/backyard_tapo_sub?video=h264
          roles:
            - detect
    detect:
      height: 320
      width: 320
      fps: 3
    zones:
      backyard:
        coordinates: 0.519,0.031,0.599,0.009,0.997,0.642,0.999,0.996,0,0.999
        loitering_time: 1
        inertia: 3

  backyard_r_tapo:
    enabled: true
    ffmpeg:
      inputs:
        - path: rtsp://127.0.0.1:8554/backyard_r_tapo?video=h264&audio=opus
          roles:
            - record
        - path: rtsp://127.0.0.1:8554/backyard_r_tapo_sub?video=h264
          roles:
            - detect
    detect:
      height: 320
      width: 320
      fps: 3

detectors:
  onnx:
    type: onnx
    device: cuda

model:
  model_type: yolo-generic
  width: 320
  height: 320
  input_tensor: nchw
  input_dtype: float
  path: /config/model_cache/yolov9-t-320.onnx
  labelmap_path: /labelmap/coco-80.txt

record:
  enabled: true
  continuous:
    days: 0
  motion:
    days: 7

objects:
  track:
    - person
    - cat
    - dog
    - bird
  filters:
    person:
      threshold: 0.6

snapshots:
  enabled: true
  timestamp: true
  bounding_box: false
  crop: false
  height: 175
  retain:
    default: 10
    objects:
      person: 15

detect:
  enabled: true
version: 0.17-0

classification:
  bird:
    enabled: true

Если вы пытаетесь сделать что-то подобное, главные уроки здесь следующие: проверяйте совместимость поколения видеокарты перед выбором ветки драйверов, никогда не запускайте nvidia-container-toolkit с privileged: true, всегда делайте полное пересоздание контейнера (а не просто перезапуск) после изменения настроек рантайма и не недооценивайте количество библиотек, необходимых CUDA. Каждая из них будет отваливаться отдельно и сообщать, чего ей не хватает на следующем шаге.

Разработка on Sergey Ryazanov