NVIDIA Video Codec SDK 13.1

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

NVIDIA Video Codec SDK 13.1은 AV1 계층 참조 모드로 최대 31 B-프레임을 지원하고 UHQ 튜닝과 반복 인코드를 결합해 인코딩 효율을 높였습니다. 디코더는 매크로블록 단위 통계와 MV-HEVC 뷰 메타데이터를 GPU 메모리로 노출해 AI 기반 비디오 분석과 프레임 정확 랜덤 액세스를 간단히 처리할 수 있게 했습니다. 트랜스코더 샘플은 모듈형 큐 아키텍처와 CUarray 기반 제로카피 경로를 도입해 SM·메모리 사용을 줄이고 동시 세션 확장성을 개선했으며, 공식 Docker 개발 이미지로 환경 재현성과 온보딩을 단순화했습니다.

빠른 이해

새로운 점

하드웨어 비디오 엔진의 내부 통계를 GPU 메모리로 직접 노출하고 CUarray를 통해 NVDEC·NVENC를 완전 공유하는 제로카피 파이프라인을 샘플 수준으로 제공한 점이 실무 통합 관점에서 눈에 띕니다.

핵심 메커니즘

디코더(NVDEC)와 인코더(NVENC)가 동일한 CUDA 배열을 외부 표면으로 등록하고 동일 CUDA 스트림으로 작업 순서를 보장하면 중간 복사와 변환 커널을 제거해 SM과 메모리 대역폭을 줄일 수 있으며, 디코더의 매크로블록 통계를 GPU 버퍼로 노출하면 호스트 복사 없이 CUDA 커널로 실시간 분석이 가능해집니다.

핵심 수치

Temporal filtering coding gain: 4–5%- UHQ 템포럴 필터링이 자연 영상에서 관찰한 평균 코딩 이득
AV1 B-frame support: up to 31 B-frames- Hierarchical Reference Mode로 NVENC AV1에서 1,3,7,15,31 B-프레임 구성 지원

섹션별 상세

인코드 개선과 AV1 계층 참조 모드

기존 NVENC 인코더에 AV1 계층 참조 모드를 추가해 B-프레임을 트리 구조로 참조하도록 했고, 이 변화로 B-프레임 수를 최대 31까지 늘릴 수 있게 됐습니다. 구현은 중간 B-프레임을 루트로 하는 계층적 참조 구조를 사용해 시간적 중복을 더 넓게 포착하고, 설정상 7개 이상 B-프레임일 때 효과가 뚜렷하며 성능 저하는 최소화된다고 명시했습니다. 블로그는 15 B-프레임 기준으로 CQ와 VBR 모드에서의 비트레이트 절감 사례를 그림(Figure 2, Figure 3)으로 제시해 동일 품질에서 전송률을 낮출 수 있음을 입증하고, UHQ 튜닝과 반복 인코드(iterative encoding)를 결합해 룩어헤드와 템포럴 필터링을 반복 재인코드 과정과 함께 작동하게 하여 자연 영상에서 평균 4–5%의 코딩 이득을 얻는다고 보고했습니다.

근거

AV1 계층 참조 모드로 NVENC이 최대 31 B-프레임을 지원하며 CQ·VBR에서 비트레이트 절감이 관찰된다. — Figure 2, Figure 3의 15 B-프레임 비교 그래프; NVENC Programming Guide의 계층 참조 옵션

디코드 쪽 통계와 프레임 정확 탐색

NVDEC는 H.264·HEVC 디코드 과정에서 매 16×16 매크로블록 단위로 루마 QP, 코딩 유닛 타입, 앞·뒤 방향 모션 벡터 최대 두 개를 하드웨어에서 추출해 GPU 메모리로 노출합니다. 이 통계는 cuvidGetDecoderCaps로 기능을 확인하고 디코더 생성 시 통계 수집을 활성화하면 cuvidMapVideoFrame로 프레임과 함께 GPU 내 통계 버퍼를 얻는 입력→처리→출력 흐름을 통해 응용 프로그램이 호스트 복사 없이 GPU 커널로 실시간 분석을 수행할 수 있게 합니다. 또한 프레임 정확 탐색은 GOP 인식 아키텍처를 사용해 목표 프레임 N의 이전 IDR로 시크한 뒤 필요한 참조 프레임만 디코드하고 비참조 프레임은 건너뛰며 최종적으로 N만 완전 매핑·후처리하는 방식으로 I/O와 디코드 작업량을 줄여 AI 기반 검출·요약·편집 워크플로우에서 임의 접근 비용을 낮춘다는 점을 그림(Figure 4, Figure 5)으로 근거를 제공합니다.

cpp

// Enable per-macroblock stats during decoder creation
CUVIDDECODECREATEINFO decInfo = { ... };
decInfo.EnableStatistics = 1; // pseudocode field
cuvidCreateDecoder(&decoder, &decInfo);
// Map frame and statistics
cuvidMapVideoFrame(decoder, pictureIndex, &pDevice, &pitch, &staging);

매크로블록 통계를 얻기 위한 기본 흐름은 디코더 생성 시 통계 수집을 활성화하고, 매 프레임 디코드 후 GPU 메모리에 올라간 통계 버퍼를 매핑해 읽는 것입니다. 매크로블록별 QP, 코딩 타입, 모션 벡터가 디코더 내부에서 추출되어 GPU 버퍼로 노출되므로 호스트로 복사하지 않고도 CUDA 커널로 바로 후처리할 수 있습니다. 샘플 앱(AppDec -dumpstats)은 이 전체 경로를 재현 가능한 예제로 제공합니다.

근거

NVDEC가 매크로블록 단위 통계(QP, 코딩 타입, 모션 벡터)를 GPU 메모리로 노출해 CPU 파싱 없이 GPU 커널로 실시간 비디오 분석을 가능하게 한다. — AppDec -dumpstats 샘플과 cuvidMapVideoFrame을 통한 GPU 통계 버퍼 매핑 워크플로우

트랜스코더 재설계와 제로카피 워크플로우

트랜스코더 샘플은 모놀리식 파이프라인에서 모듈형 큐 기반 구조로 재구성돼 디코드·컴퓨트·인코드·출력을 각 전용 스레드로 분리하고 명시적 크기의 입력·출력 큐로 연결합니다. 제로카피 트랜스코드는 CUDA 배열(CUarray)을 CUDA_ARRAY3D_VIDEO_ENCODE_DECODE 플래그로 생성해 NVDEC의 외부 출력 표면과 NVENC의 입력 리소스로 동시에 등록하고, 동일한 CUDA 스트림을 공유해 디코드 쓰기→인코드 읽기 순서를 스트림 오더링으로 보장하는 입력→프로세스→출력 흐름을 사용합니다. 이 방식은 중간 복사·변환 커널을 제거해 SM(utilization)과 비디오 메모리 대역폭을 낮추고 동시 세션 확장성을 높이며, 블로그의 샘플 비교(Figure 8, Figure 9)는 1080p H.264 사례에서 SM과 메모리 대역폭 감소를 근거로 제시합니다.

CUarray cuArray; 
cuArray3DCreate(&cuArray, &descr); // use CUDA_ARRAY3D_VIDEO_ENCODE_DECODE flag
// Register as external output for NVDEC
SetExternalOutputArrays(decoder, &cuArray, 1);
// Register as input resource for NVENC
nvEncRegisterResource(enc, cuArray, NV_ENC_INPUT_RESOURCE_TYPE_CUDAARRAY);

제로카피 워크플로우에서 핵심은 CUDA 배열을 Video 엔진들이 공용으로 사용하도록 생성하고 등록하는 단계입니다. cuArray3DCreate에서 CUDA_ARRAY3D_VIDEO_ENCODE_DECODE 플래그를 지정하면 해당 표면을 NVDEC의 출력과 NVENC의 입력 양쪽에 그대로 연결할 수 있고, 이를 통해 중간 복사와 포맷 변환을 건너뛰게 됩니다. 소유권 관리는 파이프라인 큐와 토큰 기반 플로우 제어로 처리해 디코드 쓰기와 인코드 읽기 타이밍을 보장합니다.

근거

CUarray 기반 제로카피 트랜스코드는 중간 복사를 제거해 SM 활용률과 메모리 대역폭을 낮추고 동시 트랜스코드 세션 확장성을 개선한다. — AppTransZeroCopy 샘플의 아키텍처 설명 및 Figure 8(Figures)과 Figure 9의 SM·메모리 대역폭 비교

개발자 경험: 샘플과 도커 환경

버전 13.1은 재설계된 샘플 애플리케이션(AppTrans, AppTransZeroCopy, AppDec 등)과 함께 공식 Docker 기반 개발 이미지를 제공해 호스트별 의존성 설치를 제거합니다. Dockerfile은 빌드 스테이지에서 SDK 샘플을 컴파일하고 런타임 스테이지에 실행에 필요한 항목만 남기는 두 단계로 구성되어 있으며, CUDA 12.3.2와 Vulkan SDK 1.4.304.1, Ubuntu 22.04를 고정해 재현 가능성을 보장합니다. 컨테이너는 내부에 테스트 벡터 생성 스크립트와 샘플 실행 별칭을 포함해 온보딩 시간을 줄이고 CI·클라우드 환경에서 동일한 스택으로 동작하도록 설계되어 실제 개발과 자동화 파이프라인 모두에서 이식성을 높입니다.

bash

docker build -t nvidia/video-codec-sdk:13.1-ubuntu22.04 \
  --build-arg SDK_ZIP=Video_Codec_SDK_13.1.x.zip \
  .

docker run --gpus all -it nvidia/video-codec-sdk:13.1-ubuntu22.04 --generate-vectors full

공식 Docker 이미지 빌드와 컨테이너 실행 명령으로, 빌드 단계에서 SDK ZIP 파일을 컨텍스트에 넣어야 합니다. 런타임은 GPU 접근을 전제로 하며 테스트 벡터 생성 옵션(--generate-vectors)을 통해 컨테이너 내부에서 샘플 입력을 자동으로 만들 수 있습니다. 이 흐름은 호스트에 CUDA나 Vulkan을 직접 설치하지 않고도 SDK 샘플을 재현 가능한 환경에서 실행할 수 있게 합니다.

용어 해설

AV1 계층 참조 모드(AV1 Hierarchical Reference Mode): — B-프레임을 트리 구조로 참조해 중간 프레임을 루트로 삼는 방식으로, NVENC의 B-프레임 최대치를 기존 7에서 최대 31로 확장해 시간적 중복을 더 넓게 활용하여 동일 품질에서 비트레이트를 절감하거나 동일 비트레이트에서 화질을 개선할 수 있다.
CUarray 제로카피 트랜스코드(Zero-copy transcode with CUarray): — 디코더(NVDEC)와 인코더(NVENC)가 동일한 CUDA 배열(CUarray)을 공유해 중간 복사와 포맷 변환을 생략하는 방식으로, SM 활용률과 메모리 대역폭을 줄이고 동시 세션 확장성을 높여 지연과 자원 사용을 낮춘다.
매크로블록 단위 디코드 통계(Per-macroblock decode statistics): — 각 16×16 블록에 대해 루마 QP, 코딩 유닛 타입(Intra/Inter/Skip/PCM)과 최대 두 개의 모션 벡터를 하드웨어 디코더가 추출해 GPU 메모리에 노출하므로, CPU 비트스트림 파싱 없이 GPU 커널로 실시간 분석을 수행할 수 있다.
GOP 인식 프레임 정확 탐색(GOP-aware frame-accurate seek): — 목표 프레임 N에 대해 이전 IDR을 찾아 거기서부터 필요한 참조 프레임만 파싱·디코딩하고 비참조 프레임은 건너뛰어 최종적으로 N만 완전히 매핑·후처리해 임의 접근 시 디코드 작업량을 최소화하는 탐색 아키텍처다.
모듈형 큐 기반 트랜스코더 구조(Modular queue-based transcoder architecture): — 디코드·컴퓨트·인코드·출력 단계를 각기 전용 스레드로 분리하고 입력/출력 큐로 연결한 생산자-소비자 패턴으로, CPU-GPU 제출을 격리해 동시성 제어와 커스텀 필터 삽입을 쉽게 한다.

기술

NVENC
NVDEC
AV1
CUarray
CUDA
FFmpeg
Docker

언급된 리소스

문서Download Video Codec SDK 13.1

문서NVENC Programming Guide

문서NVDEC Programming Guide

GitHubvideo-codec-sdk-docker on GitHub

문서NVIDIA Developer forums: Video Codec SDK

문서원문 링크

// Enable per-macroblock stats during decoder creation CUVIDDECODECREATEINFO decInfo = { ... }; decInfo.EnableStatistics = 1; // pseudocode field cuvidCreateDecoder(&decoder, &decInfo); // Map frame and statistics cuvidMapVideoFrame(decoder, pictureIndex, &pDevice, &pitch, &staging);

CUarray cuArray; cuArray3DCreate(&cuArray, &descr); // use CUDA_ARRAY3D_VIDEO_ENCODE_DECODE flag // Register as external output for NVDEC SetExternalOutputArrays(decoder, &cuArray, 1); // Register as input resource for NVENC nvEncRegisterResource(enc, cuArray, NV_ENC_INPUT_RESOURCE_TYPE_CUDAARRAY);

docker build -t nvidia/video-codec-sdk:13.1-ubuntu22.04 \ --build-arg SDK_ZIP=Video_Codec_SDK_13.1.x.zip \ . docker run --gpus all -it nvidia/video-codec-sdk:13.1-ubuntu22.04 --generate-vectors full

NVIDIA Video Codec SDK 13.1

TL;DR

빠른 이해

새로운 점

핵심 메커니즘

핵심 수치

섹션별 상세

인코드 개선과 AV1 계층 참조 모드

디코드 쪽 통계와 프레임 정확 탐색

트랜스코더 재설계와 제로카피 워크플로우

개발자 경험: 샘플과 도커 환경

용어 해설

기술

언급된 리소스

NVIDIA Video Codec SDK 13.1

TL;DR

빠른 이해

새로운 점

핵심 메커니즘

핵심 수치

섹션별 상세

인코드 개선과 AV1 계층 참조 모드

디코드 쪽 통계와 프레임 정확 탐색

트랜스코더 재설계와 제로카피 워크플로우

개발자 경험: 샘플과 도커 환경

용어 해설

기술

언급된 리소스

관련 토론

댓글

관련 기사

FMS에서 공개한 NVIDIA의 AI용 스토리지 혁신

관련 토론

댓글

관련 기사

FMS에서 공개한 NVIDIA의 AI용 스토리지 혁신