La diffusione dei contenuti multimediali su piattaforme digitali ha reso necessario l’uso di strumenti affidabili per valutare la qualità video percepita. Tra questi, le metriche oggettive rivestono un ruolo centrale per assicurare una buona esperienza visiva anche in presenza di limitazioni di banda e risorse. La tesi si concentra sull’uso di VMAF (Video Multimethod Assessment Fusion), sviluppato da Netflix, che combina diverse tecniche per simulare la percezione umana. Il lavoro prevede l’analisi della qualità di contenuti video di grandi dimensioni codificati con i principali codec moderni (H.264, H.265, VP9), sfruttando vari modelli VMAF. L’intero processo è stato automatizzato tramite script in Python e Bash per il pre-processing, la conversione, l’esecuzione dei job SLURM e la raccolta dei risultati, eseguiti sull'infrastruttura HPC fornita dal Politecnico di Torino e containerizzati tramite Singularity, per garantire scalabilità e riproducibilità.