mlco2/codecarbon

Track emissions from Compute and recommend ways to reduce their impact on the environment.

解决的问题

CodeCarbon 跟踪并估算代码执行期间本地计算硬件（CPU、GPU 和 RAM）消耗电力所产生的碳排放。它帮助开发人员和研究人员量化其软件的环境影响，特别是针对训练机器学习模型等计算密集型任务。

工作原理

该库估算 CPU、GPU 和 RAM 的电力功耗，然后应用计算所在地区的碳强度来计算总 CO2 排放量。

适用人群

专为希望监控并减少本地计算实验和机器学习模型训练碳足迹的开发人员和研究人员设计。

主要特性

  • 轻量级 Python 库：提供简单 API，用于启动和停止排放追踪。
  • CLI 支持：无需修改源代码，即可通过命令行追踪命令。
  • 可视化功能：提供仪表板和名为 carbonboard 的本地工具，用于分析排放数据。
  • 硬件检测：包含 detect 命令，用于识别本地硬件组件。
  • 区域碳强度：考虑用户所在地区电力电网的特定碳足迹。

相关

  • 项目
    saintslab/carbontracker

    用于追踪和预测深度学习模型训练过程中能源消耗和碳足迹的工具。

  • 项目
    mlco2/ecologits

    EcoLogits 是一个 Python 库，用于估算对生成式 AI API（OpenAI、Anthropic、Cohere 等）的调用所消耗的电力和 CO₂‑当量排放。通过 `pip install ecologits` 安装（根据需要添加 provider extras），使用 `EcoLogits.init` 初始化，正常调用 API 后即可读取 `response.impacts.energy.value.mean` 与 `response.impacts.gwp.value.mean` 获取估算的 kWh 和 kg CO₂‑eq。该库开源，属于 CodeCarbon 非营利组织，旨在帮助开发者追踪并降低 AI 推理的环境影响。

  • 项目
    eduardolundgren/tracking.js

    一个轻量级的 JavaScript 库，可直接在浏览器中实现颜色追踪和人脸检测等计算机视觉算法。

  • Dispatch
    Hugging Face Hub 碳排放追踪

    Hugging Face 引入了工具，以跟踪、报告和基于 CO2 排放量过滤机器学习模型，从而提升 AI 领域的环境透明度。

  • 项目
    pytorch/cpuinfo

    一个跨平台的 C/C++ 库，用于检测详细的 CPU 硬件信息，如指令集和缓存拓扑，以实现性能优化。