mlco2/codecarbon

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

解決的問題

CodeCarbon 追蹤並估算程式執行期間，本地計算硬體（CPU、GPU 和 RAM）消耗電力所產生的碳排放。協助開發者與研究人員量化其軟體的環境影響，特別是針對訓練機器學習模型等計算密集型任務。

作法原理

此套件估算 CPU、GPU 和 RAM 的電力消耗，再套用計算執行所在區域的碳強度，以計算總 CO2 排放量。

適用對象

專為希望監控並減少本地計算實驗與機器學習模型訓練碳足跡的開發者與研究人員設計。

主要特色

  • 輕量級 Python 套件：提供簡單 API，用於啟動與停止排放追蹤。
  • CLI 支援：無需修改原始碼，即可透過命令列追蹤指令。
  • 視覺化功能：提供儀表板與名為 carbonboard 的本地工具，用於分析排放資料。
  • 硬體偵測：包含 detect 指令，用於識別本地硬體元件。
  • 區域碳強度：考量使用者所在區域電力網的特定碳足跡。

相關

  • 專案
    saintslab/carbontracker

    用於追蹤與預測深度學習模型訓練過程中能源消耗與碳足跡的工具。

  • 專案
    mlco2/ecologits

    EcoLogits 是一個 Python 函式庫，用於估算對生成式 AI API（OpenAI、Anthropic、Cohere 等）的呼叫所消耗的電力與 CO₂‑當量排放。透過 `pip install ecologits` 安裝（視需求加入 provider extras），使用 `EcoLogits.init` 初始化，正常呼叫 API 後即可讀取 `response.impacts.energy.value.mean` 與 `response.impacts.gwp.value.mean` 取得估算的 kWh 與 kg CO₂‑eq。此套件為開源、屬於 CodeCarbon 非營利組織，旨在協助開發者追蹤與降低 AI 推論的環境影響。

  • 專案
    eduardolundgren/tracking.js

    一個輕量級的 JavaScript 函式庫，可直接在瀏覽器中實現顏色追蹤與臉部檢測等電腦視覺演算法。

  • Dispatch
    Hugging Face Hub 碳排放追蹤

    Hugging Face 已推出工具，用於追蹤、報告與篩選基於 CO2 排放的機器學習模型，以提升 AI 的環境透明度。

  • 專案
    pytorch/cpuinfo

    一個跨平台的 C/C++ 函式庫，用於檢測詳細的 CPU 硬體資訊，如指令集與快取拓撲，以實現效能最佳化。