# ¿Cómo mido la huella de carbono de entrenar un modelo?

> Mida la energía de un entrenamiento con una herramienta como CodeCarbon, multiplíquela por la intensidad de carbono de la red local e indique hardware, tiempo y ubicación.

Source: https://greenai.guide/es/como/como-mido-la-huella-de-carbono-de-entrenar-un-modelo/  
Updated: 2026-11-19

## En resumen

Envuelva su script de entrenamiento en un medidor de emisiones como CodeCarbon, que estima la energía de su CPU, su GPU y su memoria y la convierte en carbono usando la red local. Cuente todas las ejecuciones, incluidos el ajuste y los fallos, registre el hardware, la ubicación y la duración, y publique el resultado con el modelo. Si no tiene registros, una calculadora como Green Algorithms puede estimarlo después.

## Steps

1. Añada un medidor de emisiones al script de entrenamiento y deténgalo en un bloque finally para que siempre se cierre.
2. Dé a cada ejecución un nombre de proyecto o experimento para poder comparar configuraciones.
3. Registre el hardware, el tiempo de ejecución, la ubicación y la intensidad de carbono de la red usada.
4. Cuente las ejecuciones de ajuste, las fallidas y las abandonadas además de la final.
5. Ponga la energía y las emisiones junto a la precisión en su tabla de resultados.
6. Publique la cifra en la tarjeta del modelo o en el artículo.

**Mida mientras entrena, no después.** Las cifras de entrenamiento registradas ejecución por ejecución le permiten
comparar configuraciones por su energía además de por su precisión, y dan a compradores y colegas una cifra en la que
pueden confiar.

## ¿Qué determina la huella? {#what-determines-the-footprint}

Lacoste y sus colegas identificaron los factores principales en 2019: la ubicación del servidor y la red eléctrica que
usa, la duración del entrenamiento y la marca y el modelo del hardware. El carbono es la energía multiplicada por la
intensidad de carbono de la red en el lugar y el momento en que se ejecutó el trabajo.

## ¿Qué herramientas debo usar? {#which-tools-should-i-use}

- **CodeCarbon**, un paquete de Python de código abierto, estima la energía a partir de la potencia del procesador,
  la GPU y la memoria, y la convierte con datos de la red local. Sus tutoriales muestran cómo registrar cada
  configuración y comparar la precisión con las emisiones, y ofrece orientación para clústeres cuyos nodos de cómputo
  no tienen acceso a internet.
- **Green Algorithms**, una calculadora de Lannelongue, Grealey e Inouye, estima la huella a partir del hardware, el
  tiempo de ejecución, la memoria y la ubicación, lo que resulta adecuado para trabajos que no registró.
- La **Machine Learning CO2 Impact calculator** de Lacoste y sus colegas hace una estimación similar a partir del
  hardware, las horas, el proveedor y la región.

## ¿Cómo lo publico? {#how-do-i-publish-it}

Las tarjetas de modelo de Hugging Face tienen un campo `co2_eq_emissions` para las emisiones en gramos, la fuente de
la cifra, el tipo de entrenamiento (preentrenamiento o ajuste fino), la ubicación y el hardware usado. Rellénelo para
cada modelo que publique.

## Errores frecuentes {#common-mistakes}

- **Informar solo de la ejecución final.** Las búsquedas de hiperparámetros y las ejecuciones fallidas suelen ser la
  mayor parte del total.
- **Usar un único promedio anual nacional** cuando existen datos regionales por horas. Consulte
  [encontrar la intensidad de carbono de la red](/es/como/como-encuentro-la-intensidad-de-carbono-de-mi-red-electrica/).
- **Dar una sola cifra sin método.** Indique la herramienta, la versión y los límites.

El método completo está en [cómo medir la energía de la IA](/es/buenas-practicas/como-medir-la-energia-y-el-carbono-de-la-ia/).

## Fuentes

- [Comparing model efficiency with carbon tracking](https://docs.codecarbon.io/latest/tutorials/comparing-model-efficiency/), CodeCarbon documentation (2025)
- [Using CodeCarbon on SLURM](https://docs.codecarbon.io/latest/how-to/slurm/), CodeCarbon documentation (2025)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [Quantifying the carbon emissions of machine learning](https://arxiv.org/abs/1910.09700), Lacoste, Luccioni, Schmidt and Dandres (2019)
- [Displaying carbon emissions for your model](https://huggingface.co/docs/hub/model-cards-co2), Hugging Face Hub documentation (2026)
