# Comment mesurer l'empreinte carbone de l'entraînement d'un modèle ?

> Suivez l'énergie d'un entraînement avec un outil comme CodeCarbon, multipliez par l'intensité carbone du réseau local, et déclarez matériel, durée et lieu.

Source: https://greenai.guide/fr/comment/comment-mesurer-l-empreinte-carbone-de-l-entrainement-d-un-modele/  
Updated: 2026-11-19

## En bref

Encadrez votre script d'entraînement avec un outil de suivi des émissions comme CodeCarbon, qui estime l'énergie à partir de votre CPU, de votre GPU et de votre mémoire, et la convertit en carbone à l'aide des données du réseau local. Comptez chaque exécution, y compris le réglage et les échecs, notez le matériel, le lieu et la durée, et publiez le résultat avec le modèle. Si vous n'avez pas de journaux, un calculateur comme Green Algorithms peut en faire l'estimation après coup.

## Steps

1. Ajoutez un outil de suivi des émissions au script d'entraînement et arrêtez-le dans un bloc finally pour qu'il se ferme toujours.
2. Donnez à chaque exécution un nom de projet ou d'expérience pour pouvoir comparer les configurations.
3. Notez le matériel, la durée d'exécution, le lieu et l'intensité carbone du réseau utilisée.
4. Comptez les exécutions de réglage, ratées et abandonnées, en plus de l'exécution finale.
5. Placez l'énergie et les émissions à côté de la précision dans votre tableau de résultats.
6. Publiez le chiffre dans la fiche du modèle ou dans l'article.

**Mesurez pendant l'entraînement, pas après.** Des chiffres d'entraînement enregistrés exécution par exécution vous
permettent de comparer les configurations sur l'énergie autant que sur la précision, et donnent aux acheteurs et aux
collègues un chiffre fiable.

## Qu'est-ce qui détermine l'empreinte ? {#what-determines-the-footprint}

Lacoste et ses collègues ont identifié en 2019 les principaux facteurs : l'emplacement du serveur et le réseau
électrique qu'il utilise, la durée de l'entraînement, et la marque et le modèle du matériel. Le carbone correspond à
l'énergie multipliée par l'intensité carbone du réseau au lieu et au moment de l'exécution.

## Quels outils utiliser ? {#which-tools-should-i-use}

- **CodeCarbon**, un paquet Python open source, estime l'énergie à partir de la puissance du processeur, du GPU et de
  la mémoire, et la convertit avec les données du réseau local. Ses tutoriels montrent comment suivre chaque
  configuration et comparer la précision aux émissions, et il propose des recommandations pour les clusters dont les
  nœuds de calcul n'ont pas accès à internet.
- **Green Algorithms**, un calculateur de Lannelongue, Grealey et Inouye, estime une empreinte à partir du matériel,
  de la durée d'exécution, de la mémoire et du lieu, ce qui convient aux tâches que vous n'avez pas journalisées.
- Le **Machine Learning CO2 Impact calculator** de Lacoste et ses collègues fait une estimation similaire à partir du
  matériel, du nombre d'heures, du fournisseur et de la région.

## Comment le publier ? {#how-do-i-publish-it}

Les fiches de modèles de Hugging Face comportent un champ `co2_eq_emissions` pour les émissions en grammes, la source
du chiffre, le type d'entraînement (pré-entraînement ou fine-tuning), le lieu et le matériel utilisé. Remplissez-le
pour chaque modèle que vous publiez.

## Erreurs fréquentes {#common-mistakes}

- **Ne déclarer que l'exécution finale.** Les recherches d'hyperparamètres et les exécutions ratées représentent
  souvent l'essentiel du total.
- **Utiliser une seule moyenne nationale annuelle** alors que des données régionales horaires existent. Consultez
  [connaître l'intensité carbone du réseau](/fr/comment/comment-connaitre-l-intensite-carbone-de-mon-reseau-electrique/).
- **Donner un chiffre unique sans méthode.** Indiquez l'outil, sa version et le périmètre.

La méthode complète se trouve dans [comment mesurer l'énergie de l'IA](/fr/bonnes-pratiques/comment-mesurer-l-energie-et-le-carbone-de-l-ia/).

## Sources

- [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)
