# Comment mesurer l'énergie consommée par l'IA sur mon ordinateur ou mon GPU ?

> Mesurez l'énergie de l'IA locale avec les compteurs matériels, la télémétrie GPU ou un wattmètre, en échantillonnant toute la tâche et en retirant la consommation au repos.

Source: https://greenai.guide/fr/comment/comment-mesurer-l-energie-consommee-par-l-ia-sur-mon-ordinateur-ou/  
Updated: 2026-11-19

## En bref

Sur votre propre machine, vous pouvez mesurer directement : utilisez CodeCarbon ou un outil qui lit les compteurs du processeur et du GPU, ou placez une prise connectée avec wattmètre entre l'ordinateur et la prise murale. Relevez d'abord la consommation au repos, échantillonnez pendant toute la tâche plutôt que de prendre des instantanés, et répétez l'exécution plusieurs fois avant de vous fier au chiffre.

## Steps

1. Mesurez la puissance de la machine au repos avant de commencer.
2. Lancez la tâche d'IA avec CodeCarbon, un outil fondé sur les compteurs ou une prise connectée avec wattmètre qui enregistre en continu.
3. Échantillonnez la puissance du GPU pendant toute la tâche et intégrez-la dans le temps.
4. Répétez l'exécution plusieurs fois et indiquez la moyenne et la fourchette.
5. Vérifiez une fois par machine un outil logiciel par rapport à un wattmètre à la prise.

**Le matériel que vous possédez peut être mesuré, ce qui vaut mieux que n'importe quelle estimation.** C'est le
meilleur moyen de voir ce qu'un modèle local, un fine-tuning ou un outil de codage par IA consomme réellement sur
votre machine.

## Quels outils puis-je utiliser ? {#which-tools-can-i-use}

| Option | Ce qu'elle mesure | Utile pour |
|---|---|---|
| Prise connectée avec wattmètre | La machine entière, à la prise | Tout le monde ; vérifier les autres outils |
| CodeCarbon | Puissance du processeur, du GPU et de la mémoire, plus le carbone du réseau | Scripts Python, entraînement et inférence locale |
| Compteurs du processeur (RAPL sur de nombreuses puces Intel et AMD) | Énergie du CPU et de la mémoire | Outils Linux comme `perf`, Scaphandre, PowerJoular |
| Télémétrie GPU (`nvidia-smi`, NVML) | Puissance du GPU | Entraînement et inférence de modèles sur cartes NVIDIA |

## Pourquoi échantillonner dans la durée ? {#why-sample-over-time}

Les mesures du GPU sont échantillonnées, pas continues. Yang et ses collègues ont constaté que sur les GPU A100 et
H100, `nvidia-smi` n'échantillonne la puissance que sur environ 25 % du temps d'exécution, ce qui peut fortement
induire en erreur pour les tâches courtes. Enregistrez les mesures pendant toute la tâche, exécutez-la assez
longtemps pour couvrir de nombreux intervalles d'échantillonnage, et additionnez-les dans le temps.

## Erreurs fréquentes {#common-mistakes}

- **Oublier la consommation au repos.** Un ordinateur de bureau consomme de l'électricité sans rien faire ;
  soustrayez-la pour voir ce que l'IA ajoute.
- **Ne mesurer qu'une fois.** La température, les tâches d'arrière-plan et la variation de fréquence modifient les
  mesures. Répétez et donnez une fourchette.
- **Ne comparer que la vitesse.** Plus rapide et moins énergivore vont souvent ensemble, mais pas toujours. Indiquez
  les deux.

Pour convertir l'énergie en carbone, consultez
[connaître l'intensité carbone du réseau](/fr/comment/comment-connaitre-l-intensite-carbone-de-mon-reseau-electrique/). 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

- [Part-time power measurements: nvidia-smi's lack of attention](https://arxiv.org/abs/2312.02741), Yang et al. (arXiv 2312.02741) (2023)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [When to use CodeCarbon](https://docs.codecarbon.io/latest/explanation/when-to-use/), CodeCarbon (2025)
