# Come misuro l'impronta di carbonio dell'addestramento di un modello?

> Monitori l'energia di un addestramento con uno strumento come CodeCarbon, la moltiplichi per l'intensità di carbonio della rete locale e riporti hardware, durata e luogo.

Source: https://greenai.guide/it/come/come-misuro-l-impronta-di-carbonio-dell-addestramento-di-un-modello/  
Updated: 2026-11-19

## In breve

Avvolga lo script di addestramento in uno strumento di monitoraggio delle emissioni come CodeCarbon, che stima l'energia di CPU, GPU e memoria e la converte in carbonio usando la rete locale. Conti ogni esecuzione, comprese messa a punto e fallimenti, registri hardware, località e durata, e pubblichi il risultato insieme al modello. Se non ha log, un calcolatore come Green Algorithms può stimarla a posteriori.

## Steps

1. Aggiunga allo script di addestramento uno strumento di monitoraggio delle emissioni e lo arresti in un blocco finally, così che si chiuda sempre.
2. Dia a ogni esecuzione un nome di progetto o di esperimento, così da poter confrontare le configurazioni.
3. Registri hardware, durata, località e intensità di carbonio della rete utilizzata.
4. Conti le esecuzioni di messa a punto, quelle fallite e quelle abbandonate, oltre a quella finale.
5. Metta energia ed emissioni accanto all'accuratezza nella tabella dei risultati.
6. Pubblichi il dato nella scheda del modello (model card) o nell'articolo.

**Misuri durante l'addestramento, non dopo.** I dati di addestramento registrati esecuzione per esecuzione Le
permettono di confrontare le configurazioni sia per energia sia per accuratezza, e danno ad acquirenti e colleghi un
numero di cui fidarsi.

## Che cosa determina l'impronta? {#what-determines-the-footprint}

Nel 2019 Lacoste e colleghi hanno individuato i fattori principali: la località del server e la rete elettrica che
usa, la durata dell'addestramento, e la marca e il modello dell'hardware. Il carbonio è l'energia moltiplicata per
l'intensità di carbonio della rete nel luogo e nel momento in cui è stato eseguito il lavoro.

## Quali strumenti devo usare? {#which-tools-should-i-use}

- **CodeCarbon**, un pacchetto Python open source, stima l'energia a partire dalla potenza di processore, GPU e
  memoria e la converte con i dati della rete locale. I suoi tutorial mostrano come monitorare ogni configurazione e
  confrontare l'accuratezza con le emissioni, e offre indicazioni per i cluster i cui nodi di calcolo non hanno accesso
  a internet.
- **Green Algorithms**, un calcolatore di Lannelongue, Grealey e Inouye, stima l'impronta a partire da hardware,
  durata, memoria e località: è adatto ai lavori che non ha registrato.
- Il **Machine Learning CO2 Impact calculator** di Lacoste e colleghi fa una stima simile a partire da hardware, ore,
  fornitore e regione.

## Come lo pubblico? {#how-do-i-publish-it}

Le schede dei modelli di Hugging Face hanno un campo `co2_eq_emissions` per le emissioni in grammi, la fonte del dato,
il tipo di addestramento (pre-addestramento o fine-tuning), la località e l'hardware usato. Lo compili per ogni
modello che rilascia.

## Errori comuni {#common-mistakes}

- **Riportare solo l'esecuzione finale.** Le ricerche degli iperparametri e le esecuzioni fallite sono spesso la
  maggior parte del totale.
- **Usare un'unica media annuale nazionale** quando esistono dati regionali orari. Veda
  [trovare l'intensità di carbonio della rete](/it/come/come-trovo-l-intensita-di-carbonio-della-mia-rete-elettrica/).
- **Dare un solo numero senza metodo.** Indichi strumento, versione e perimetro.

Il metodo completo è in [come misurare l'energia dell'IA](/it/buone-pratiche/come-misurare-l-energia-e-il-carbonio-dell-ia/).

## Fonti

- [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)
