# 모델 학습의 탄소 발자국은 어떻게 측정하나요?

> CodeCarbon 같은 도구로 학습 실행의 에너지를 추적하고, 지역 전력망 탄소 집약도를 곱하고, 하드웨어·시간·위치를 함께 보고하십시오.

Source: https://greenai.guide/ko/방법/모델-학습의-탄소-발자국은-어떻게-측정하나요/  
Updated: 2026-11-19

## 요약

학습 스크립트를 CodeCarbon 같은 배출량 추적기로 감싸십시오. CodeCarbon은 CPU, GPU, 메모리에서 에너지를 추정하고 지역 전력망 데이터로 탄소로 환산합니다. 튜닝과 실패를 포함해 모든 실행을 세고, 하드웨어, 위치, 실행 시간을 기록하고, 결과를 모델과 함께 공개하십시오. 로그가 없다면 Green Algorithms 같은 계산기로 나중에 추정할 수 있습니다.

## Steps

1. 학습 스크립트에 배출량 추적기를 추가하고, 항상 종료되도록 finally 블록에서 멈추십시오.
2. 구성을 비교할 수 있도록 실행마다 프로젝트나 실험 이름을 붙이십시오.
3. 하드웨어, 실행 시간, 위치, 사용한 전력망 탄소 집약도를 기록하십시오.
4. 최종 실행뿐 아니라 튜닝, 실패, 중단된 실행도 세십시오.
5. 결과 표에서 정확도 옆에 에너지와 배출량을 적으십시오.
6. 모델 카드나 논문에 수치를 공개하십시오.

**학습이 끝난 뒤가 아니라 학습하는 동안 측정하십시오.** 실행마다 기록한 학습 수치가 있으면 정확도뿐 아니라 에너지로도 구성을 비교할 수 있고, 구매자와 동료에게 믿을 만한 숫자를 줄 수 있습니다.

## 발자국은 무엇으로 결정되나요? {#what-determines-the-footprint}

Lacoste와 동료들은 2019년에 주요 요인을 밝혔습니다. 서버의 위치와 사용하는 전력망, 학습 기간, 하드웨어의 제조사와 모델입니다. 탄소는 에너지에 작업이 실행된 장소와 시간의 전력망 탄소 집약도를 곱한 값입니다.

## 어떤 도구를 써야 하나요? {#which-tools-should-i-use}

- 오픈소스 Python 패키지인 **CodeCarbon**은 프로세서, GPU, 메모리 전력에서 에너지를 추정하고 지역 전력망 데이터로 환산합니다. 튜토리얼에서 구성별로 추적하고 정확도와 배출량을 비교하는 방법을 보여 주며, 컴퓨트 노드가 인터넷에 연결되지 않은 클러스터를 위한 안내도 있습니다.
- Lannelongue, Grealey, Inouye가 만든 계산기인 **Green Algorithms**는 하드웨어, 실행 시간, 메모리, 위치로 발자국을 추정하므로 기록하지 않은 작업에 알맞습니다.
- Lacoste와 동료들의 **Machine Learning CO2 Impact 계산기**도 하드웨어, 시간, 제공업체, 지역으로 비슷하게 추정합니다.

## 어떻게 공개하나요? {#how-do-i-publish-it}

Hugging Face 모델 카드에는 그램 단위 배출량, 수치의 출처, 학습 유형(사전 학습 또는 파인튜닝), 위치, 사용한 하드웨어를 적는 `co2_eq_emissions` 필드가 있습니다. 공개하는 모든 모델에 이 필드를 채우십시오.

## 흔한 실수 {#common-mistakes}

- **최종 실행만 보고하는 것.** 하이퍼파라미터 탐색과 실패한 실행이 전체의 대부분인 경우가 많습니다.
- **시간별 지역 데이터가 있는데 국가 연평균 하나를 쓰는 것.** [전력망 탄소 집약도 데이터 찾기](/ko/방법/우리-지역-전력망의-탄소-집약도는-어디서-찾을-수-있나요/)를 참고하십시오.
- **방법 없이 숫자 하나만 제시하는 것.** 도구, 버전, 경계를 밝히십시오.

전체 방법은 [AI 에너지 측정 방법](/ko/모범-사례/ai의-에너지와-탄소를-측정하는-방법/)에 있습니다.

## 출처

- [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)
