greenai.guide

Home › Hoe doe ik…? › Hoe meet ik de CO2-voetafdruk van het trainen van een model?

Hoe doe ik…?

Hoe meet ik de CO2-voetafdruk van het trainen van een model?

Bijgewerkt · 1 min. leestijd

In het kort

Laat uw trainingsscript draaien binnen een emissietracker zoals CodeCarbon. Die schat het energieverbruik van uw CPU, GPU en geheugen en zet dat om in CO2 op basis van het lokale stroomnet. Tel elke run mee, ook afstemming en mislukte runs, leg hardware, locatie en duur vast en publiceer het resultaat samen met het model. Hebt u geen logs, dan kan een calculator als Green Algorithms het achteraf schatten.

Stappen

  1. Voeg een emissietracker toe aan het trainingsscript en stop die in een finally-blok, zodat hij altijd wordt afgesloten.
  2. Geef elke run een project- of experimentnaam, zodat u configuraties kunt vergelijken.
  3. Leg de hardware, looptijd, locatie en de gebruikte CO2-intensiteit van het stroomnet vast.
  4. Tel afstemmingsruns, mislukte en afgebroken runs mee, niet alleen de laatste.
  5. Zet energie en emissies naast de nauwkeurigheid in uw resultatentabel.
  6. Publiceer het cijfer in de modelkaart of het artikel.

Meet tijdens het trainen, niet achteraf. Cijfers die u per run vastlegt, laten u configuraties vergelijken op energie én nauwkeurigheid, en geven kopers en collega's een getal waarop ze kunnen vertrouwen.

Wat bepaalt de voetafdruk?

Lacoste en collega's benoemden in 2019 de belangrijkste factoren: de locatie van de server en het stroomnet dat die gebruikt, de duur van de training, en het merk en model van de hardware. CO2 is energie vermenigvuldigd met de CO2-intensiteit van het stroomnet op de plaats en het moment waarop de taak draaide.

Welke tools kan ik gebruiken?

  • CodeCarbon, een opensource-Pythonpakket, schat het energieverbruik uit het vermogen van processor, GPU en geheugen en rekent dat om met gegevens over het lokale stroomnet. De tutorials laten zien hoe u elke configuratie volgt en nauwkeurigheid afzet tegen emissies, en er is uitleg voor clusters waarvan de rekenknooppunten geen internettoegang hebben.
  • Green Algorithms, een calculator van Lannelongue, Grealey en Inouye, schat een voetafdruk op basis van hardware, looptijd, geheugen en locatie. Dat is handig voor taken die u niet hebt gelogd.
  • De Machine Learning CO2 Impact calculator van Lacoste en collega's maakt een vergelijkbare schatting op basis van hardware, uren, aanbieder en regio.

Hoe publiceer ik het?

Modelkaarten op Hugging Face hebben een veld co2_eq_emissions voor de emissies in grammen, de bron van het cijfer, het type training (pre-training of fine-tuning), de locatie en de gebruikte hardware. Vul het in voor elk model dat u uitbrengt.

Veelgemaakte fouten

  • Alleen de laatste run rapporteren. Zoektochten naar hyperparameters en mislukte runs vormen vaak het grootste deel van het totaal.
  • Eén nationaal jaargemiddelde gebruiken terwijl er regionale gegevens per uur bestaan. Zie CO2-intensiteit van het stroomnet vinden.
  • Eén getal geven zonder methode. Vermeld de tool, de versie en de afbakening.

De volledige methode staat in hoe u het energieverbruik van AI meet.

Bronnen

  1. Comparing model efficiency with carbon tracking, CodeCarbon documentation (2025)
  2. Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
  3. Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
  4. Quantifying the carbon emissions of machine learning, Lacoste, Luccioni, Schmidt and Dandres (2019)
  5. Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)

Doe mee

Help de impact van AI op de planeet te verkleinen

Ontvang ongeveer eens per maand nieuwe gidsen, financieringsoproepen en vermeldingen per e-mail. Of voeg uw product, cursus, promotieplaats of onderzoek toe aan de gidsen.

Geen tracking. Met één klik afmelden. Andere manieren om mee te doen · Privacy