# Jak zmierzyć ślad węglowy trenowania modelu?

> Należy śledzić energię trenowania narzędziem takim jak CodeCarbon, pomnożyć ją przez emisyjność lokalnej sieci i podać sprzęt, czas oraz lokalizację.

Source: https://greenai.guide/pl/jak/jak-zmierzyc-slad-weglowy-trenowania-modelu/  
Updated: 2026-11-19

## W skrócie

Skrypt trenujący należy objąć narzędziem do śledzenia emisji, takim jak CodeCarbon, które szacuje energię zużytą przez CPU, GPU i pamięć i przelicza ją na emisje według lokalnej sieci. Trzeba liczyć każdy przebieg, w tym strojenie i nieudane próby, zapisywać sprzęt, lokalizację i czas trwania, a wynik publikować razem z modelem. Jeśli brak logów, kalkulator taki jak Green Algorithms pozwala oszacować ślad po fakcie.

## Steps

1. Dodać narzędzie do śledzenia emisji do skryptu trenującego i zatrzymywać je w bloku finally, aby zawsze się zamykało.
2. Nadać każdemu przebiegowi nazwę projektu lub eksperymentu, aby można było porównywać konfiguracje.
3. Zapisywać sprzęt, czas działania, lokalizację i użytą emisyjność sieci.
4. Liczyć przebiegi strojenia, nieudane i porzucone, a nie tylko końcowy.
5. Umieszczać energię i emisje obok dokładności w tabeli wyników.
6. Publikować tę wartość w karcie modelu lub w artykule.

**Należy mierzyć w trakcie trenowania, a nie po nim.** Dane zapisywane przebieg po przebiegu pozwalają porównywać
konfiguracje pod względem energii, a nie tylko dokładności. Dają też kupującym i współpracownikom liczbę, której
mogą ufać.

## Od czego zależy ślad? {#what-determines-the-footprint}

Lacoste i współpracownicy wskazali w 2019 roku główne czynniki: lokalizację serwera i sieć energetyczną, z której
korzysta, czas trenowania oraz producenta i model sprzętu. Emisje to energia pomnożona przez emisyjność sieci w
miejscu i czasie, w którym działało zadanie.

## Jakich narzędzi użyć? {#which-tools-should-i-use}

- **CodeCarbon**, otwartoźródłowy pakiet Pythona, szacuje energię na podstawie mocy procesora, GPU i pamięci i
  przelicza ją według danych lokalnej sieci. Jego samouczki pokazują, jak śledzić każdą konfigurację i porównywać
  dokładność z emisjami. Zawiera też wskazówki dla klastrów, których węzły obliczeniowe nie mają dostępu do
  internetu.
- **Green Algorithms**, kalkulator autorstwa Lannelongue, Grealeya i Inouye, szacuje ślad na podstawie sprzętu,
  czasu działania, pamięci i lokalizacji, co sprawdza się przy zadaniach, których nie logowano.
- **Machine Learning CO2 Impact calculator** autorstwa Lacoste i współpracowników wykonuje podobny szacunek na
  podstawie sprzętu, liczby godzin, dostawcy i regionu.

## Jak to opublikować? {#how-do-i-publish-it}

Karty modeli w Hugging Face mają pole `co2_eq_emissions` na emisje w gramach, źródło tej wartości, rodzaj trenowania
(pre-training lub dostrajanie), lokalizację i użyty sprzęt. Należy je wypełniać dla każdego udostępnianego modelu.

## Częste błędy {#common-mistakes}

- **Raportowanie tylko końcowego przebiegu.** Przeszukiwanie hiperparametrów i nieudane przebiegi często stanowią
  większość całości.
- **Używanie jednej krajowej średniej rocznej**, gdy istnieją godzinowe dane regionalne. Zob.
  [jak znaleźć dane o emisyjności sieci](/pl/jak/jak-sprawdzic-emisyjnosc-mojej-sieci-elektroenergetycznej/).
- **Podawanie jednej liczby bez metody.** Należy podać narzędzie, wersję i granice.

Pełna metoda: [jak mierzyć energię AI](/pl/dobre-praktyki/jak-mierzyc-zuzycie-energii-i-emisje-ai/).

## Źródła

- [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)
