greenai.guide

Início › Como faço para…? › Como meço a pegada de carbono do treinamento de um modelo?

Como faço para…?

Como meço a pegada de carbono do treinamento de um modelo?

Atualizado · 2 min de leitura

Em resumo

Envolva o seu script de treinamento num rastreador de emissões como o CodeCarbon, que estima a energia da CPU, da GPU e da memória e a converte em carbono usando a rede elétrica local. Conte todas as execuções, incluindo ajustes e falhas, registre hardware, local e duração e publique o resultado junto com o modelo. Se você não tiver registros, uma calculadora como a Green Algorithms pode fazer a estimativa depois.

Passos

  1. Adicione um rastreador de emissões ao script de treinamento e pare-o num bloco finally para que ele sempre feche.
  2. Dê a cada execução um nome de projeto ou de experimento para poder comparar configurações.
  3. Registre o hardware, o tempo de execução, o local e a intensidade de carbono da rede usada.
  4. Conte as execuções de ajuste, as que falharam e as abandonadas, além da final.
  5. Coloque a energia e as emissões ao lado da precisão na sua tabela de resultados.
  6. Publique o número no model card ou no artigo.

Meça durante o treinamento, não depois. Números de treinamento registrados execução por execução permitem comparar configurações pela energia, além da precisão, e dão a compradores e colegas um número em que podem confiar.

O que determina a pegada?

Lacoste e colegas identificaram os principais fatores em 2019: a localização do servidor e a rede elétrica que ele usa, a duração do treinamento e a marca e o modelo do hardware. O carbono é a energia multiplicada pela intensidade de carbono da rede onde e quando o trabalho foi executado.

Que ferramentas devo usar?

  • O CodeCarbon, um pacote Python de código aberto, estima a energia a partir da potência do processador, da GPU e da memória e a converte com dados da rede local. Os tutoriais dele mostram como acompanhar cada configuração e comparar a precisão com as emissões, e há orientações para clusters cujos nós de computação não têm acesso à internet.
  • A Green Algorithms, uma calculadora de Lannelongue, Grealey e Inouye, estima uma pegada a partir do hardware, do tempo de execução, da memória e do local, o que serve para trabalhos que você não registrou.
  • A Machine Learning CO2 Impact calculator, de Lacoste e colegas, faz uma estimativa parecida a partir do hardware, das horas, do provedor e da região.

Como publico o resultado?

Os model cards do Hugging Face têm um campo co2_eq_emissions para as emissões em gramas, a origem do número, o tipo de treinamento (pré-treinamento ou ajuste fino), o local e o hardware usado. Preencha-o para cada modelo que você lançar.

Erros comuns

  • Informar só a execução final. Buscas de hiperparâmetros e execuções que falharam costumam ser a maior parte do total.
  • Usar uma única média nacional anual quando existem dados regionais por hora. Veja como encontrar a intensidade de carbono da rede.
  • Dar um único número sem método. Indique a ferramenta, a versão e o limite.

O método completo está em como medir a energia da IA.

Fontes

  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)

Junte-se a nós

Ajude a reduzir o impacto da IA no planeta

Receba novos guias, editais de financiamento e listagens dos diretórios por e-mail, cerca de uma vez por mês. Ou adicione seu produto, curso, doutorado ou pesquisa aos diretórios.

Sem rastreamento. Cancele a inscrição com um clique. Outras formas de participar · Privacidade