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

> Acompanhe a energia de um treinamento com uma ferramenta como o CodeCarbon, multiplique pela intensidade de carbono da rede local e informe hardware, tempo e local.

Source: https://greenai.guide/pt/como/como-meco-a-pegada-de-carbono-do-treinamento-de-um-modelo/  
Updated: 2026-11-19

## 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.

## Steps

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? {#what-determines-the-footprint}

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? {#which-tools-should-i-use}

- 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? {#how-do-i-publish-it}

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 {#common-mistakes}

- **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](/pt/como/como-encontro-a-intensidade-de-carbono-da-minha-rede-eletrica/).
- **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](/pt/boas-praticas/como-medir-a-energia-e-o-carbono-da-ia/).

## Fontes

- [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)
