Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-20 02:02 UTC

Lightning-AI / torchmetrics

Machine learning metrics for distributed, scalable PyTorch applications.

PythonApache-2.0★ 2.473 Sterne⑂ 526 Forksseit Dez. 2020Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugBibliothekwie das ermittelt wird
#python#data-science#machine-learning#pytorch#deep-learning#metrics#analyses

Lightning-AI/torchmetrics erreicht einen Gesundheitsindex von 90 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Community & Adoption (92/100) ab, am schwächsten bei Security (40/100). Zuletzt vor 5 Tagen aktualisiert. 2 Mitwirkende tragen den Großteil der jüngsten Arbeit.

90
gesamt / 100
Exzellent

Software-Gesundheitsindex

Metriken werden auf einer standardisierten Skala von 1–100 in gewichtete Kategorien gruppiert. Der Gesamtwert beginnt als ihr gewichtetes Mittel, kalibriert auf die Verteilung des öffentlichen Registers, sodass die Stufen Perzentilbedeutung tragen; sobald öffentliche Evidenz die Richtlinie für Hochrisikojurisdiktionen auslöst, wird die Bewertung angepasst und erhält die Obergrenze Gefährdet von 34.

90
Außergewöhnlich93-100Die Spitzengruppe des Registers (≈ obere 5 %); erfüllt im Wesentlichen alle geprüften Kriterien
Exzellent80-92Durchgehend stark; geringfügige Lücken
Gut65-79Gesund; Lücken sind begrenzt und beherrschbar
Mittel50-64Akzeptabel mit deutlichen Lücken; Überprüfung empfohlen
Schwach35-49Wesentliche Schwächen in mehreren Bereichen
Gefährdet20-34Erhebliche Schwächen; eine Übernahme erfordert Vorsicht
Kritisch1-19Schwerwiegende Probleme (aufgegeben, nur ein Maintainer, keine Hygiene)
VitalitätCommunity &VerbreitungNachhaltigkeit &GovernanceEngineering-QualitätSicherheitAI Readiness

Bewertungsprofil

Jede Achse ist eine Kategorie. Die Form zählt mehr als der Durchschnitt — ein gesundes Projekt füllt die gesamte Fläche, während ein Profil aus Spitzen und Kratern bedeutet, dass Stärke in einer Dimension Risiken in einer anderen verdeckt.

Der gewichtete Gesamtwert 76 wird auf der veröffentlichten Indexskala auf 90 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

⚡️ Lightning AI Organisation
6.868 Follower30 öffentliche Reposseit Dez. 2019

Dieses Repository wird von einer Organisation getragen — geteilte, rechenschaftspflichtige Trägerschaft, die jeden einzelnen Maintainer überdauern kann.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPItorchmetrics1.9.011.497.31173vor 194 Tagendeep-learningmachine-learningpytorchmetricsai

Metriken nach Kategorie

Vitalität

Lebt das Projekt — wird Code geschrieben und werden Releases ausgeliefert?

75Gut · 21 % des Gesamtindex

Entwicklungsaktivität

73Gut
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 5 Tagen
13.8/36Commit-Rhythmus — 20/52 Wochen mit Commits
16/18Commit-Volumen — 60 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year60
human_commit_share0,59
days_since_last_push5
active_weeks_last_year20

Release-Disziplin

78Gut
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 65 Releases veröffentlicht
16.2/36Release-Aktualität — letztes Release vor 194 Tagen
27/27Release-Rhythmus — ein Release etwa alle 40 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count65
latest_release_tagv1.9.0
releases_from_tagsnein
days_since_latest_release194
mean_days_between_releases40

Community & Verbreitung

Hat das Projekt Nutzer, Downloads, Aufmerksamkeit und ein einladendes Umfeld für Beitragende?

92Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

86Exzellent
Wie die Bewertung erfolgt
55/60Stars — 2.473 Stars
22.7/25Forks — 526 Forks
7.8/15Watcher — 26 Watcher
Verwendete Eingangsdaten
forks526
stars2.473
watchers26
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

92Exzellent
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (Apache-2.0)
18/18CONTRIBUTING-Leitfaden
13.5/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges10
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesbadge.fury.io, codecov.io, dev.azure.com, github.com, readthedocs.org, shields.io
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

100Außergewöhnlich
Wie die Bewertung erfolgt
80/80Downloads pro Monat — 11.497.311 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagestorchmetrics
dependents—
ecosystemspypi
total_downloads—
monthly_downloads11.497.311
unverified_packages_excluded—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Abhängige in der Registry. Die verbleibenden Gewichte wurden renormalisiert.

Nachhaltigkeit & Governance

Überdauert das Projekt die Menschen, die es tragen — Bus-Faktor, Reaktionsfähigkeit, Trägerschaft und Paketpflege?

75Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

57Mittel
Wie die Bewertung erfolgt
25.2/54Bus-Faktor — 2 Beitragende decken die Hälfte aller Commits ab
12.9/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 43 % der Commits
13.5/13.5Breite der Beitragenden — 97 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor2
contributors_sampled97
top_contributor_share0,426

Reaktionsfähigkeit bei Issues & PRs

81Exzellent
Wie die Bewertung erfolgt
37.7/42Issue-Lösungsquote — 90 % der Issues geschlossen
27/30PR-Annahme — 1.924/2.135 entschiedene PRs gemergt
4.3/13Newcomer PR acceptance — 5/15 PRs von Erstbeitragenden in 30 Tagen gemergt
0/15OpenSSF Scorecard: Code-Review — keine Daten
Verwendete Eingangsdaten
merged_prs1.924
open_issues107
closed_issues930
prs_merged_7d0
prs_decided_7d0
prs_merged_30d9
prs_decided_30d20
issue_closed_ratio0,897
closed_unmerged_prs211
first_time_authors_30d6
first_time_prs_merged_30d5
first_time_prs_decided_30d15

Eigentümerschaft & Trägerschaft

78Gut
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
25/25Reichweite des Inhabers — 6.868 Follower von Lightning-AI
22.9/25Kontohistorie — 30 öffentliche Repos, Kontoalter ca. 6 Jahre
Verwendete Eingangsdaten
followers6.868
owner_typeOrganization
is_verifiednein
owner_loginLightning-AI
public_repos30
account_age_days2.484

Paketpflege

91Exzellent
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
26/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 194 Tagen
20/20Versionshistorie — 73 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagestorchmetrics
ecosystemspypi
any_deprecatednein
min_days_since_publish194

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

91Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

92Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 12 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — pyproject.toml ([tool.ruff])
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — keine Daten
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_configja

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://lightning.ai/docs/torchmetrics/
10/10Repository-Beschreibung
10/10Topics — 7 Topics
0/10Wiki
Verwendete Eingangsdaten
topicspython, data-science, machine-learning, pytorch, deep-learning, metrics, analyses
has_wikinein
homepagehttps://lightning.ai/docs/torchmetrics/
docs_sitehttps://lightning.ai/docs/torchmetrics/
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

Sind die sichtbaren Sicherheits- und Lieferkettenpraktiken belastbar, ohne ungeklärte Exposition gegenüber Hochrisikojurisdiktionen?

40Schwach · 16 % des Gesamtindex

Sicherheitslage

25Gefährdet
Wie die Bewertung erfolgt
0/30Sicherheitsrichtlinie (SECURITY.md)
25/25Dependabot-Konfiguration
0/25Lockfiles für Abhängigkeiten
0/20CodeQL-Workflow
Verwendete Eingangsdaten
sourcefile_signals
lockfiles—
manifestspyproject.toml, requirements.txt, setup.py
has_codeql_workflownein
has_security_policynein
has_dependabot_configja

Abhängigkeits-Advisories

100Außergewöhnlich
Wie die Bewertung erfolgt
35/35Direkte Abhängigkeiten ohne bekannte Advisories — keine direkte Abhängigkeit trägt ein bekanntes Advisory
25/25Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
0/40Keine offenen Advisories — kein Advisory trägt ein Veröffentlichungsdatum
Verwendete Eingangsdaten
sourceosv
advisories0
affected_packages0
assessed_packages32
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Keine offenen Advisories. Die verbleibenden Gewichte wurden renormalisiert. Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:torchmetrics@1.9.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 32 Paketen. Erreichbarkeit wird nicht analysiert.

AI Readiness

Wie gut ist das Repository dafür ausgestattet, mit KI-Coding-Agenten entwickelt und gepflegt zu werden? Trägt ein bewusst kleines Gewicht (4 %): Agenten-Tooling ist ein echtes Pflegesignal, doch ein Repository ohne jedes Signal kann weiterhin 100/100 erreichen.

84Exzellent · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

55Mittel
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
15/15Maschinenlesbare Doku (llms.txt) — llms.txt wird von der Projektwebsite ausgeliefert (https://lightning.ai/llms.txt)
40/40Lesbare Commit-Historie — 55 von 59 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtja
llms_txt_urlhttps://lightning.ai/llms.txt
legible_history_share0,932
agent_instruction_files—
agent_instruction_max_bytes—

AI-Verify-Loop (Build / Test / Typprüfung)

100Außergewöhnlich
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — Makefile, docs/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — pyproject.toml ([tool.ruff])
11/11Statische Typprüfung — src/torchmetrics/py.typed
10/10Reproduzierbare Umgebung — devcontainer, Dockerfile
10/10Belegte Agentenpraxis — 6 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 41 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
0/10OpenSSF Scorecard: Pinned-Dependencies — keine Daten
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfiles—
has_dockerfileja
typed_languagenein
bootstrap_filesMakefile, docs/Makefile
has_devcontainerja
has_linter_configja
typecheck_configssrc/torchmetrics/py.typed
agent_commit_share0,06
toolchain_manifests—
dependency_bot_commit_share0,41

AI-Code-Lesbarkeit für Modelle

82Exzellent
Wie die Bewertung erfolgt
27/45Typprüfbarer Code — Python mit Typprüfungs-Konfiguration (src/torchmetrics/py.typed)
55/55Handhabbare Dateigrößen — 0/563 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes56.859
source_files_sampled563
oversized_source_files0

Maschinenlesbare AI-Schnittstellen

100Außergewöhnlich
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto) — für diese Art von Software nicht anwendbar
0/20MCP-Server — für diese Art von Software nicht anwendbar
40/40Lauffähige Beispiele — examples
Verwendete Eingangsdaten
example_dirsexamples
has_mcp_signalnein
api_schema_files—
interfaces_expected_of—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): API-Schema (OpenAPI/GraphQL/proto), MCP-Server. Die verbleibenden Gewichte wurden renormalisiert.

Eckdaten

2.473GitHub-Sterne
97Mitwirkende
60Commits, letzte 12 Monate
5Tage seit letztem Push
65Releases
2Bus-Faktor
107offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • OpenSSF Scorecard did not return a usable result (killed by SIGKILL — most likely the container's memory limit; 2026/09/20 02:01:53 Warning: PATs stored in env variables GITHUB_AUTH_TOKEN and GITHUB_TOKEN differ. Scorecard will use the former.); skipping Scorecard checks

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 526 ⇿
0Sterne
526Forks
65Releases

Wann jeder Stern und Fork hinzugefügt wurde, von GitHub erfasst und nach Tagen gruppiert. Das kumulierte Wachstum steht direkt über den täglichen Zugängen, aus denen es besteht, sodass beide gegeneinander lesbar sind: stetiger organischer Zuwachs sieht ganz anders aus als ein abrupter, kurzlebiger Ausschlag. Wo dieser Unterschied messbar ist, wird er als Wachstumsauthentizität ausgewiesen.

010020030040050060052082021-032023-122026-09
Major 1Minor 19Patch 43

Jeder Punkt umfasst 6 Tage.

Alle Abhängigkeiten 106

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 0 direkte und 106 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIaeon—indirekt
PyPIbert-score0.3.13indirekt
PyPIcachier4.2.0indirekt
PyPIcloudpickle—indirekt
PyPIcodecov2.1.13indirekt
PyPIcoverage7.10.7indirekt
PyPIdists-pytorch0.1indirekt
PyPIdocutils0.19indirekt
PyPIdython0.7.9indirekt
PyPIeinops—indirekt
PyPIfairlearn—indirekt
PyPIfast-bss-eval—indirekt
PyPIfaster-coco-eval—indirekt
PyPIfire—indirekt
PyPIgammatone—indirekt
PyPIhuggingface-hub—indirekt
PyPIipadic—indirekt
PyPIipython—indirekt
PyPIjiwer—indirekt
PyPIkornia—indirekt
PyPIlai-sphinx-theme—indirekt
PyPIlibrosa—indirekt
PyPIlightning—indirekt
PyPIlightning-utilities—indirekt
PyPIlightning-utilities0.15.3indirekt
PyPIlpips—indirekt
PyPImatplotlib—indirekt
PyPImecab-ko—indirekt
PyPImecab-ko-dic—indirekt
PyPImecab-python3—indirekt
PyPImir-eval—indirekt
PyPImonai1.4.0indirekt
PyPImypy1.18.2indirekt
PyPImyst-parser1.0.0indirekt
PyPInetcal—indirekt
PyPInltk—indirekt
PyPInumpy—indirekt
PyPIonnxruntime—indirekt
PyPIpackaging—indirekt
PyPIpandas—indirekt
PyPIpandoc2.4indirekt
PyPIpermetrics2.0.0indirekt
PyPIpesq—indirekt
PyPIphmdoctest1.4.0indirekt
PyPIpiq—indirekt
PyPIproperscoring0.1indirekt
PyPIpsutil—indirekt
PyPIpy-tree—indirekt
PyPIpycocotools—indirekt
PyPIpydantic—indirekt
PyPIpygithub—indirekt
PyPIpystoi—indirekt
PyPIpytdc—indirekt
PyPIpytest—indirekt
PyPIpytest8.4.2indirekt
PyPIpytest-cov7.0.0indirekt
PyPIpytest-doctestplus—indirekt
PyPIpytest-doctestplus1.4.0indirekt
PyPIpytest-rerunfailures—indirekt
PyPIpytest-rerunfailures16.0.1indirekt
PyPIpytest-timeout2.4.0indirekt
PyPIpytest-xdist3.8.0indirekt
PyPIpytorch-lightning—indirekt
PyPIpytorch-msssim1.0.0indirekt
PyPIregex—indirekt
PyPIrequests—indirekt
PyPIrouge-score—indirekt
PyPIsacrebleu—indirekt
PyPIsafetensors—indirekt
PyPIscienceplots—indirekt
PyPIscikit-image—indirekt
PyPIscikit-learn—indirekt
PyPIscipy—indirekt
PyPIsentencepiece—indirekt
PyPIsetuptools—indirekt
PyPIsewar—indirekt
PyPIsphinx5.3.0indirekt
PyPIsphinx-autobuild2024.10.3indirekt
PyPIsphinx-autodoc-typehints1.23.0indirekt
PyPIsphinx-copybutton0.5.2indirekt
PyPIsphinx-gallery0.19.0indirekt
PyPIsphinx-paramlinks0.6.0indirekt
PyPIsphinx-togglebutton0.3.2indirekt
PyPIsphinxcontrib-fulltoc—indirekt
PyPIsphinxcontrib-mockautodoc—indirekt
PyPIsrmrpy—indirekt
PyPIstatsmodels—indirekt
PyPItimm—indirekt
PyPItorch—indirekt
PyPItorch2.10.0indirekt
PyPItorch-complex—indirekt
PyPItorch-fidelity—indirekt
PyPItorch-linear-assignment—indirekt
PyPItorchaudio—indirekt
PyPItorchvision—indirekt
PyPItqdm—indirekt
PyPItransformers—indirekt
PyPItypes-emoji—indirekt
PyPItypes-protobuf—indirekt
PyPItypes-pyyaml—indirekt
PyPItypes-requests—indirekt
PyPItypes-setuptools—indirekt
PyPItypes-six—indirekt
PyPItypes-tabulate—indirekt
PyPIvmaf-torch—indirekt
PyPIwget—indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:torchmetrics@1.9.0 zieht 32 Pakete nach sich, direkt und transitiv: 0 tragen bekannte Advisories, davon 0 direkte Abhängigkeiten.

Keine bekannten Advisories betreffen die bewerteten Abhängigkeiten.

Ein Advisory bedeutet, dass die im Abhängigkeitsgraphen erfasste Version in den betroffenen Bereich eines Advisories fällt. Erreichbarkeit wird nicht analysiert, und der Graph enthält Entwicklungs- und Test-Pins — ein Fund kann das Werkzeug betreffen und nicht die ausgelieferte Software.

JSON-Rohbericht maschinenlesbar

Feedback

Stimmt etwas in diesem Bericht nicht, oder gibt es Gedanken dazu? Falsche Messungen, übersehene Tools, Ideen, Fragen — alles ist willkommen. Jede Nachricht wird gelesen und beantwortet.

Die Nachricht bleibt bei der Anmeldung erhalten.

Verwandte Einträge

Geprüfte Repositories, die Katalog-Tags oder Ökosysteme mit Lightning-AI/torchmetrics teilen. Nebeneinander lesen →

100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.Außergewöhnlich99ultralytics/ultralyticsUltralytics YOLO27, YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object trackingAußergewöhnlich99ray-project/rayRay is an AI compute engine. Ray consists of a core distributed runtime and a set of AI Libraries for accelerating ML workloads.Außergewöhnlich98autogluon/autogluonFast and Accurate ML in 3 Lines of CodeAußergewöhnlich98zenml-io/zenmlZenML 🙏: One AI Platform from Pipelines to Agents. https://zenml.io.Außergewöhnlich98pytorch/igniteHigh-level library to help with training and evaluating neural networks in PyTorch flexibly and transparently.Außergewöhnlich

Bewertungen sind Signale, keine Garantien. Sie spiegeln öffentlich sichtbare Praxis auf GitHub wider — kein Code-Audit und keine Sicherheitsgarantie.

Fehlende Daten werden ausgeschlossen und die Gewichte neu normiert, nie als null bewertet. Die Methodik ist versioniert und offen: Metriken v2.10.0, Schema v0.34.0 — vollständige Methodik · Metriken-Wiki.

Wie ein einzelnes Ergebnis im Gesamtregister steht: aggregierte Statistiken — PyPI.