Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-10-21 21:24 UTC

Project-AgML / AgML

AgML is a centralized framework for agricultural machine learning. AgML provides access to public agricultural datasets for common agricultural deep learning tasks, with standard benchmarks and pretrained models, as well the ability to generate synthetic data and annotations.

PythonApache-2.0★ 350 Sterne⑂ 54 Forksseit Okt. 2021Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#deep-learning#agriculture#pytorch#dataset#image-classification#object-detection#semantic-segmentation#computer-vision#synthetic-data

Project-AgML/AgML erreicht einen Gesundheitsindex von 81 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Engineering Quality (86/100) ab, am schwächsten bei Security (45/100). Zuletzt vor 1 Tag aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

81
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.

81
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 69 wird auf der veröffentlichten Indexskala auf 81 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

AgMLOrganisation
89 Follower7 öffentliche Reposseit Dez. 2021

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlicht
PyPIagml0.8.235332vor 1 Tag

Metriken nach Kategorie

Vitalität

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

78Gut · 21 % des Gesamtindex

Entwicklungsaktivität

69Gut
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 1 Tagen
7.6/36Commit-Rhythmus — 11/52 Wochen mit Commits
15.3/18Commit-Volumen — 49 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 14 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year49
human_commit_share1
days_since_last_push1
active_weeks_last_year11

Release-Disziplin

92Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 30 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 1 Tagen
19.8/27Release-Rhythmus — ein Release etwa alle 113,3 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count30
latest_release_tagv0.8.2
releases_from_tagsnein
days_since_latest_release1
mean_days_between_releases113,3
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): OpenSSF Scorecard: Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Community & Verbreitung

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

73Gut · 17 % des Gesamtindex

Popularität & Verbreitung

62Mittel
Wie die Bewertung erfolgt
41.2/60Stars — 350 Stars
14.4/25Forks — 54 Forks
6.7/15Watcher — 17 Watcher
Verwendete Eingangsdaten
forks54
stars350
watchers17
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

85Exzellent
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
0/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges0
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_services—
has_pull_request_templatenein

Nachhaltigkeit & Governance

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

63Mittel · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

33Gefährdet
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
4.4/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 80 % der Commits
13.5/13.5Breite der Beitragenden — 17 Beitragende
6/10OpenSSF Scorecard: Contributors — project has 2 contributing companies or organizations -- score normalized to 6
Verwendete Eingangsdaten
bus_factor1
contributors_sampled17
top_contributor_share0,804

Reaktionsfähigkeit bei Issues & PRs

72Gut
Wie die Bewertung erfolgt
27.1/42Issue-Lösungsquote — 64 % der Issues geschlossen
29/30PR-Annahme — 56/58 entschiedene PRs gemergt
13/13Newcomer PR acceptance — 1/1 PRs von Erstbeitragenden in 30 Tagen gemergt
3/15OpenSSF Scorecard: Code-Review — Found 3/11 approved changesets -- score normalized to 2
Verwendete Eingangsdaten
merged_prs56
open_issues11
closed_issues20
prs_merged_7d2
prs_decided_7d2
prs_merged_30d2
prs_decided_30d2
issue_closed_ratio0,645
closed_unmerged_prs2
first_time_authors_30d1
first_time_prs_merged_30d1
first_time_prs_decided_30d1

Eigentümerschaft & Trägerschaft

60Mittel
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
14.1/25Reichweite des Inhabers — 89 Follower von Project-AgML
16.2/25Kontohistorie — 7 öffentliche Repos, Kontoalter ca. 4 Jahre
Verwendete Eingangsdaten
followers89
owner_typeOrganization
is_verifiednein
owner_loginProject-AgML
public_repos7
account_age_days1.756

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 1 Tagen
20/20Versionshistorie — 32 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesagml
ecosystemspypi
any_deprecatednein
min_days_since_publish1

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

86Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

84Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 2 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — ruff.toml
0/9.6Pre-Commit-Hooks
0/6.4.editorconfig
20/20OpenSSF Scorecard: CI-Tests — 10 out of 10 merged PRs checked by a CI test -- score normalized to 10
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_confignein

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://project-agml.github.io
10/10Repository-Beschreibung
10/10Topics — 9 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsdeep-learning, agriculture, pytorch, dataset, image-classification, object-detection, semantic-segmentation, computer-vision, synthetic-data
has_wikinein
homepagehttps://project-agml.github.io
docs_sitehttps://project-agml.github.io
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

45Schwach · 16 % des Gesamtindex

Sicherheitslage

40Schwach
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
3.8/7.5Branch-Protection — branch protection is not maximal on development and all release branches
2.5/2.5CI-Tests — 10 out of 10 merged PRs checked by a CI test -- score normalized to 10
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
1.5/7.5Code-Review — Found 3/11 approved changesets -- score normalized to 2
1.5/2.5Contributors — project has 2 contributing companies or organizations -- score normalized to 6
10/10Dangerous-Workflow — no dangerous workflow patterns detected
0/7.5Dependency-Update-Tool — no update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Lizenz — license file detected
7.5/7.5Maintained — 14 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
0/5Packaging — keine Daten
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
0/5SAST — SAST tool is not run on all commits -- score normalized to 0
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — keine Daten
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
0/7.5Vulnerabilities — 69 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate4
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Packaging, Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Abhängigkeits-Advisories

67Gut
Wie die Bewertung erfolgt
14.8/35Direkte Abhängigkeiten ohne bekannte Advisories — 2 betroffen: datasets 5.0.0 (moderate 6.5), requests 2.32.3 (moderate 5.5)
0/25Indirekte Abhängigkeiten ohne bekannte Advisories — transitive Menge in diesem Bereich nicht von Entwicklungs- und Test-Abhängigkeiten trennbar
35.2/40Keine offenen Advisories — 1 Paket(e) mit Advisory seit über 90 Tagen unbehandelt; ältestes vor 499 Tagen veröffentlicht
Verwendete Eingangsdaten
sourceosv
advisories110
affected_packages13
assessed_packages90
unassessed_packages0
affected_by_severitycritical 2, high 4, moderate 6, low 1
direct_affected_packages2
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Indirekte Abhängigkeiten ohne bekannte Advisories. Die verbleibenden Gewichte wurden renormalisiert. 90 aufgelöste Abhängigkeiten wurden mit OSV abgeglichen. Dieses Repository veröffentlicht kein Paket, das der Index auflöst; bewertet wurde daher der Abhängigkeitsgraph des Repositorys. Dieser Graph vermischt Entwicklungs- und Test-Pins mit ausgelieferten Abhängigkeiten, daher werden nur die deklarierten Laufzeit-Abhängigkeiten bewertet; transitive Befunde werden als Kontext ausgewiesen und fließen nicht in die Bewertung ein. 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.

59Mittel · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

11Kritisch
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
11.2/40Lesbare Commit-Historie — 21 von 100 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,21
agent_instruction_files—
agent_instruction_max_bytes—

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

72Gut
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — ruff.toml
11/11Statische Typprüfung — config/mypy.ini
10/10Reproduzierbare Umgebung — lockfile
0/10Belegte Agentenpraxis — keine von Agenten verfassten Commits unter den letzten 100
0/8Automatisierte Wartung — keine automatisierten Abhängigkeits-Updates beobachtet
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesuv.lock
has_dockerfilenein
typed_languagenein
bootstrap_filesMakefile
has_devcontainernein
has_linter_configja
typecheck_configsconfig/mypy.ini
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0

AI-Code-Lesbarkeit für Modelle

81Exzellent
Wie die Bewertung erfolgt
27/45Typprüfbarer Code — Python mit Typprüfungs-Konfiguration (config/mypy.ini)
53.7/55Handhabbare Dateigrößen — 3/128 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes86.964
source_files_sampled128
oversized_source_files3

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, notebooks
Verwendete Eingangsdaten
example_dirsexamples, notebooks
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

350GitHub-Sterne
17Mitwirkende
49Commits, letzte 12 Monate
1Tage seit letztem Push
30Releases
1Bus-Faktor
11offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • deps.dev does not index pypi:agml@0.8.2; advisories assessed against the repository dependency graph instead

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 54 ⇿
0Sterne
54Forks
26Releases

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.

010203040505042022-012024-052026-09
Major 0Minor 6Patch 20

Jeder Punkt umfasst 5 Tage.

OpenSSF Scorecard 4.0 / 10
4.0Gesamtwert

Unabhängige, werkzeugneutrale Sicherheitsbewertung durch das quelloffene OpenSSF Scorecard. Jede Prüfung honoriert eine Sicherheits-Praxis, nicht das Werkzeug eines bestimmten Anbieters. Prüfungen, die Scorecard nicht ermitteln konnte, sind mit k. A. markiert und vom Sicherheitswert ausgeschlossen (nie als null gezählt).Scorecard v5.5.0 · 2026-10-21 21:24 UTC

10Binary-Artifactsno binaries found in the repo
5Branch-Protectionbranch protection is not maximal on development and all release branches
10CI-Tests10 out of 10 merged PRs checked by a CI test -- score normalized to 10
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
2Code-ReviewFound 3/11 approved changesets -- score normalized to 2
6Contributorsproject has 2 contributing companies or organizations -- score normalized to 6
10Dangerous-Workflowno dangerous workflow patterns detected
0Dependency-Update-Toolno update tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
10Maintained14 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
k. A.Packagingpackaging workflow not detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
0SASTSAST tool is not run on all commits -- score normalized to 0
0Security-Policysecurity policy file not detected
k. A.Signed-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
0Vulnerabilities69 existing vulnerabilities detected
Direkte Abhängigkeiten 11
RegistryPaketVersionsvorgabeManifest
PyPImatplotlib>=3.7.5pyproject.toml
PyPInumpy>=1.24.4pyproject.toml
PyPIopencv-python>=4.10.0.84pyproject.toml
PyPIopencv-python-headless>=4.10.0.84pyproject.toml
PyPIrequests>=2.0.0pyproject.toml
PyPItqdm>=4.67.0pyproject.toml
PyPIpyyaml>=6.0.2pyproject.toml
PyPIalbumentations>=1.4.18pyproject.toml
PyPIdict2xml>=1.7.6pyproject.toml
PyPIrich>=14.0.0pyproject.toml
PyPIdatasets—pyproject.toml
Alle Abhängigkeiten 90

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 11 direkte und 79 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIalbumentations2.0.5direkt
PyPIdatasets5.0.0direkt
PyPIdict2xml1.7.6direkt
PyPImatplotlib3.10.1direkt
PyPInumpy2.2.4direkt
PyPIopencv-python4.11.0.86direkt
PyPIopencv-python-headless4.11.0.86direkt
PyPIpyyaml6.0.2direkt
PyPIrequests2.32.3direkt
PyPIrich14.0.0direkt
PyPItqdm4.67.1direkt
PyPIagml0.8.0indirekt
PyPIaiohappyeyeballs2.7.1indirekt
PyPIaiohttp3.14.1indirekt
PyPIaiosignal1.4.0indirekt
PyPIalbucore0.0.23indirekt
PyPIannotated-types0.7.0indirekt
PyPIanyio4.14.1indirekt
PyPIasync-timeout5.0.1indirekt
PyPIattrs25.3.0indirekt
PyPIboto31.37.31indirekt
PyPIbotocore1.37.31indirekt
PyPIcertifi2025.1.31indirekt
PyPIcharset-normalizer3.4.1indirekt
PyPIclick8.4.2indirekt
PyPIcolorama0.4.6indirekt
PyPIcontourpy1.3.1indirekt
PyPIcoverage7.8.0indirekt
PyPIcycler0.12.1indirekt
PyPIdill0.4.1indirekt
PyPIexceptiongroup1.2.2indirekt
PyPIfilelock3.29.7indirekt
PyPIfonttools4.57.0indirekt
PyPIfrozenlist1.8.0indirekt
PyPIfsspec2026.4.0indirekt
PyPIh110.16.0indirekt
PyPIhf-xet1.5.1indirekt
PyPIhttpcore1.0.9indirekt
PyPIhttpx0.28.1indirekt
PyPIhuggingface-hub1.23.0indirekt
PyPIidna3.10indirekt
PyPIimageio2.37.0indirekt
PyPIiniconfig2.1.0indirekt
PyPIinterrogate1.7.0indirekt
PyPIjmespath1.0.1indirekt
PyPIjoblib1.4.2indirekt
PyPIkiwisolver1.4.8indirekt
PyPIlazy-loader0.4indirekt
PyPImarkdown-it-py3.0.0indirekt
PyPImdurl0.1.2indirekt
PyPImultidict6.7.1indirekt
PyPImultiprocess0.70.19indirekt
PyPImypy1.15.0indirekt
PyPImypy-extensions1.0.0indirekt
PyPInetworkx3.4.2indirekt
PyPIpackaging24.2indirekt
PyPIpandas2.2.3indirekt
PyPIpillow11.1.0indirekt
PyPIpluggy1.5.0indirekt
PyPIpropcache0.5.2indirekt
PyPIpy1.11.0indirekt
PyPIpyarrow25.0.0indirekt
PyPIpydantic2.11.3indirekt
PyPIpydantic-core2.33.1indirekt
PyPIpygments2.19.1indirekt
PyPIpyparsing3.2.3indirekt
PyPIpytest8.3.5indirekt
PyPIpytest-cov6.1.1indirekt
PyPIpytest-order1.3.0indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpytz2025.2indirekt
PyPIruff0.11.5indirekt
PyPIs3transfer0.11.4indirekt
PyPIscikit-image0.25.2indirekt
PyPIscikit-learn1.6.1indirekt
PyPIscipy1.15.2indirekt
PyPIshapely2.1.0indirekt
PyPIsimsimd6.2.1indirekt
PyPIsix1.17.0indirekt
PyPIstringzilla3.12.3indirekt
PyPItabulate0.9.0indirekt
PyPIthreadpoolctl3.6.0indirekt
PyPItifffile2025.3.30indirekt
PyPItomli2.2.1indirekt
PyPItyping-extensions4.13.2indirekt
PyPItyping-inspection0.4.0indirekt
PyPItzdata2025.2indirekt
PyPIurllib32.4.0indirekt
PyPIxxhash3.8.1indirekt
PyPIyarl1.24.2indirekt
Abhängigkeits-Advisories 13

Dieses Repository veröffentlicht kein vom Index auflösbares Paket, daher wurde sein eigener Abhängigkeitsgraph bewertet – 90 Pakete, darunter auch Entwicklungs- und Test-Pins, die nie ausgeliefert werden: 13 tragen bekannte Advisories, davon 2 direkte.

PaketVersionBeziehungSchweregradAdvisoriesBehoben in
anyio4.14.1indirektkritisch64.14.2
pillow11.1.0indirektkritisch5413.0.0
aiohttp3.14.1indirekthoch143.14.4
certifi2025.1.31indirekthoch22026.10.19
fsspec2026.4.0indirekthoch22026.6.0
urllib32.4.0indirekthoch162.8.0
datasets5.0.0direktmittel25.0.1
requests2.32.3direktmittel42.33.0
fonttools4.57.0indirektmittel24.60.2
idna3.10indirektmittel23.15
multidict6.7.1indirektmittel26.9.1
pytest8.3.5indirektmittel29.0.3
pygments2.19.1indirektniedrig22.20.0

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 Project-AgML/AgML teilen. Nebeneinander lesen →

99ultralytics/ultralyticsUltralytics YOLO27, YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object trackingAußergewöhnlich94albumentations-team/AlbumentationsXImage augmentation for computer vision. AGPL-3.0-only or commercial licensing.Außergewöhnlich99voxel51/fiftyoneRefine high-quality datasets and visual AI modelsAußergewöhnlich98openvinotoolkit/nncfNeural Network Compression Framework for enhanced OpenVINO™ inferenceAußergewöhnlich98autogluon/autogluonFast and Accurate ML in 3 Lines of CodeAußergewöhnlich96roboflow/supervisionWe write your reusable computer vision tools. 💜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.