Öffentliches Register
Software-GesundheitsberichtSchema 0.31.0 · Metriken 2.10.0 · 2026-08-12 22:55 UTC

Project-MONAI / MONAI

AI Toolkit for Healthcare Imaging

PythonApache-2.0★ 8.591 Sterne⑂ 1.599 Forksseit Okt. 2019Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#healthcare-imaging#deep-learning#medical-image-computing#medical-image-processing#pytorch#python3#monai

Project-MONAI/MONAI erreicht einen Gesundheitsindex von 100 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Security (100/100) ab, am schwächsten bei AI Readiness (75/100). Zuletzt vor 2 Tagen aktualisiert. 3 Mitwirkende tragen den Großteil der jüngsten Arbeit.

100
gesamt / 100
Außergewöhnlich

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.

100
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 92 wird auf der veröffentlichten Indexskala auf 100 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

Project MONAIOrganisation
2.804 Follower37 öffentliche Reposseit Okt. 2019

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlicht
PyPImonai1.6.0-44vor 51 Tagen

Metriken nach Kategorie

Vitalität

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

89Exzellent · 21 % des Gesamtindex

Entwicklungsaktivität

92Exzellent
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 2 Tagen
28.4/36Commit-Rhythmus — 41/52 Wochen mit Commits
18/18Commit-Volumen — 210 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year210
human_commit_share0,96
days_since_last_push2
active_weeks_last_year41

Release-Disziplin

84Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 24 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 62 Tagen
12.6/27Release-Rhythmus — ein Release etwa alle 141 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count24
latest_release_tag1.6.0
releases_from_tagsnein
days_since_latest_release62
mean_days_between_releases141

Community & Verbreitung

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

94Außergewöhnlich · 17 % des Gesamtindex

Popularität & Verbreitung

96Außergewöhnlich
Wie die Bewertung erfolgt
60/60Stars — 8.591 Stars
25/25Forks — 1.599 Forks
11.1/15Watcher — 100 Watcher
Verwendete Eingangsdaten
forks1.599
stars8.591
watchers100
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_badges9
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesbadge.fury.io, codecov.io, github.com, readthedocs.org, shields.io
has_pull_request_templateja

Nachhaltigkeit & Governance

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

86Exzellent · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

73Gut
Wie die Bewertung erfolgt
36/54Bus-Faktor — 3 Beitragende decken die Hälfte aller Commits ab
16.5/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 27 % der Commits
13.5/13.5Breite der Beitragenden — 97 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor3
contributors_sampled97
top_contributor_share0,268

Reaktionsfähigkeit bei Issues & PRs

80Exzellent
Wie die Bewertung erfolgt
37.5/42Issue-Lösungsquote — 89 % der Issues geschlossen
26.6/30PR-Annahme — 3.395/3.834 entschiedene PRs gemergt
3.7/13Newcomer PR acceptance — 2/7 PRs von Erstbeitragenden in 30 Tagen gemergt
0/15OpenSSF Scorecard: Code-Review — keine Daten
Verwendete Eingangsdaten
merged_prs3.395
open_issues351
closed_issues2.966
prs_merged_7d1
prs_decided_7d4
prs_merged_30d8
prs_decided_30d21
issue_closed_ratio0,894
closed_unmerged_prs439
first_time_authors_30d7
first_time_prs_merged_30d2
first_time_prs_decided_30d7

Eigentümerschaft & Trägerschaft

98Außergewöhnlich
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain — Verifizierungsstatus der Domain für diese Organisation nicht ausgelesen
24.8/25Reichweite des Inhabers — 2.804 Follower von Project-MONAI
23.5/25Kontohistorie — 37 öffentliche Repos, Kontoalter ca. 6 Jahre
Verwendete Eingangsdaten
followers2.804
owner_typeOrganization
is_verified—
owner_loginProject-MONAI
public_repos37
account_age_days2.497
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Verifizierte Domain. Die verbleibenden Gewichte wurden renormalisiert.

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 51 Tagen
20/20Versionshistorie — 44 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesmonai
ecosystemspypi
any_deprecatednein
min_days_since_publish51

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

95Außergewöhnlich · 19 % des Gesamtindex

Engineering-Praktiken

92Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 15 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration
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

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://project-monai.github.io/
10/10Repository-Beschreibung
10/10Topics — 7 Topics
10/10Wiki
Verwendete Eingangsdaten
topicshealthcare-imaging, deep-learning, medical-image-computing, medical-image-processing, pytorch, python3, monai
has_wikija
homepagehttps://project-monai.github.io/
docs_sitehttps://project-monai.github.io/
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

100Außergewöhnlich · 16 % des Gesamtindex

Sicherheitslage

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30Sicherheitsrichtlinie (SECURITY.md)
25/25Dependabot-Konfiguration
0/25Lockfiles für Abhängigkeiten — veröffentlichte Bibliothek — Lockfiles sind Sache der Anwendung, hier nicht erwartet
20/20CodeQL-Workflow
Verwendete Eingangsdaten
sourcefile_signals
lockfiles—
manifestsdocs/requirements.txt, pyproject.toml, requirements-dev.txt, requirements-min.txt, requirements.txt, setup.cfg, setup.py
has_codeql_workflowja
has_security_policyja
has_dependabot_configja
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Lockfiles für Abhängigkeiten. Die verbleibenden Gewichte wurden renormalisiert.

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_packages2
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:monai@1.6.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 2 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.

75Gut · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

40Schwach
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
40/40Lesbare Commit-Historie — 96 von 96 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share1
agent_instruction_files—
agent_instruction_max_bytes—

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

100Außergewöhnlich
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — docs/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration
11/11Statische Typprüfung — monai/py.typed
10/10Reproduzierbare Umgebung — Dockerfile
10/10Belegte Agentenpraxis — 10 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 3 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_filesdocs/Makefile
has_devcontainernein
has_linter_configja
typecheck_configsmonai/py.typed
agent_commit_share0,1
toolchain_manifests—
dependency_bot_commit_share0,03

AI-Code-Lesbarkeit für Modelle

81Exzellent
Wie die Bewertung erfolgt
27/45Typprüfbarer Code — Python mit Typprüfungs-Konfiguration (monai/py.typed)
54.2/55Handhabbare Dateigrößen — 19/1.349 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes193.412
source_files_sampled1.349
oversized_source_files19

Eckdaten

8.591GitHub-Sterne
97Mitwirkende
210Commits, letzte 12 Monate
2Tage seit letztem Push
24Releases
3Bus-Faktor
351offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • First-time contributor figures cover 12 of 14 authors (cap 12)
  • Could not fetch pypi package 'monai._C' from its registry
  • OpenSSF Scorecard did not return a usable result (exit code -9); skipping Scorecard checks

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 1.599 ⇿
0Sterne
1.599Forks
11Releases

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.

Es wird nur die jüngste Historie angezeigt — dieses Repository überschreitet das Erfassungsfenster, sodass die früheste Historie nicht erfasst wird.

4008001.2001.6001.599182022-092024-092026-08
Major 0Minor 6Patch 5

Jeder Punkt umfasst 4 Tage.

Direkte Abhängigkeiten 2
RegistryPaketVersionsvorgabeManifest
PyPItorch>=2.8.0setup.cfg
PyPInumpy>=1.24,<3.0setup.cfg
Alle Abhängigkeiten 82

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 2 direkte und 80 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPInumpy—direkt
PyPItorch—direkt
PyPIbackports-tarfile—indirekt
PyPIblack—indirekt
PyPIclearml—indirekt
PyPIcommonmark0.9.1indirekt
PyPIcoverage—indirekt
PyPIcucim-cu12—indirekt
PyPIcucim-cu13—indirekt
PyPIeinops—indirekt
PyPIfilelock—indirekt
PyPIfire—indirekt
PyPIgdown—indirekt
PyPIh5py—indirekt
PyPIhuggingface-hub—indirekt
PyPIimagecodecs—indirekt
PyPIisort—indirekt
PyPIitk—indirekt
PyPIjsonschema—indirekt
PyPIlmdb—indirekt
PyPIlpips0.1.4indirekt
PyPImatplotlib—indirekt
PyPImccabe—indirekt
PyPImetricsreloaded—indirekt
PyPImlflow—indirekt
PyPImore-itertools—indirekt
PyPImypy—indirekt
PyPInibabel—indirekt
PyPIninja—indirekt
PyPInni2.10.1indirekt
PyPInvidia-ml-py—indirekt
PyPIonnx—indirekt
PyPIonnx-graphsurgeon—indirekt
PyPIonnxruntime—indirekt
PyPIonnxscript—indirekt
PyPIopencv-python-headless—indirekt
PyPIopenslide-bin—indirekt
PyPIopenslide-python—indirekt
PyPIoptuna—indirekt
PyPIpackaging—indirekt
PyPIpandas—indirekt
PyPIparameterized—indirekt
PyPIpep8-naming—indirekt
PyPIpillow—indirekt
PyPIpolygraphy—indirekt
PyPIpre-commit—indirekt
PyPIpsutil—indirekt
PyPIpyamg—indirekt
PyPIpybind11—indirekt
PyPIpycodestyle—indirekt
PyPIpydata-sphinx-theme—indirekt
PyPIpydicom—indirekt
PyPIpyflakes—indirekt
PyPIpynrrd—indirekt
PyPIpytest—indirekt
PyPIpytorch-ignite—indirekt
PyPIpyyaml—indirekt
PyPIrecommonmark0.6.0indirekt
PyPIrequests—indirekt
PyPIruff—indirekt
PyPIscikit-image—indirekt
PyPIscipy—indirekt
PyPIsetuptools—indirekt
PyPIsphinx—indirekt
PyPIsphinx-autodoc-typehints1.11.1indirekt
PyPIsphinxcontrib-applehelp—indirekt
PyPIsphinxcontrib-devhelp—indirekt
PyPIsphinxcontrib-htmlhelp—indirekt
PyPIsphinxcontrib-jsmath—indirekt
PyPIsphinxcontrib-qthelp—indirekt
PyPIsphinxcontrib-serializinghtml—indirekt
PyPItensorboard—indirekt
PyPItensorboardx—indirekt
PyPItifffile—indirekt
PyPItorchio—indirekt
PyPItorchvision—indirekt
PyPItqdm—indirekt
PyPItransformers—indirekt
PyPItypeguard—indirekt
PyPItypes-pyyaml—indirekt
PyPItypes-setuptools—indirekt
PyPIzarr—indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:monai@1.6.0 zieht 2 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 Project-MONAI/MONAI teilen. Nebeneinander lesen →

100ray-project/rayRay is an AI compute engine. Ray consists of a core distributed runtime and a set of AI Libraries for accelerating ML workloads.Außergewöhnlich100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.Außergewöhnlich100microsoft/onnxruntimeONNX Runtime: cross-platform, high performance ML inferencing and training acceleratorAußergewöhnlich100onnx/onnxOpen standard for machine learning interoperabilityAußergewöhnlich99huggingface/transformers🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. Außergewöhnlich99openvinotoolkit/nncfNeural Network Compression Framework for enhanced OpenVINO™ inferenceAußergewöhnlich

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 v0.31.0 — vollständige Methodik · Metriken-Wiki.

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