Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-09 02:08 UTC

aws / sagemaker-python-sdk

A library for training and deploying machine learning models on Amazon SageMaker

PythonApache-2.0★ 2.260 Sterne⑂ 1.298 Forksseit Nov. 2017Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#aws#mxnet#tensorflow#machine-learning#python#pytorch#sagemaker#huggingface

aws/sagemaker-python-sdk erreicht einen Gesundheitsindex von 96 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Vitality (95/100) ab, am schwächsten bei Security (42/100). Zuletzt heute aktualisiert. 17 Mitwirkende tragen den Großteil der jüngsten Arbeit.

96
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.

96
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 83 wird auf der veröffentlichten Indexskala auf 96 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

Amazon Web ServicesOrganisation · verifizierte Domain
16.712 Follower552 öffentliche Reposseit Aug. 2012

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIsagemaker3.21.017.708.048689vor 14 Tagenaiawsamazonmlmxnettensorflowpytorchhuggingface
PyPIsagemaker-core2.21.05.683.765111vor 14 Tagen—
PyPIsagemaker-mlops1.21.01.001.35629vor 14 Tagen—
PyPIsagemaker-serve1.21.0998.54230vor 14 Tagen—
PyPIsagemaker-train1.21.0988.88329vor 14 Tagenaiawsamazonmlmxnettensorflowpytorchhuggingface

Metriken nach Kategorie

Vitalität

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

95Außergewöhnlich · 21 % des Gesamtindex

Entwicklungsaktivität

92Exzellent
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
29.1/36Commit-Rhythmus — 42/52 Wochen mit Commits
18/18Commit-Volumen — 406 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year406
human_commit_share0,97
days_since_last_push0
active_weeks_last_year42

Release-Disziplin

100Außergewöhnlich
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 100 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 14 Tagen
27/27Release-Rhythmus — ein Release etwa alle 4,8 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count100
latest_release_tagv3.21.0
releases_from_tagsnein
days_since_latest_release14
mean_days_between_releases4,8

Community & Verbreitung

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

94Außergewöhnlich · 17 % des Gesamtindex

Popularität & Verbreitung

91Exzellent
Wie die Bewertung erfolgt
54.4/60Stars — 2.260 Stars
25/25Forks — 1.298 Forks
11.6/15Watcher — 125 Watcher
Verwendete Eingangsdaten
forks1.298
stars2.260
watchers125
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_badges5
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesgithub.com, readthedocs.org, shields.io
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

100Außergewöhnlich
Wie die Bewertung erfolgt
80/80Downloads pro Monat — 24.380.696 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagessagemaker, sagemaker-core, sagemaker-train
dependents—
ecosystemspypi
total_downloads—
monthly_downloads24.380.696
unverified_packages_excludedsagemaker-mlops, sagemaker-serve
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?

93Außergewöhnlich · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

97Außergewöhnlich
Wie die Bewertung erfolgt
54/54Bus-Faktor — 17 Beitragende decken die Hälfte aller Commits ab
19.8/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 12 % der Commits
13.5/13.5Breite der Beitragenden — 99 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor17
contributors_sampled99
top_contributor_share0,122

Reaktionsfähigkeit bei Issues & PRs

76Gut
Wie die Bewertung erfolgt
36.1/42Issue-Lösungsquote — 86 % der Issues geschlossen
24.8/30PR-Annahme — 3.399/4.104 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_prs3.399
open_issues242
closed_issues1.477
prs_merged_7d4
prs_decided_7d5
prs_merged_30d44
prs_decided_30d55
issue_closed_ratio0,859
closed_unmerged_prs705
first_time_authors_30d5
first_time_prs_merged_30d2
first_time_prs_decided_30d7

Eigentümerschaft & Trägerschaft

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
20/20Verifizierte Domain
25/25Reichweite des Inhabers — 16.712 Follower von aws
25/25Kontohistorie — 552 öffentliche Repos, Kontoalter ca. 14 Jahre
Verwendete Eingangsdaten
followers16.712
owner_typeOrganization
is_verifiedja
owner_loginaws
public_repos552
account_age_days5.124

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 5 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 14 Tagen
20/20Versionshistorie — 689 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagessagemaker, sagemaker-core, sagemaker-mlops, sagemaker-serve, sagemaker-train
ecosystemspypi
any_deprecatednein
min_days_since_publish14

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

84Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

80Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 12 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — .pylintrc, pyproject.toml ([tool.black]), sagemaker-core/pyproject.toml ([tool.black]), sagemaker-mlops/pyproject.toml ([tool.black]), sagemaker-serve/pyproject.toml ([tool.black]), sagemaker-train/pyproject.toml ([tool.black]), tox.ini
0/9.6Pre-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_confignein

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://sagemaker.readthedocs.io/
10/10Repository-Beschreibung
10/10Topics — 8 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsaws, mxnet, tensorflow, machine-learning, python, pytorch, sagemaker, huggingface
has_wikinein
homepagehttps://sagemaker.readthedocs.io/
docs_sitehttps://sagemaker.readthedocs.io/
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

42Schwach · 16 % des Gesamtindex

Sicherheitslage

27Gefährdet
Wie die Bewertung erfolgt
0/30Sicherheitsrichtlinie (SECURITY.md)
0/25Dependabot-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, sagemaker-core/pyproject.toml, sagemaker-mlops/pyproject.toml, sagemaker-serve/pyproject.toml, sagemaker-train/pyproject.toml
has_codeql_workflowja
has_security_policynein
has_dependabot_confignein
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_packages173
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:sagemaker@3.21.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 173 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

100Außergewöhnlich
Wie die Bewertung erfolgt
45/45Agentenanweisungen — .github/copilot-instructions.md, AGENTS.md, CLAUDE.md, GEMINI.md
15/15Maschinenlesbare Doku (llms.txt) — llms.txt vorhanden
40/40Lesbare Commit-Historie — 97 von 97 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtja
llms_txt_url—
legible_history_share1
agent_instruction_files.github/copilot-instructions.md, AGENTS.md, CLAUDE.md, GEMINI.md
agent_instruction_max_bytes7.702

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

77Gut
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — docs/Makefile, sagemaker-core/docs/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — .pylintrc, pyproject.toml ([tool.black]), sagemaker-core/pyproject.toml ([tool.black]), sagemaker-mlops/pyproject.toml ([tool.black]), sagemaker-serve/pyproject.toml ([tool.black]), sagemaker-train/pyproject.toml ([tool.black]), tox.ini
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — Dockerfile
0/10Belegte Agentenpraxis — keine von Agenten verfassten Commits unter den letzten 100
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, sagemaker-core/docs/Makefile
has_devcontainernein
has_linter_configja
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0,03

AI-Code-Lesbarkeit für Modelle

53Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
53.1/55Handhabbare Dateigrößen — 43/1.257 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes1.579.352
source_files_sampled1.257
oversized_source_files43

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 — notebooks, sample
Verwendete Eingangsdaten
example_dirsnotebooks, sample
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

2.260GitHub-Sterne
99Mitwirkende
406Commits, letzte 12 Monate
0Tage seit letztem Push
100Releases
17Bus-Faktor
242offene 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 24 authors (cap 12)
  • OpenSSF Scorecard did not return a usable result (killed by SIGKILL — most likely the container's memory limit; 2026/09/09 02:06:59 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 ★ / 1.298 ⇿
0Sterne
1.298Forks
100Releases

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.

2004006008001.0001.2001.4001.29882019-092023-032026-09
Major 1Minor 56Patch 43

Jeder Punkt umfasst 7 Tage.

Direkte Abhängigkeiten 63
RegistryPaketVersionsvorgabeManifest
PyPIsagemaker-core>=2.21.0,<3.0.0pyproject.toml
PyPIsagemaker-train>=1.21.0,<2.0.0pyproject.toml
PyPIsagemaker-serve>=1.21.0,<2.0.0pyproject.toml
PyPIsagemaker-mlops>=1.21.0,<2.0.0pyproject.toml
PyPIboto3>=1.43.20,<2.0.0sagemaker-core/pyproject.toml
PyPIpydantic>=2.0.0,<3.0.0sagemaker-core/pyproject.toml
PyPIPyYAML>=6.0, <7.0sagemaker-core/pyproject.toml
PyPIjsonschema<5.0.0sagemaker-core/pyproject.toml
PyPIplatformdirs>=4.0.0, <5.0.0sagemaker-core/pyproject.toml
PyPIrich>=13.0.0, <15.0.0sagemaker-core/pyproject.toml
PyPImock>4.0, <5.0sagemaker-core/pyproject.toml
PyPIimportlib-metadata<7.0,>=1.4.0sagemaker-core/pyproject.toml
PyPItyping_extensions>=4.9.0sagemaker-core/pyproject.toml
PyPIpytz>=2021.1sagemaker-core/pyproject.toml
PyPIrequests>=2.20.0,<3.0.0sagemaker-core/pyproject.toml
PyPIattrs>=20.3.0sagemaker-core/pyproject.toml
PyPIpackaging>=20.0sagemaker-core/pyproject.toml
PyPIprotobuf>=3.12,<7.0.0sagemaker-core/pyproject.toml
PyPIpandas>=1.0.0sagemaker-core/pyproject.toml
PyPInumpy>=1.9.0sagemaker-core/pyproject.toml
PyPIsmdebug_rulesconfig>=1.0.1sagemaker-core/pyproject.toml
PyPIschema>=0.7.5sagemaker-core/pyproject.toml
PyPIomegaconf>=2.1.0sagemaker-core/pyproject.toml
PyPIscipy>=1.5.0sagemaker-core/pyproject.toml
PyPIcloudpickle>=2.0.0sagemaker-core/pyproject.toml
PyPIparamiko>=2.11.0sagemaker-core/pyproject.toml
PyPItblib>=1.7.0sagemaker-core/pyproject.toml
PyPIcryptography>=46.0.0sagemaker-core/pyproject.toml
PyPIsagemaker-core>=2.21.0sagemaker-mlops/pyproject.toml
PyPIsagemaker-train>=1.21.0sagemaker-mlops/pyproject.toml
PyPIsagemaker-serve>=1.21.0sagemaker-mlops/pyproject.toml
PyPIcryptography>=46.0.0sagemaker-mlops/pyproject.toml
PyPIboto3>=1.42.2,<2.0sagemaker-mlops/pyproject.toml
PyPIbotocore>=1.42.2,<2.0sagemaker-mlops/pyproject.toml
PyPIpyiceberg>=0.8.0sagemaker-mlops/pyproject.toml
PyPIpyarrow>=14.0.0sagemaker-mlops/pyproject.toml
PyPIs3fs—sagemaker-mlops/pyproject.toml
PyPIsagemaker-core>=2.21.0sagemaker-serve/pyproject.toml
PyPIsagemaker-train>=1.21.0sagemaker-serve/pyproject.toml
PyPIboto3>=1.42.2,<2.0sagemaker-serve/pyproject.toml
PyPIbotocore>=1.35.75,<2.0sagemaker-serve/pyproject.toml
PyPIdeepdiff—sagemaker-serve/pyproject.toml
PyPImlflow—sagemaker-serve/pyproject.toml
PyPIsagemaker_schema_inference_artifacts—sagemaker-serve/pyproject.toml
PyPIpytest—sagemaker-serve/pyproject.toml
PyPItqdm—sagemaker-serve/pyproject.toml
PyPIpsutil—sagemaker-serve/pyproject.toml
PyPItritonclient—sagemaker-serve/pyproject.toml
PyPIonnx—sagemaker-serve/pyproject.toml
PyPIonnxruntime—sagemaker-serve/pyproject.toml
PyPItorch>=2.0.0sagemaker-serve/pyproject.toml
PyPIsagemaker-core>=2.21.0sagemaker-train/pyproject.toml
PyPIgraphene>=3,<4sagemaker-train/pyproject.toml
PyPItyping_extensions>=4.9.0sagemaker-train/pyproject.toml
PyPItblib>=1.7.0sagemaker-train/pyproject.toml
PyPIPyYAML>=6.0,<7.0sagemaker-train/pyproject.toml
PyPIparamiko>=2.11.0sagemaker-train/pyproject.toml
PyPIjinja2>=3.0,<4.0sagemaker-train/pyproject.toml
PyPIsagemaker-mlflow>=0.0.1,<1.0.0sagemaker-train/pyproject.toml
PyPImlflow>=3.0.0,<4.0.0sagemaker-train/pyproject.toml
PyPInest_asyncio>=1.5.0sagemaker-train/pyproject.toml
PyPIrequests>=2.28.0sagemaker-train/pyproject.toml
PyPIpydantic>=2.0.0sagemaker-train/pyproject.toml
Alle Abhängigkeiten 148

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 45 direkte und 103 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIattrs—direkt
PyPIboto3—direkt
PyPIbotocore—direkt
PyPIcloudpickle—direkt
PyPIcloudpickle2.2.1direkt
PyPIcryptography—direkt
PyPIgraphene—direkt
PyPIimportlib-metadata—direkt
PyPIjinja2—direkt
PyPIjsonschema—direkt
PyPImlflow—direkt
PyPImock—direkt
PyPInest-asyncio—direkt
PyPInumpy—direkt
PyPIomegaconf—direkt
PyPIpackaging—direkt
PyPIpandas—direkt
PyPIpandas1.3.4direkt
PyPIparamiko—direkt
PyPIplatformdirs—direkt
PyPIprotobuf—direkt
PyPIpyarrow—direkt
PyPIpydantic—direkt
PyPIpydantic2.11.9direkt
PyPIpyiceberg—direkt
PyPIpytest—direkt
PyPIpytz—direkt
PyPIpyyaml—direkt
PyPIrequests—direkt
PyPIrich—direkt
PyPIsagemaker-core—direkt
PyPIsagemaker-mlflow—direkt
PyPIsagemaker-mlops—direkt
PyPIsagemaker-serve—direkt
PyPIsagemaker-train—direkt
PyPIschema—direkt
PyPIscipy—direkt
PyPIscipy1.10.1direkt
PyPIscipy1.13.0direkt
PyPIsmdebug-rulesconfig—direkt
PyPItblib—direkt
PyPItorch—direkt
PyPItorch2.8.0direkt
PyPItqdm—direkt
PyPItyping-extensions—direkt
PyPIaltair—indirekt
PyPIanyio—indirekt
PyPIastroid3.0.2indirekt
PyPIawscli—indirekt
PyPIblack—indirekt
PyPIblack26.3.1indirekt
PyPIblinker—indirekt
PyPIbuild—indirekt
PyPIbuild1.2.1indirekt
PyPIcachetools—indirekt
PyPIcertifi2024.7.4indirekt
PyPIcharset-normalizer—indirekt
PyPIclick—indirekt
PyPIcolorama—indirekt
PyPIcontextlib2—indirekt
PyPIdatasets—indirekt
PyPIdecorator—indirekt
PyPIdill—indirekt
PyPIdoc81.1.2indirekt
PyPIdocker—indirekt
PyPIdocutils—indirekt
PyPIdoes-not-exist—indirekt
PyPIentrypoints—indirekt
PyPIfastapi—indirekt
PyPIfilelock—indirekt
PyPIflake87.1.2indirekt
PyPIflake8-future-import0.4.7indirekt
PyPIgitdb—indirekt
PyPIgitpython—indirekt
PyPIgunicorn—indirekt
PyPIh11—indirekt
PyPIhttpx—indirekt
PyPIhuggingface-hub—indirekt
PyPIidna—indirekt
PyPIipywidgets—indirekt
PyPIjmespath—indirekt
PyPImarkdown-it-py—indirekt
PyPImarkupsafe—indirekt
PyPImatplotlib—indirekt
PyPImdurl—indirekt
PyPImpmath—indirekt
PyPImultiprocess—indirekt
PyPImypy0.942indirekt
PyPImyst-nb—indirekt
PyPImyst-parser—indirekt
PyPInbsphinx—indirekt
PyPInetworkx—indirekt
PyPIpathos—indirekt
PyPIpillow—indirekt
PyPIpox—indirekt
PyPIppft—indirekt
PyPIprotobuf3-to-dict—indirekt
PyPIpyasn1—indirekt
PyPIpydantic-core2.33.2indirekt
PyPIpydeck—indirekt
PyPIpydocstyle6.1.1indirekt
PyPIpyenchant3.2.2indirekt
PyPIpygments—indirekt
PyPIpygments2.18.0indirekt
PyPIpylint—indirekt
PyPIpylint3.0.3indirekt
PyPIpympler—indirekt
PyPIpyrsistent—indirekt
PyPIpyspark3.5.1indirekt
PyPIpytest-cov—indirekt
PyPIpytest-rerunfailures—indirekt
PyPIpytest-xdist—indirekt
PyPIpython-dateutil—indirekt
PyPIpytz-deprecation-shim—indirekt
PyPIregex—indirekt
PyPIrsa—indirekt
PyPIs3transfer—indirekt
PyPIsagemaker—indirekt
PyPIsagemaker-feature-store-pyspark—indirekt
PyPIsagemaker-feature-store-pyspark2.0.0indirekt
PyPIscikit-learn1.6.1indirekt
PyPIsetuptools—indirekt
PyPIsix—indirekt
PyPIsmmap5.0.0indirekt
PyPIsniffio—indirekt
PyPIsphinx—indirekt
PyPIsphinx7.4.7indirekt
PyPIsphinx-autobuild—indirekt
PyPIsphinx-book-theme—indirekt
PyPIsphinx-copybutton—indirekt
PyPIsphinx-design—indirekt
PyPIsphinx-rtd-theme2.0.0indirekt
PyPIstarlette—indirekt
PyPIstreamlit—indirekt
PyPIsympy—indirekt
PyPItensorflow—indirekt
PyPItokenizers—indirekt
PyPItoml—indirekt
PyPItoolz—indirekt
PyPItornado—indirekt
PyPItransformers—indirekt
PyPItwine5.0.0indirekt
PyPItzdata—indirekt
PyPItzlocal—indirekt
PyPIurllib3—indirekt
PyPIuvicorn—indirekt
PyPIvalidators—indirekt
PyPIzipp—indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:sagemaker@3.21.0 zieht 173 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 aws/sagemaker-python-sdk teilen. Nebeneinander lesen →

100onnx/onnxOpen standard for machine learning interoperabilityAußergewöhnlich99ultralytics/ultralyticsUltralytics YOLO27, YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object trackingAußergewöhnlich98zenml-io/zenmlZenML 🙏: One AI Platform from Pipelines to Agents. https://zenml.io.Außergewöhnlich98huggingface/datasets🤗 The largest hub of ready-to-use datasets for AI models with fast, easy-to-use and efficient data manipulation toolsAußergewöhnlich98Netflix/metaflowBuild, Manage and Deploy AI/ML SystemsAußergewöhnlich100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.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.