Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-10-21 01:56 UTC

fmind / mlops-python-package

Production-shaped MLOps Python package and reference implementation of the MLOps Coding Course: MLflow, scikit-learn, Pydantic, Pandera, uv, and mise.

Python · Jupyter NotebookMIT★ 1.419 Sterne⑂ 199 Forksseit Juni 2023Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugwie das ermittelt wird
#mlops#python#automation#data-science#machine-learning#mlflow#pandera#pydantic#machine-learning-operations#mise#scikit-learn#uv#mlops-course

fmind/mlops-python-package erreicht einen Gesundheitsindex von 81 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei AI Readiness (82/100) ab, am schwächsten bei Sustainability & Governance (48/100). 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

Médéric Hurier (Fmind)Persönliches Konto
310 Follower170 öffentliche Reposseit März 2013Fmind.dev

Dieses Repository gehört einem persönlichen Konto. Ein Projekt mit nur einem Eigentümer trägt ein höheres Kontinuitätsrisiko als ein organisationsgetragenes.

Metriken nach Kategorie

Vitalität

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

76Gut · 21 % des Gesamtindex

Entwicklungsaktivität

65Gut
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 1 Tagen
4.2/36Commit-Rhythmus — 6/52 Wochen mit Commits
15/18Commit-Volumen — 46 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year46
human_commit_share0,9
days_since_last_push1
active_weeks_last_year6

Release-Disziplin

92Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 20 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 8 Tagen
19.8/27Release-Rhythmus — ein Release etwa alle 90,1 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count20
latest_release_tagv7.0.1
releases_from_tagsnein
days_since_latest_release8
mean_days_between_releases90,1
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?

75Gut · 17 % des Gesamtindex

Popularität & Verbreitung

77Gut
Wie die Bewertung erfolgt
51.1/60Stars — 1.419 Stars
19.1/25Forks — 199 Forks
6.4/15Watcher — 15 Watcher
Verwendete Eingangsdaten
forks199
stars1.419
watchers15
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

72Gut
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (MIT)
0/18CONTRIBUTING-Leitfaden
13.5/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges5
has_contributingnein
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesgithub.com, shields.io
has_pull_request_templateja

Nachhaltigkeit & Governance

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

48Schwach · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

20Gefährdet
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
0.9/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 96 % der Commits
6.8/13.5Breite der Beitragenden — 5 Beitragende
3/10OpenSSF Scorecard: Contributors — project has 1 contributing companies or organizations -- score normalized to 3
Verwendete Eingangsdaten
bus_factor1
contributors_sampled5
top_contributor_share0,959

Reaktionsfähigkeit bei Issues & PRs

62Mittel
Wie die Bewertung erfolgt
38.8/42Issue-Lösungsquote — 92 % der Issues geschlossen
10.7/30PR-Annahme — 42/118 entschiedene PRs gemergt
13/13Newcomer PR acceptance — 1/1 PRs von Erstbeitragenden in 30 Tagen gemergt
0/15OpenSSF Scorecard: Code-Review — Found 0/30 approved changesets -- score normalized to 0
Verwendete Eingangsdaten
merged_prs42
open_issues2
closed_issues24
prs_merged_7d0
prs_decided_7d0
prs_merged_30d1
prs_decided_30d1
issue_closed_ratio0,923
closed_unmerged_prs76
first_time_authors_30d1
first_time_prs_merged_30d1
first_time_prs_decided_30d1

Eigentümerschaft & Trägerschaft

66Gut
Wie die Bewertung erfolgt
10/30Organisatorische Trägerschaft — persönliches (Nutzer-)Konto
0/20Verifizierte Domain — für Nutzerkonten nicht anwendbar
17.9/25Reichweite des Inhabers — 310 Follower von fmind
25/25Kontohistorie — 170 öffentliche Repos, Kontoalter ca. 13 Jahre
Verwendete Eingangsdaten
followers310
owner_typeUser
is_verified—
owner_loginfmind
public_repos170
account_age_days4.961
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Verifizierte Domain. Die verbleibenden Gewichte wurden renormalisiert.

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

74Gut · 19 % des Gesamtindex

Engineering-Praktiken

80Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 3 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — pyproject.toml ([tool.ruff])
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
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): OpenSSF Scorecard: CI-Tests. Die verbleibenden Gewichte wurden renormalisiert.

Dokumentation

65Gut
Wie die Bewertung erfolgt
30/30README
0/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://fmind.github.io/mlops-python-package/
10/10Repository-Beschreibung
10/10Topics — 13 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsmlops, python, automation, data-science, machine-learning, mlflow, pandera, pydantic, machine-learning-operations, mise, scikit-learn, uv, mlops-course
has_wikinein
homepagehttps://fmind.github.io/mlops-python-package/
docs_sitehttps://fmind.github.io/mlops-python-package/
has_readmeja
has_docs_dirnein
has_descriptionja

Sicherheit

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

72Gut · 16 % des Gesamtindex

Sicherheitslage

65Gut
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
3/7.5Branch-Protection — branch protection is not maximal on development and all release branches
0/2.5CI-Tests — keine Daten
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
0/7.5Code-Review — Found 0/30 approved changesets -- score normalized to 0
0.8/2.5Contributors — project has 1 contributing companies or organizations -- score normalized to 3
10/10Dangerous-Workflow — no dangerous workflow patterns detected
7.5/7.5Dependency-Update-Tool — update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Lizenz — license file detected
7.5/7.5Maintained — 30 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 10
5/5Packaging — packaging workflow detected
5/5Pinned-Dependencies — all dependencies are pinned
0/5SAST — no SAST tool detected
5/5Security-Policy — security policy file detected
0/7.5Signed-Releases — keine Daten
7.5/7.5Token-Permissions — GitHub workflow tokens follow principle of least privilege
0/7.5Vulnerabilities — 10 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate6,4
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): CI-Tests, Signed-Releases. 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
0/25Indirekte Abhängigkeiten ohne bekannte Advisories — transitive Menge in diesem Bereich nicht von Entwicklungs- und Test-Abhängigkeiten trennbar
0/40Keine offenen Advisories — kein Advisory trägt ein Veröffentlichungsdatum
Verwendete Eingangsdaten
sourceosv
advisories11
affected_packages2
assessed_packages175
unassessed_packages0
affected_by_severityhigh 2
direct_affected_packages0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Indirekte Abhängigkeiten ohne bekannte Advisories, Keine offenen Advisories. Die verbleibenden Gewichte wurden renormalisiert. 175 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.

82Exzellent · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

85Exzellent
Wie die Bewertung erfolgt
45/45Agentenanweisungen — AGENTS.md
0/15Maschinenlesbare Doku (llms.txt)
40/40Lesbare Commit-Historie — 79 von 90 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,878
agent_instruction_filesAGENTS.md
agent_instruction_max_bytes5.561

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

83Exzellent
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — mise.toml
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — pyproject.toml ([tool.ruff])
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — Dockerfile, lockfile
4/10Belegte Agentenpraxis — 2 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 10 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
10/10OpenSSF Scorecard: Pinned-Dependencies — all dependencies are pinned
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesuv.lock
has_dockerfileja
typed_languagenein
bootstrap_filesmise.toml
has_devcontainernein
has_linter_configja
typecheck_configs—
agent_commit_share0,02
toolchain_manifests—
dependency_bot_commit_share0,1

AI-Code-Lesbarkeit für Modelle

55Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
55/55Handhabbare Dateigrößen — 0/47 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes13.764
source_files_sampled47
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 — notebooks
Verwendete Eingangsdaten
example_dirsnotebooks
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

1.419GitHub-Sterne
5Mitwirkende
46Commits, letzte 12 Monate
1Tage seit letztem Push
20Releases
1Bus-Faktor
2offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • Could not fetch pypi package 'bikes' from its registry

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 199 ⇿
0Sterne
199Forks
17Releases

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.

04080120160200193242023-072025-022026-10
Major 6Minor 10Patch 1

Jeder Punkt umfasst 3 Tage.

OpenSSF Scorecard 6.4 / 10
6.4Gesamtwert

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 01:55 UTC

10Binary-Artifactsno binaries found in the repo
4Branch-Protectionbranch protection is not maximal on development and all release branches
k. A.CI-Testsno pull request found
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
0Code-ReviewFound 0/30 approved changesets -- score normalized to 0
3Contributorsproject has 1 contributing companies or organizations -- score normalized to 3
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
10Maintained30 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 10
10Packagingpackaging workflow detected
10Pinned-Dependenciesall dependencies are pinned
0SASTno SAST tool detected
10Security-Policysecurity policy file detected
k. A.Signed-Releasesno releases found
10Token-PermissionsGitHub workflow tokens follow principle of least privilege
0Vulnerabilities10 existing vulnerabilities detected
Direkte Abhängigkeiten 18
RegistryPaketVersionsvorgabeManifest
PyPIloguru>=0.7.3pyproject.toml
PyPImatplotlib>=3.11.0pyproject.toml
PyPImlflow>=3.16.1pyproject.toml
PyPInumba>=0.61.0pyproject.toml
PyPInumpy>=2.1.3pyproject.toml
PyPInvidia-ml-py>=13.615.71pyproject.toml
PyPIomegaconf>=2.3.1pyproject.toml
PyPIpandas>=2.3.3pyproject.toml
PyPIpandera>=0.32.1pyproject.toml
PyPIplyer>=2.1.0pyproject.toml
PyPIpsutil>=7.2.2pyproject.toml
PyPIpyarrow>=19.0.1pyproject.toml
PyPIpydantic-settings>=2.14.2pyproject.toml
PyPIpydantic>=2.13.4pyproject.toml
PyPIscikit-learn>=1.9.0pyproject.toml
PyPIsetuptools>=83.0.0pyproject.toml
PyPIshap>=0.46.0pyproject.toml
PyPIskops>=0.16.0pyproject.toml
Alle Abhängigkeiten 175

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 19 direkte und 156 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIloguru0.7.3direkt
PyPImatplotlib3.11.2direkt
PyPImlflow3.16.1direkt
PyPInumba0.68.0direkt
PyPInumpy2.5.3direkt
PyPInvidia-ml-py13.615.71direkt
PyPIomegaconf2.3.1direkt
PyPIpandas3.0.6direkt
PyPIpandera0.34.0direkt
PyPIplyer2.1.0direkt
PyPIpsutil7.2.2direkt
PyPIpyarrow25.0.1direkt
PyPIpydantic2.13.5direkt
PyPIpydantic-settings2.15.0direkt
PyPIscikit-learn1.9.1direkt
PyPIsetuptools84.0.0direkt
PyPIshap0.49.1direkt
PyPIshap0.52.0direkt
PyPIskops0.16.0direkt
PyPIaiohappyeyeballs2.7.1indirekt
PyPIaiohttp3.14.4indirekt
PyPIaiosignal1.4.0indirekt
PyPIalembic1.20.0indirekt
PyPIannotated-doc0.0.5indirekt
PyPIannotated-types0.8.0indirekt
PyPIantlr4-python3-runtime4.9.3indirekt
PyPIanyio4.15.1indirekt
PyPIappnope1.0.0indirekt
PyPIasttokens3.0.2indirekt
PyPIattrs26.1.0indirekt
PyPIbikes6.0.1indirekt
PyPIblinker1.9.0indirekt
PyPIboolean-py5.0indirekt
PyPIcachecontrol0.14.4indirekt
PyPIcachetools7.2.1indirekt
PyPIcertifi2026.7.22indirekt
PyPIcffi2.1.1indirekt
PyPIcharset-normalizer3.5.2indirekt
PyPIclick8.5.0indirekt
PyPIcloudpickle3.1.2indirekt
PyPIcolorama0.4.6indirekt
PyPIcomm0.2.3indirekt
PyPIcontourpy1.4.0indirekt
PyPIcoverage7.16.2indirekt
PyPIcryptography50.0.2indirekt
PyPIcycler0.12.1indirekt
PyPIcyclonedx-python-lib11.12.0indirekt
PyPIdatabricks-sdk0.147.0indirekt
PyPIdebugpy1.8.22indirekt
PyPIdefusedxml0.7.1indirekt
PyPIdocker7.2.0indirekt
PyPIexecnet2.1.2indirekt
PyPIexecuting2.2.1indirekt
PyPIfastapi0.142.2indirekt
PyPIfastjsonschema2.22.2indirekt
PyPIfilelock4.0.12indirekt
PyPIflask3.1.3indirekt
PyPIflask-cors6.0.5indirekt
PyPIfonttools4.66.1indirekt
PyPIfrozenlist1.8.0indirekt
PyPIgitdb4.0.12indirekt
PyPIgitpython3.2.0indirekt
PyPIgoogle-auth2.60.0indirekt
PyPIgraphene3.4.3indirekt
PyPIgraphql-core3.2.13indirekt
PyPIgraphql-relay3.2.0indirekt
PyPIgunicorn26.2.0indirekt
PyPIh110.16.0indirekt
PyPIhuey3.4.0indirekt
PyPIidna3.20indirekt
PyPIimportlib-metadata9.0.1indirekt
PyPIiniconfig2.3.0indirekt
PyPIipykernel7.4.0indirekt
PyPIipython9.17.1indirekt
PyPIipython-pygments-lexers1.1.1indirekt
PyPIitsdangerous2.2.0indirekt
PyPIjedi0.20.0indirekt
PyPIjinja23.1.6indirekt
PyPIjoblib1.6.0indirekt
PyPIjsonschema4.26.0indirekt
PyPIjsonschema-specifications2025.9.1indirekt
PyPIjupyter-client8.10.0indirekt
PyPIjupyter-core5.9.1indirekt
PyPIkiwisolver1.5.1indirekt
PyPIlefthook2.1.17indirekt
PyPIlicense-expression30.4.4indirekt
PyPIllvmlite0.50.0indirekt
PyPImako1.4.3indirekt
PyPImarkdown-it-py4.2.0indirekt
PyPImarkdown22.5.5indirekt
PyPImarkupsafe3.0.4indirekt
PyPImatplotlib-inline0.2.2indirekt
PyPImdurl0.1.2indirekt
PyPImlflow-skinny3.16.1indirekt
PyPImlflow-tracing3.16.1indirekt
PyPImsgpack1.2.3indirekt
PyPImultidict6.9.1indirekt
PyPImypy-extensions1.1.0indirekt
PyPInarwhals2.26.0indirekt
PyPInbformat5.11.1indirekt
PyPInest-asyncio21.7.3indirekt
PyPIopentelemetry-api1.45.0indirekt
PyPIopentelemetry-proto1.45.0indirekt
PyPIopentelemetry-sdk1.45.0indirekt
PyPIopentelemetry-semantic-conventions0.66b0indirekt
PyPIpackageurl-python0.17.6indirekt
PyPIpackaging26.3indirekt
PyPIparso0.8.7indirekt
PyPIpdoc16.0.0indirekt
PyPIpexpect4.9.0indirekt
PyPIpillow12.3.0indirekt
PyPIpip26.2.1indirekt
PyPIpip-api0.0.35indirekt
PyPIpip-audit2.10.1indirekt
PyPIpip-requirements-parser32.0.1indirekt
PyPIplatformdirs4.12.3indirekt
PyPIplotly7.1.0indirekt
PyPIpluggy1.6.0indirekt
PyPIprettytable3.18.0indirekt
PyPIprompt-toolkit3.0.53indirekt
PyPIpropcache0.5.4indirekt
PyPIprotobuf6.33.6indirekt
PyPIptyprocess0.7.0indirekt
PyPIpure-eval0.2.4indirekt
PyPIpy-serializable2.1.0indirekt
PyPIpyasn10.6.4indirekt
PyPIpyasn1-modules0.4.2indirekt
PyPIpycparser3.0indirekt
PyPIpydantic-core2.46.5indirekt
PyPIpygments2.21.0indirekt
PyPIpyparsing3.3.3indirekt
PyPIpytest9.1.1indirekt
PyPIpytest-cov7.1.0indirekt
PyPIpytest-mock3.16.0indirekt
PyPIpytest-xdist3.8.0indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpython-dotenv1.2.4indirekt
PyPIpywin32312indirekt
PyPIpyyaml6.0.3indirekt
PyPIpyzmq27.2.0indirekt
PyPIreferencing0.37.0indirekt
PyPIrequests2.34.2indirekt
PyPIrich15.0.0indirekt
PyPIrpds-py2026.9.1indirekt
PyPIruff0.16.10indirekt
PyPIscipy1.18.1indirekt
PyPIsix1.17.0indirekt
PyPIslicer0.0.8indirekt
PyPIsmmap5.0.3indirekt
PyPIsortedcontainers2.4.0indirekt
PyPIsqlalchemy2.1.3indirekt
PyPIsqlparse0.6.0indirekt
PyPIstack-data0.6.3indirekt
PyPIstarlette1.7.0indirekt
PyPIthreadpoolctl3.7.0indirekt
PyPItomli2.4.1indirekt
PyPItomli-w1.2.0indirekt
PyPItornado6.5.10indirekt
PyPItqdm4.70.1indirekt
PyPItraitlets5.16.1indirekt
PyPIty0.0.84indirekt
PyPItypeguard4.6.0indirekt
PyPItyping-extensions4.16.0indirekt
PyPItyping-inspect0.9.0indirekt
PyPItyping-inspection0.4.4indirekt
PyPItzdata2026.5indirekt
PyPIurllib32.8.0indirekt
PyPIuvicorn0.54.0indirekt
PyPIvalidate-pyproject0.26indirekt
PyPIwaitress3.0.2indirekt
PyPIwcwidth0.9.2indirekt
PyPIwerkzeug3.1.9indirekt
PyPIwin32-setctime1.2.0indirekt
PyPIyarl1.25.1indirekt
PyPIzipp4.1.1indirekt
Abhängigkeits-Advisories 2

Dieses Repository veröffentlicht kein vom Index auflösbares Paket, daher wurde sein eigener Abhängigkeitsgraph bewertet – 175 Pakete, darunter auch Entwicklungs- und Test-Pins, die nie ausgeliefert werden: 2 tragen bekannte Advisories, davon 0 direkte.

PaketVersionBeziehungSchweregradAdvisoriesBehoben in
certifi2026.7.22indirekthoch22026.10.19
pillow12.3.0indirekthoch913.0.0

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 fmind/mlops-python-package teilen. Nebeneinander lesen →

100apache/airflowApache Airflow - A platform to programmatically author, schedule, and monitor workflowsAußergewöhnlich99kedro-org/kedroKedro is a toolbox for production-ready data science. It uses software engineering best practices to help you create data engineering and data science pipelines that are reproducible, maintainable, and modular.Außergewöhnlich98feast-dev/feastThe Open Source Feature Store for AI/MLAußergewöhnlich98autogluon/autogluonFast and Accurate ML in 3 Lines of CodeAußergewöhnlich97lance-format/lanceOpen Lakehouse Format for Multimodal AI. Convert from Parquet in 2 lines of code for 100x faster random access, vector index, and data versioning. Compatible with Pandas, DuckDB, Polars, Pyarrow, and PyTorch with more integrations coming..Außergewöhnlich100streamlit/streamlitStreamlit — A faster way to build and share data apps.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.