Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-17 18:50 UTC

zenml-io / zenml

ZenML 🙏: One AI Platform from Pipelines to Agents. https://zenml.io.

PythonApache-2.0★ 5.582 Sterne⑂ 657 Forksseit Nov. 2020Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugBibliothekNetzwerkdienstwie das ermittelt wird
#mlops#machine-learning#data-science#production-ready#devops-tools#zenml#pipelines#metadata-tracking#deep-learning#pytorch#tensorflow#ml#ai#automl#workflow#llm#llmops#agentops#agents#genai

zenml-io/zenml erreicht einen Gesundheitsindex von 98 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Vitality (100/100) ab, am schwächsten bei Security (75/100). Zuletzt heute aktualisiert. 3 Mitwirkende tragen den Großteil der jüngsten Arbeit.

98
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.

98
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 86 wird auf der veröffentlichten Indexskala auf 98 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

ZenMLOrganisation
355 Follower87 öffentliche Reposseit Aug. 2021

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIzenml0.96.4142.987196vor 13 Tagenmachine-learningproductionpipelinemlopsdevopsaiagentsagentic-workflows

Metriken nach Kategorie

Vitalität

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

100Außergewöhnlich · 21 % des Gesamtindex

Entwicklungsaktivität

100Außergewöhnlich
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
36/36Commit-Rhythmus — 52/52 Wochen mit Commits
18/18Commit-Volumen — 908 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year908
human_commit_share0,83
days_since_last_push0
active_weeks_last_year52

Release-Disziplin

100Außergewöhnlich
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 100 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 13 Tagen
27/27Release-Rhythmus — ein Release etwa alle 12,8 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count100
latest_release_tag0.96.4
releases_from_tagsnein
days_since_latest_release13
mean_days_between_releases12,8

Community & Verbreitung

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

90Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

92Exzellent
Wie die Bewertung erfolgt
60/60Stars — 5.582 Stars
23.5/25Forks — 657 Forks
9/15Watcher — 43 Watcher
Verwendete Eingangsdaten
forks657
stars5.582
watchers43
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_badges0
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_services—
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

86Exzellent
Wie die Bewertung erfolgt
68.7/80Downloads pro Monat — 142.987 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packageszenml
dependents—
ecosystemspypi
total_downloads—
monthly_downloads142.987
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?

78Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

75Gut
Wie die Bewertung erfolgt
36/54Bus-Faktor — 3 Beitragende decken die Hälfte aller Commits ab
18/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 20 % der Commits
13.5/13.5Breite der Beitragenden — 97 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor3
contributors_sampled97
top_contributor_share0,2

Reaktionsfähigkeit bei Issues & PRs

71Gut
Wie die Bewertung erfolgt
34.3/42Issue-Lösungsquote — 82 % der Issues geschlossen
26.3/30PR-Annahme — 3.956/4.506 entschiedene PRs gemergt
0/13Newcomer PR acceptance — 0/4 PRs von Erstbeitragenden in 30 Tagen gemergt
0/15OpenSSF Scorecard: Code-Review — keine Daten
Verwendete Eingangsdaten
merged_prs3.956
open_issues129
closed_issues572
prs_merged_7d8
prs_decided_7d12
prs_merged_30d27
prs_decided_30d50
issue_closed_ratio0,816
closed_unmerged_prs550
first_time_authors_30d4
first_time_prs_merged_30d0
first_time_prs_decided_30d4

Eigentümerschaft & Trägerschaft

72Gut
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
18.3/25Reichweite des Inhabers — 355 Follower von zenml-io
23.2/25Kontohistorie — 87 öffentliche Repos, Kontoalter ca. 5 Jahre
Verwendete Eingangsdaten
followers355
owner_typeOrganization
is_verifiednein
owner_loginzenml-io
public_repos87
account_age_days1.865

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 13 Tagen
20/20Versionshistorie — 196 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packageszenml
ecosystemspypi
any_deprecatednein
min_days_since_publish13

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

84Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

80Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 46 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

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://zenml.io
10/10Repository-Beschreibung
10/10Topics — 20 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsmlops, machine-learning, data-science, production-ready, devops-tools, zenml, pipelines, metadata-tracking, deep-learning, pytorch, tensorflow, ml, ai, automl, workflow, llm, llmops, agentops, agents, genai
has_wikinein
homepagehttps://zenml.io
docs_sitehttps://zenml.io
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

75Gut · 16 % des Gesamtindex

Sicherheitslage

75Gut
Wie die Bewertung erfolgt
30/30Sicherheitsrichtlinie (SECURITY.md)
25/25Dependabot-Konfiguration
0/25Lockfiles für Abhängigkeiten
20/20CodeQL-Workflow
Verwendete Eingangsdaten
sourcefile_signals
lockfiles—
manifestspyproject.toml
has_codeql_workflowja
has_security_policyja
has_dependabot_configja

Abhängigkeits-Advisories

74Gut
Wie die Bewertung erfolgt
14.8/35Direkte Abhängigkeiten ohne bekannte Advisories — 1 betroffen: click 8.2.1 (high 7.2)
25/25Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
33.9/40Keine offenen Advisories — 1 Paket(e) mit Advisory seit über 90 Tagen unbehandelt; ältestes vor 140 Tagen veröffentlicht
Verwendete Eingangsdaten
sourceosv
advisories1
affected_packages1
assessed_packages36
unassessed_packages0
affected_by_severityhigh 1
direct_affected_packages1
Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:zenml@0.96.4 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 36 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.

88Exzellent · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

100Außergewöhnlich
Wie die Bewertung erfolgt
45/45Agentenanweisungen — .cursor/rules/comments.mdc, .cursor/rules/zenml-domain-models.mdc, .cursor/rules/zenml-orm-schema.mdc, .github/CLAUDE.md, AGENTS.md, CLAUDE.md, docs/book/AGENTS.md, examples/rlm_document_analysis/CLAUDE.md, examples/software_factory/AGENTS.md, examples/software_factory/CLAUDE.md, src/zenml/cli/AGENTS.md, src/zenml/integrations/AGENTS.md, src/zenml/models/AGENTS.md, src/zenml/orchestrators/AGENTS.md, src/zenml/webhooks/AGENTS.md, src/zenml/zen_server/AGENTS.md, src/zenml/zen_stores/migrations/AGENTS.md, src/zenml/zen_stores/schemas/AGENTS.md
15/15Maschinenlesbare Doku (llms.txt) — llms.txt wird von der Projektwebsite ausgeliefert (https://zenml.io/llms.txt)
40/40Lesbare Commit-Historie — 74 von 83 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtja
llms_txt_urlhttps://zenml.io/llms.txt
legible_history_share0,892
agent_instruction_files.cursor/rules/comments.mdc, .cursor/rules/zenml-domain-models.mdc, .cursor/rules/zenml-orm-schema.mdc, .github/CLAUDE.md, AGENTS.md, CLAUDE.md, docs/book/AGENTS.md, examples/rlm_document_analysis/CLAUDE.md, examples/software_factory/AGENTS.md, examples/software_factory/CLAUDE.md, src/zenml/cli/AGENTS.md, src/zenml/integrations/AGENTS.md, src/zenml/models/AGENTS.md, src/zenml/orchestrators/AGENTS.md, src/zenml/webhooks/AGENTS.md, src/zenml/zen_server/AGENTS.md, src/zenml/zen_stores/migrations/AGENTS.md, src/zenml/zen_stores/schemas/AGENTS.md
agent_instruction_max_bytes21.466

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

100Außergewöhnlich
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — examples/e2e/Makefile, examples/e2e_nlp/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — pyproject.toml ([tool.ruff])
11/11Statische Typprüfung — src/zenml/py.typed
10/10Reproduzierbare Umgebung — Dockerfile
10/10Belegte Agentenpraxis — 21 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 10 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_filesexamples/e2e/Makefile, examples/e2e_nlp/Makefile
has_devcontainernein
has_linter_configja
typecheck_configssrc/zenml/py.typed
agent_commit_share0,21
toolchain_manifests—
dependency_bot_commit_share0,1

AI-Code-Lesbarkeit für Modelle

82Exzellent
Wie die Bewertung erfolgt
27/45Typprüfbarer Code — Python mit Typprüfungs-Konfiguration (src/zenml/py.typed)
54.6/55Handhabbare Dateigrößen — 19/2.481 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes621.289
source_files_sampled2.481
oversized_source_files19

Maschinenlesbare AI-Schnittstellen

40Schwach
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto)
0/20MCP-Server
40/40Lauffähige Beispiele — examples, notebooks
Verwendete Eingangsdaten
example_dirsexamples, notebooks
has_mcp_signalnein
api_schema_files—
interfaces_expected_ofnetwork-service

Eckdaten

5.582GitHub-Sterne
97Mitwirkende
908Commits, letzte 12 Monate
0Tage seit letztem Push
100Releases
3Bus-Faktor
129offene 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)
  • OpenSSF Scorecard timed out after 240s; skipping Scorecard checks

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 657 ⇿
0Sterne
657Forks
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.

0125250375500625750651112020-122023-112026-09
Major 0Minor 45Patch 55

Jeder Punkt umfasst 6 Tage.

Direkte Abhängigkeiten 17
RegistryPaketVersionsvorgabeManifest
PyPIasgiref~=3.10.0pyproject.toml
PyPIclick>=8.0.1,<=8.2.1pyproject.toml
PyPIcloudpickle>=2.0.0pyproject.toml
PyPIdistro>=1.6.0,<2.0.0pyproject.toml
PyPIdocker~=7.1.0pyproject.toml
PyPIgitpython>=3.1.18,<4.0.0pyproject.toml
PyPIjsonref—pyproject.toml
PyPIopentelemetry-instrumentation-logging==0.64b0pyproject.toml
PyPIopentelemetry-sdk==1.43.0pyproject.toml
PyPIpackaging>=24.1pyproject.toml
PyPIpsutil>=5.0.0pyproject.toml
PyPIpydantic>=2.0,<=2.12.5pyproject.toml
PyPIpython-dateutil>=2.8.1,<3.0.0pyproject.toml
PyPIpyyaml>=6.0.1pyproject.toml
PyPIrich>=12.0.0pyproject.toml
PyPIsetuptools>=70.0.0pyproject.toml
PyPIstructlog>=25.5.0pyproject.toml
Alle Abhängigkeiten 183

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 16 direkte und 167 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIasgiref—direkt
PyPIclick—direkt
PyPIcloudpickle—direkt
PyPIdistro—direkt
PyPIdocker—direkt
PyPIgitpython—direkt
PyPIopentelemetry-instrumentation-logging0.64b0direkt
PyPIopentelemetry-sdk1.43.0direkt
PyPIpackaging—direkt
PyPIpsutil—direkt
PyPIpydantic—direkt
PyPIpython-dateutil—direkt
PyPIpyyaml—direkt
PyPIrich—direkt
PyPIsetuptools—direkt
PyPIstructlog—direkt
PyPIaccelerate—indirekt
PyPIadlfs—indirekt
PyPIalembic—indirekt
PyPIautogen-core—indirekt
PyPIautogen-ext—indirekt
PyPIaws-profile-manager—indirekt
PyPIazure-ai-ml—indirekt
PyPIazure-identity—indirekt
PyPIazure-keyvault-secrets—indirekt
PyPIazure-mgmt-containerregistry—indirekt
PyPIazure-mgmt-containerservice—indirekt
PyPIazure-mgmt-resource—indirekt
PyPIazure-mgmt-storage—indirekt
PyPIazure-storage-blob—indirekt
PyPIbandit—indirekt
PyPIbcrypt4.0.1indirekt
PyPIbeautifulsoup4—indirekt
PyPIbitsandbytes—indirekt
PyPIboto3—indirekt
PyPIcachetools—indirekt
PyPIcopier—indirekt
PyPIcoverage—indirekt
PyPIcrewai—indirekt
PyPIcroniter—indirekt
PyPIdatasets—indirekt
PyPIdatasets2.12.0indirekt
PyPIevaluate—indirekt
PyPIfastapi—indirekt
PyPIfiftyone—indirekt
PyPIfilelock—indirekt
PyPIgcsfs—indirekt
PyPIgoogle-adk—indirekt
PyPIgoogle-cloud-aiplatform—indirekt
PyPIgoogle-cloud-artifact-registry—indirekt
PyPIgoogle-cloud-container—indirekt
PyPIgoogle-cloud-pipeline-components—indirekt
PyPIgoogle-cloud-secret-manager—indirekt
PyPIgoogle-cloud-storage—indirekt
PyPIgradio—indirekt
PyPIharbor—indirekt
PyPIhaystack-ai—indirekt
PyPIhttpx—indirekt
PyPIhttpx2—indirekt
PyPIhvac—indirekt
PyPIhydra-core—indirekt
PyPIhypothesis—indirekt
PyPIipinfo—indirekt
PyPIipython8.10.0indirekt
PyPIitsdangerous—indirekt
PyPIjinja2—indirekt
PyPIjinja2-time—indirekt
PyPIjson5—indirekt
PyPIjsonschema—indirekt
PyPIkfp—indirekt
PyPIkubernetes—indirekt
PyPIlakefs-sdk—indirekt
PyPIlangchain—indirekt
PyPIlangchain-community—indirekt
PyPIlangchain-core—indirekt
PyPIlangchain-openai—indirekt
PyPIlangfuse—indirekt
PyPIlanggraph—indirekt
PyPIlightning—indirekt
PyPIlitellm—indirekt
PyPIllama-index—indirekt
PyPIllama-index-llms-openai—indirekt
PyPImaison—indirekt
PyPImarkdown—indirekt
PyPImarshmallow—indirekt
PyPImatplotlib—indirekt
PyPImike—indirekt
PyPImkdocs—indirekt
PyPImkdocs-autorefs—indirekt
PyPImkdocs-awesome-pages-plugin—indirekt
PyPImkdocs-material9.6.8indirekt
PyPImkdocstrings—indirekt
PyPImypy1.18.2indirekt
PyPInltk—indirekt
PyPInotebook—indirekt
PyPInumpy—indirekt
PyPInumpy1.22.4indirekt
PyPIomegaconf—indirekt
PyPIopenai—indirekt
PyPIopenai-agents—indirekt
PyPIopencv-python—indirekt
PyPIopentelemetry-exporter-otlp-proto-http—indirekt
PyPIopentelemetry-instrumentation-fastapi—indirekt
PyPIopentelemetry-instrumentation-requests—indirekt
PyPIopentelemetry-instrumentation-sqlalchemy—indirekt
PyPIoptuna—indirekt
PyPIpandas—indirekt
PyPIpandas1.5.3indirekt
PyPIpasslib—indirekt
PyPIpeft—indirekt
PyPIpillow—indirekt
PyPIplotly—indirekt
PyPIpyarrow—indirekt
PyPIpydantic-ai—indirekt
PyPIpydantic-ai-slim—indirekt
PyPIpydoclint—indirekt
PyPIpyjwt—indirekt
PyPIpyment—indirekt
PyPIpymysql—indirekt
PyPIpytest—indirekt
PyPIpytest-clarity—indirekt
PyPIpytest-instafail—indirekt
PyPIpytest-mock—indirekt
PyPIpytest-randomly—indirekt
PyPIpytest-rerunfailures—indirekt
PyPIpytest-split—indirekt
PyPIpython-multipart—indirekt
PyPIpyyaml-include—indirekt
PyPIqwen-agent—indirekt
PyPIredis—indirekt
PyPIrequests—indirekt
PyPIrouge-score—indirekt
PyPIruff—indirekt
PyPIs3fs—indirekt
PyPIsagemaker—indirekt
PyPIscikit-learn—indirekt
PyPIscikit-learn1.5.0indirekt
PyPIscipy—indirekt
PyPIseaborn—indirekt
PyPIsecure—indirekt
PyPIsemantic-kernel—indirekt
PyPIsession-info1.0.0indirekt
PyPIsqlalchemy—indirekt
PyPIsqlmodel0.0.38indirekt
PyPIstrands-agents—indirekt
PyPIstrands-agents-tools—indirekt
PyPItldextract—indirekt
PyPItorch—indirekt
PyPItorchaudio—indirekt
PyPItorchvision—indirekt
PyPItox—indirekt
PyPItransformers—indirekt
PyPItransformers4.28.1indirekt
PyPItypes-cachetools—indirekt
PyPItypes-certifi—indirekt
PyPItypes-croniter—indirekt
PyPItypes-futures—indirekt
PyPItypes-hvac—indirekt
PyPItypes-jsonschema—indirekt
PyPItypes-markdown—indirekt
PyPItypes-paramiko—indirekt
PyPItypes-passlib—indirekt
PyPItypes-pillow—indirekt
PyPItypes-protobuf—indirekt
PyPItypes-psutil—indirekt
PyPItypes-pymysql—indirekt
PyPItypes-python-dateutil—indirekt
PyPItypes-python-slugify—indirekt
PyPItypes-pyyaml—indirekt
PyPItypes-redis—indirekt
PyPItypes-requests—indirekt
PyPItypes-setuptools—indirekt
PyPItypes-six—indirekt
PyPItypes-termcolor—indirekt
PyPItyping-extensions—indirekt
PyPIultralytics—indirekt
PyPIurllib3—indirekt
PyPIuv-build—indirekt
PyPIuvicorn—indirekt
PyPIyamlfix—indirekt
PyPIzenml—indirekt
PyPIzizmor—indirekt
PyPIzizmor1.30.0indirekt
Abhängigkeits-Advisories 1

Die Installation von pypi:zenml@0.96.4 zieht 36 Pakete nach sich, direkt und transitiv: 1 tragen bekannte Advisories, davon 1 direkte Abhängigkeiten.

PaketVersionBeziehungSchweregradAdvisoriesBehoben in
click8.2.1direkthoch18.3.3

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 zenml-io/zenml teilen. Nebeneinander lesen →

100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.Außergewöhnlich99mlflow/mlflowThe open source AI engineering platform for agents, LLMs, and ML models. MLflow enables teams of all sizes to debug, evaluate, monitor, and optimize production-quality AI applications while controlling costs and managing access to models and data.Außergewöhnlich98Netflix/metaflowBuild, Manage and Deploy AI/ML SystemsAußergewöhnlich100onnx/onnxOpen standard for machine learning interoperabilityAußergewöhnlich99ray-project/rayRay is an AI compute engine. Ray consists of a core distributed runtime and a set of AI Libraries for accelerating ML workloads.Außergewöhnlich98huggingface/datasets🤗 The largest hub of ready-to-use datasets for AI models with fast, easy-to-use and efficient data manipulation toolsAußergewöhnlich

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.