GPU Monitor

Monitor de GPU para a barra superior do Ubuntu

A melhor ferramenta de rastreamento de GPU em tempo real

Monitore o desempenho, a temperatura e o uso da memória da sua GPU diretamente da barra de menu do Ubuntu com GPU Monitor. Este aplicativo fácil de usar e eficiente suporta várias GPUs e está totalmente integrado com o sistema operacional Ubuntu mais recente. Obtenha atualizações em tempo real e otimize suas tarefas de jogos ou desenvolvimento. Baixe agora e assuma o controle da saúde da sua GPU hoje!

Sobre o GPU Monitor

GPU Monitor é uma ferramenta intuitiva projetada para desenvolvedores, jogadores e profissionais que precisam manter um olho no desempenho e na saúde de sua placa gráfica em tempo real. Ele se integra perfeitamente com a barra de menu do Ubuntu, fornecendo informações essenciais ao alcance de sua mão.

Recursos Principais

Monitoramento em Tempo Real: Veja a utilização da GPU, memória e temperatura, tudo atualizado ao vivo.
Suporte Multi-GPU: Gerencie e monitore várias GPUs a partir de uma única instância.
Otimizado para Ubuntu: Criado para se integrar perfeitamente com o sistema operacional Ubuntu mais recente.

Instalação

Clone o repositório

Clone com https

	
		git clone https://github.com/maximofn/gpu_monitor.git

ou com ssh

	
		git clone [email protected]:maximofn/gpu_monitor.git

Instale as dependências

Verifique se você não tem nenhum ambiente venv ou conda instalado

	
		if [ -n "$VIRTUAL_ENV" ]; then
    deactivate
fi
if command -v conda &>/dev/null; then
    conda deactivate
fi

Agora instale as dependências

	
		sudo apt-get install python3-gi python3-gi-cairo gir1.2-gtk-3.0
sudo apt-get install gir1.2-appindicator3-0.1
pip3 install nvidia-ml-py3
pip3 install pynvml

Execução na ligação

Execute este script

	
		./add_to_startup.sh

Depois de reiniciar seu computador, o GPU Monitor será iniciado automaticamente.

Apóie

Se você gostou, considere dar ao repositório uma estrela ⭐, mas se você realmente gostou, considere me comprar um café ☕.

Continuar lendo

MCP Durabilidade: Servidor e Cliente com Persistência para Tarefas de Longa Duração

Aprenda a construir servidor e cliente MCP com durabilidade para tarefas de longa duração. Tutorial completo do Model Context Protocol com persistência de dados usando SQLite, gerenciamento de tarefas em background e monitoramento em tempo real. Implemente migração de dados, processamento em lote e treinamento de modelos ML que sobrevivem a reinicializações do servidor. Código Python com FastMCP, recursos, ferramentas e padrões de durabilidade para aplicações enterprise.

MCP Resumível: Como Criar Servidores e Clientes com Checkpoints Automáticos

Aprenda a criar servidores e clientes MCP com capacidades de retomada automática. Tutorial completo sobre implementação de checkpoints, gerenciamento de interrupções e recuperação de tarefas longas no Model Control Protocol. Inclui código prático com FastMCP, gerenciamento de estado persistente e exemplos reais para processos que podem ser interrompidos e continuados de onde pararam.

Stream Informações em MCP: Guia Completo para Atualizações de Progresso em Tempo Real com FastMCP

Aprenda como implementar streaming em tempo real em aplicações MCP (Model Context Protocol) usando FastMCP. Este guia abrangente mostra como criar servidores e clientes MCP que suportam atualizações de progresso e informações streaming para tarefas de longa duração. Você construirá ferramentas habilitadas para streaming que fornecem feedback em tempo real durante processamento de dados, upload de arquivos, tarefas de monitoramento e outras operações que demandam muito tempo. Descubra como usar StreamableHttpTransport, implementar manipuladores de progresso com Context e criar barras de progresso visuais que melhoram a experiência do usuário ao trabalhar com aplicações MCP que requerem feedback contínuo.

Últimos posts -->

Você viu esses projetos?

Horeca chatbot

Naviground

Subtify

Ver todos os projetos -->

Quer aplicar IA no seu projeto? Entre em contato!

Quer melhorar com essas dicas?

Memory profiler

Ver o uso de memória de um script

DataLoader com pin_memory e num_workers

Aumentar o desempenho de DataLoader com pin_memory e num_workers

py-smi

Biblioteca Python para obter dados da GPU como `nvidia-smi`

Últimos tips -->

Use isso localmente

Os espaços do Hugging Face nos permitem executar modelos com demos muito simples, mas e se a demo quebrar? Ou se o usuário a deletar? Por isso, criei contêineres docker com alguns espaços interessantes, para poder usá-los localmente, aconteça o que acontecer. Na verdade, se você clicar em qualquer botão de visualização de projeto, ele pode levá-lo a um espaço que não funciona.