Awesome GitHub RepositoriesPython Profilers

py-spy is a sampling profiler and process debugger for Python. It allows for the analysis of running processes to identify performance bottlenecks and diagnose hanging programs without requiring code changes or restarts. The tool operates by reading the memory of a running process from the outside, which enables non-invasive sampling and state collection without pausing execution. It can resolve binary symbols to capture performance data from native extensions written in compiled languages and generate visual flame graphs for both native extensions and subprocesses. The project provides capa

Scalene is a high-performance diagnostic utility designed to measure resource consumption during the execution of Python applications. It functions as a line-level monitor, providing granular insights that pinpoint the specific source code responsible for performance overhead. The tool distinguishes itself through statistical profiling that captures stack traces and resource usage without requiring manual instrumentation of the source code. It tracks CPU, GPU, and memory consumption by intercepting library-level calls and hardware driver commands, allowing for the analysis of both managed and

VizTracer is a Python runtime instrumentation system and execution profiler used to trace and visualize code execution. It functions as a multi-process performance analyzer and trace visualizer, providing an interactive timeline and flamegraph interface to identify performance bottlenecks and analyze call sequences. The project distinguishes itself by its ability to aggregate execution data from multiple threads, subprocesses, and asynchronous tasks into a single unified report. It also features live process instrumentation, allowing users to attach to and detach from running Python applicati

pyinstrument is a statistical sampling profiler for Python that records the call stack at regular intervals to identify performance bottlenecks with low overhead. It tracks wall-clock time, including I/O and external service calls, and provides specialized profiling for asynchronous programs by attributing time spent awaiting tasks to the calling function. The project converts captured execution data into interactive HTML reports, JSON, and flamecharts. It includes a call stack visualizer to simplify the analysis of execution paths and supports the profiling of individual cells within interac

This project is a collection of diagnostic tools designed for auditing IP quality, analyzing network stability, profiling server environments, and benchmarking hardware performance. It provides a suite of utilities to evaluate virtual private servers through hardware performance benchmarking and system environment diagnostics. The toolset includes a streaming service unlock checker to determine regional content access, an IP reputation audit tool for blacklist and geolocation verification, and a network quality analyzer for measuring latency and throughput. It covers broader capability areas

Criterion रस्ट के लिए एक सांख्यिकी-संचालित माइक्रोबेंचमार्किंग लाइब्रेरी और परफॉरमेंस रिग्रेशन टूल है। यह छोटे कोड सेगमेंट को अलग करने और मापने के लिए एक फ्रेमवर्क प्रदान करता है, जो शोर को खत्म करने और निष्पादन गति के विश्वसनीय, दोहराने योग्य माप सुनिश्चित करने के लिए सांख्यिकीय विश्लेषण का उपयोग करता है। यह टूल एक परफॉरमेंस विज़ुअलाइज़ेशन सूट के माध्यम से खुद को अलग करता है जो परफॉरमेंस ट्रेंड्स और थ्रूपुट को ट्रैक करने के लिए HTML रिपोर्ट और ग्राफ़ उत्पन्न करता है। इसमें परफॉरमेंस में गिरावट की पहचान करने और उसे रोकने के लिए वर्तमान निष्पादन समय की तुलना संग्रहीत बेसलाइन के साथ करने की एक प्रणाली शामिल है। यह लाइब्रेरी एसिंक्रोनस फ़ंक्शन मापन, इनपुट स्केलिंग के लिए पैरामीटराइज़्ड बेंचमार्किंग और कोड थ्रूपुट गणना को कवर करती है। यह रन के दौरान निम्न-स्तरीय डेटा कैप्चर करने के लिए कस्टम हार्डवेयर मेट्रिक्स और प्रोसेसर काउंटरों के एकीकरण का भी समर्थन करती है। ऑटोमेशन को बेंचमार्क फ़िल्टरिंग के लिए कमांड-लाइन इंटरफ़ेस और निरंतर एकीकरण (CI) पाइपलाइनों के भीतर सफल निष्पादन को सत्यापित करने के लिए एक वैलिडेशन मोड के माध्यम से समर्थित किया जाता है।

This project is a diagnostic utility for monitoring and analyzing memory consumption in Python applications. It provides tools for tracking resource usage at the process level and performing detailed, line-by-line analysis to identify memory leaks and performance bottlenecks. The tool distinguishes itself through its ability to aggregate memory metrics across entire process trees, capturing the total resource impact of both parent and child processes. It supports time-series visualization of memory usage over the duration of a script, allowing for the identification of long-term consumption p

vprof पायथन के लिए एक विज़ुअल प्रोफ़ाइलिंग टूल है जिसे निष्पादन बाधाओं (execution bottlenecks) की पहचान करने और मेमोरी खपत की निगरानी करने के लिए डिज़ाइन किया गया है। यह एक CPU और मेमोरी प्रोफ़ाइलर के रूप में कार्य करता है जो प्रोसेसर समय और कॉल स्टैक का विश्लेषण करने के लिए प्रदर्शन डेटा को इंटरैक्टिव विज़ुअलाइज़ेशन में बदल देता है। यह प्रोजेक्ट स्टैक विज़ुअलाइज़ेशन के लिए फ्लेम ग्राफ़ और सोर्स कोड पर सीधे निष्पादन आवृत्ति और अवधि को मैप करने वाले हीटमैप सहित विज़ुअल डायग्नोस्टिक्स के एक सूट के माध्यम से खुद को अलग करता है। इसमें एक रिमोट परफ़ॉर्मेंस मॉनिटर भी शामिल है जो चल रहे सर्वर से फ़ंक्शन-विशिष्ट मेट्रिक्स कैप्चर करने और उस डेटा को एक अलग विज़ुअलाइज़ेशन टूल पर स्ट्रीम करने में सक्षम है। यह टूल सैंपलिंग-आधारित CPU प्रोफ़ाइलिंग, गारबेज कलेक्टर ट्रैकिंग के माध्यम से लाइन-लेवल मेमोरी मॉनिटरिंग, और ऑफ़लाइन विश्लेषण के लिए प्रोफ़ाइल डेटा पर्सिस्टेंस सहित व्यापक क्षमता क्षेत्रों को कवर करता है। ये उपयोगिताएँ सोर्स कोड दक्षता के ऑडिटिंग और मेमोरी लीक की पहचान करने की अनुमति देती हैं।

Segment Anything Fast is a high-performance computer vision inference engine and image segmentation framework built for PyTorch. It provides a specialized environment for automated object isolation and mask generation, designed to process large-scale visual datasets with increased throughput. The project distinguishes itself through a suite of system-level optimization strategies that accelerate deep learning model performance. By utilizing graph-based model compilation, just-in-time kernel fusion, and hardware-aware quantization, it reduces computational latency and memory footprint. These t