本文最后更新于 2025年9月29日 by 阿喵
SwanLab 是一款开源、轻量的 AI 模型训练跟踪与可视化工具，提供了一个跟踪、记录、比较、和协作实验的平台。开源AI模型训练记录工具
SwanLab 面向人工智能研究者，设计了友好的Python API 和漂亮的UI界面，并提供训练可视化、自动日志记录、超参数记录、实验对比、多人协同等功能。在SwanLab上，研究者能基于直观的可视化图表发现训练问题，对比多个实验找到研究灵感，并通过在线网页的分享与基于组织的多人协同训练，打破团队沟通的壁垒，提高组织训练效率。
工具截图
核心特性
1. 📊 实验指标与超参数跟踪: 极简的代码嵌入您的机器学习 pipeline，跟踪记录训练关键指标
- ☁️ 支持云端使用（类似Weights & Biases），随时随地查看训练进展。手机看实验的方法
- 📝 支持超参数记录、指标总结、表格分析
- 🌸 可视化训练过程: 通过UI界面对实验跟踪数据进行可视化，可以让训练师直观地看到实验每一步的结果，分析指标走势，判断哪些变化导致了模型效果的提升，从而整体性地提升模型迭代效率。
- 支持的元数据类型：标量指标、图像、音频、文本、视频、3D点云、生物化学分子、Echarts自定义图表…
- 支持的图表类型：折线图、媒体图（图像、音频、文本、视频）、3D点云、生物化学分子、柱状图、散点图、箱线图、热力图、饼状图、雷达图、自定义图表…
- LLM生成内容可视化组件：为大语言模型训练场景打造的文本内容可视化图表，支持Markdown渲染
- 后台自动记录：日志logging、硬件环境、Git 仓库、Python 环境、Python 库列表、项目运行目录
- 断点续训记录：支持在训练完成/中断后，补充新的指标数据到同个实验中
2. ⚡️ 全面的框架集成: PyTorch、🤗HuggingFace Transformers、PyTorch Lightning、🦙LLaMA Factory、MMDetection、Ultralytics、PaddleDetetion、LightGBM、XGBoost、Keras、Tensorboard、Weights&Biases、OpenAI、Swift、XTuner、Stable Baseline3、Hydra 在内的 30+ 框架
3. 💻 硬件监控: 支持实时记录与监控CPU、NPU（昇腾Ascend）、GPU（英伟达Nvidia）、MLU（寒武纪Cambricon）、XLU（昆仑芯Kunlunxin）、DCU（海光DCU）、MetaX GPU（沐曦XPU）、Moore Threads GPU（摩尔线程）、内存的系统级硬件指标
4. 📦 实验管理: 通过专为训练场景设计的集中式仪表板，通过整体视图速览全局，快速管理多个项目与实验
5. 🆚 比较结果: 通过在线表格与对比图表比较不同实验的超参数和结果，挖掘迭代灵感
6. 👥 在线协作: 您可以与团队进行协作式训练，支持将实验实时同步在一个项目下，您可以在线查看团队的训练记录，基于结果发表看法与建议
7. ✉️ 分享结果: 复制和发送持久的 URL 来共享每个实验，方便地发送给伙伴，或嵌入到在线笔记中
8. 💻 支持自托管: 支持离线环境使用，自托管的社区版同样可以查看仪表盘与管理实验，使用攻略
9. 🔌 插件拓展: 支持通过插件拓展SwanLab的使用场景，比如 飞书通知、Slack通知、CSV记录器等
项目地址
声明：本站为个人非盈利博客，资源均网络收集且免费分享无限制，无需登录。资源仅供测试学习，请于24小时内删除，任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集。请支持正版！如若侵犯了您的合法权益，可联系我们处理。
