SwanLab AI训练追踪
SwanLab AI训练追踪 是 AI Skill Hub 本期精选AI工具之一。已获得 3.9k 颗 GitHub Star，综合评分 8.2 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。
**安装与环境准备**
SwanLab AI训练追踪 依赖 Python 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Python 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。
**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 SwanLab AI训练追踪 的版本更新，及时通知重要功能变化。
📋 工具概览
SwanLab AI训练追踪 是一款基于 Python 开发的开源工具，专注于 训练追踪、可视化、深度学习 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
📖 中文文档
SwanLab AI训练追踪 是一款基于 Python 开发的开源工具，专注于 训练追踪、可视化、深度学习 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
# 方式一：pip 安装（推荐）
pip install swanlab
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install swanlab
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/SwanHubX/SwanLab
cd SwanLab
pip install -e .
# 验证安装
python -c "import swanlab; print('安装成功')"
- 访问 GitHub 仓库页面
- 按照 README 文档完成依赖安装
- 根据系统环境完成初始化配置
- 参考官方示例或文档开始使用
- 遇到问题可在 GitHub Issues 中查找解答
# 命令行使用
swanlab --help
# 基本用法
swanlab input_file -o output_file
# Python 代码中调用
import swanlab
# 示例
result = swanlab.process("input")
print(result)
# swanlab 配置文件示例（config.yml） app: name: "swanlab" debug: false log_level: "INFO" # 运行时指定配置文件 swanlab --config config.yml # 或通过环境变量配置 export SWANLAB_API_KEY="your-key" export SWANLAB_OUTPUT_DIR="./output"
简介
<picture> <source media="(prefers-color-scheme: dark)" srcset="readme_files/swanlab-logo-type2-dark.svg"> <source media="(prefers-color-scheme: light)" srcset="readme_files/swanlab-logo-type2-light.svg"> <img alt="SwanLab" src="readme_files/swanlab-logo-type2-light.svg" width="300" height="130"> </picture>
一个专业、现代化设计的AI训练分析平台 面向模型训练团队，与50+主流框架集成，与你的实验代码轻松结合
<a href="https://swanlab.cn">🔥SwanLab 在线版</a> · <a href="https://docs.swanlab.cn">📃 文档</a> · <a href="https://github.com/swanhubx/swanlab/issues">报告问题</a> · <a href="https://rcnpx636fedp.feishu.cn/share/base/form/shrcnMFh9kkETFS6Hsc7fsBlKHc">建议反馈</a> · <a href="https://docs.swanlab.cn/guide_cloud/general/changelog.html">更新日志</a> · <img height="16" width="16" src="https://raw.githubusercontent.com/SwanHubX/assets/main/community.svg" alt="swanlab community Logo" /> <a href="https://swanlab.cn/benchmarks">基线社区</a> · <a href="https://github.com/SwanHubX/SwanLab-Skill">SKILL</a>
[![][release-shield]][release-link] [![][dockerhub-shield]][dockerhub-link] [![][github-stars-shield]][github-stars-link] [![][github-issues-shield]][github-issues-shield-link] [![][github-contributors-shield]][github-contributors-link] [![][license-shield]][license-shield-link] [![][tracking-swanlab-shield]][tracking-swanlab-shield-link] [![][last-commit-shield]][last-commit-shield-link] [![][pypi-version-shield]][pypi-version-shield-link] [![][wechat-shield]][wechat-shield-link] [![][pypi-downloads-shield]][pypi-downloads-shield-link] [![][colab-shield]][colab-shield-link]
👋 加入我们的微信群
<a href="https://hellogithub.com/repository/b442a9fa270e4ccb8847c9ee3445e41b" target="_blank"><img src="https://abroad.hellogithub.com/v1/widgets/recommend.svg?rid=b442a9fa270e4ccb8847c9ee3445e41b&claim_uid=Oh5UaGjfrblg0yZ" alt="Featured｜HelloGitHub" style="width: 250px; height: 54px;" width="250" height="54" /></a>
</div>
<br/>
社区与支持
- GitHub Issues：使用 SwanLab 时遇到的错误和问题
- 电子邮件支持：反馈关于使用 SwanLab 的问题
- <a href="https://docs.swanlab.cn/guide_cloud/community/online-support.html">微信交流群</a>：交流使用 SwanLab 的问题、分享最新的 AI 技术
🏁 快速开始
1.安装
pip install swanlab<details><summary>源码安装</summary>
如果你想体验最新的特性，可以使用源码安装。
```bash
📃 在线演示
来看看 SwanLab 的在线演示：
| [ResNet50 猫狗分类][demo-cats-dogs] | [Yolov8-COCO128 目标检测][demo-yolo] |
|---|---|
| [![][demo-cats-dogs-image]][demo-cats-dogs] | [![][demo-yolo-image]][demo-yolo] |
| 跟踪一个简单的 ResNet50 模型在猫狗数据集上训练的图像分类任务。 | 使用 Yolov8 在 COCO128 数据集上进行目标检测任务，跟踪训练超参数和指标。 |
| [Qwen2 指令微调][demo-qwen2-sft] | [LSTM Google 股票预测][demo-google-stock] |
|---|---|
| [![][demo-qwen2-sft-image]][demo-qwen2-sft] | [![][demo-google-stock-image]][demo-google-stock] |
| 跟踪 Qwen2 大语言模型的指令微调训练，完成简单的指令遵循。 | 使用简单的 LSTM 模型在 Google 股价数据集上训练，实现对未来股价的预测。 |
| [ResNeXt101 音频分类][demo-audio-classification] | [Qwen2-VL COCO数据集微调][demo-qwen2-vl] |
|---|---|
| [![][demo-audio-classification-image]][demo-audio-classification] | [![][demo-qwen2-vl-image]][demo-qwen2-vl] |
| 从ResNet到ResNeXt在音频分类任务上的渐进式实验过程 | 基于Qwen2-VL多模态大模型，在COCO2014数据集上进行Lora微调。 |
| [EasyR1 多模态LLM RL训练][demo-easyr1-rl] | [Qwen2.5-0.5B GRPO训练][demo-qwen2-grpo] |
|---|---|
| [![][demo-easyr1-rl-image]][demo-easyr1-rl] | [![][demo-qwen2-grpo-image]][demo-qwen2-grpo] |
| 使用EasyR1框架进行多模态LLM RL训练 | 基于Qwen2.5-0.5B模型在GSM8k数据集上进行GRPO训练 |
<br>
🔥 实战案例
使用SwanLab的优秀教程开源项目： - happy-llm：从零开始的大语言模型原理与实践教程 
使用SwanLab的优秀论文： - Accelerating AlphaZero Training for Connect6 via Behavioral Cloning Initialization and Prior Action Masking in Resource-Constrained Environments - SeePhys Pro: Diagnosing Modality Transfer and Blind-Training Effects in Multimodal RLVR for Physics Reasoning - MemFactory: Unified Inference & Training Framework for Agent Memory - ILL: A Lightweight Large Language Model for Legal and Courtroom Assistance - Retrieval, Reward, and Training Protocols: What Matters in Training Search Agents? - MolAct: An Agentic RL Framework for Molecular Editing and Property Optimization - CQLLM: A Framework for Generating CodeQL Security Vulnerability Detection Code Based on Large Language Model - Animation Needs Attention: A Holistic Approach to Slides Animation Comprehension with Visual-Language Models - Efficient Model Fine-Tuning with LoRA for Biomedical Named Entity Recognition - SpectrumWorld: Artificial Intelligence Foundation for Spectroscopy - CodeBoost: Boosting Code LLMs by Squeezing Knowledge from Code Snippets with RL - A Joint Classification Method for Traditional Chinese Medicine Diseases and Syndromes Based on BertChinese-RCNNATTN - A Gradient-Norm-Aware Optimizer for Symmetry-Preserving and Stable Deep Learning - TrafficBM: A Dual-Modality Pre-Training Framework for Network Traffic Classification - Using Human Cumulative Prospect Theory to Understand Large Language Models Decision-Making
教程文章： - MNIST手写体识别 - FashionMNIST服装分类 - Cifar10图像分类 - Resnet猫狗分类 - Yolo目标检测 - UNet医学影像分割 - 音频分类 - DQN强化学习-推车倒立摆 - LSTM Google股票预测 - BERT文本分类 - Stable Diffusion文生图微调 - LLM预训练 - GLM4指令微调 - Qwen下游任务训练 - NER命名实体识别 - Qwen3医学模型微调 - Qwen2-VL多模态大模型微调实战 - GRPO大模型强化学习 - Qwen3-SmVL-0.6B多模态模型训练 - LeRobot 具身智能入门 - GLM-4.5-Air-LoRA 及 SwanLab 可视化记录 - RAG怎么做？SwanLab文档助手方案开源了
🌟如果你有想收录的教程，欢迎提交PR！
<br>
2.登录并获取 API Key
- 免费注册账号
- 登录账号，在用户设置 > API Key 里复制您的 API Key
- 打开终端，输入：
swanlab login出现提示时，输入您的 API Key，按下回车，完成登陆。
🔌 插件与API
欢迎通过插件来拓展SwanLab的功能，增强你的实验管理体验！
开放接口： - OpenAPI
<br>
3.将 SwanLab 与你的代码集成
```python import swanlab
🚗 框架集成
将你最喜欢的框架与 SwanLab 结合使用！ 下面是我们已集成的框架列表，欢迎提交 Issue 来反馈你想要集成的框架。
基础框架 - PyTorch - MindSpore - Keras
LLM训练框架 - HuggingFace Transformers - LLaMA Factory - MS-Swift - Unsloth - MLX-LM - Torchtune - PaddleNLP - Sentence Transformers - XTuner - OpenMind
LLM强化学习框架 - veRL - HuggingFace trl - NVIDIA-NeMo RL - EasyR1 - AReaL - ROLL
机器人框架 - RLinf
文生图/视频训练框架 - DiffSynth Studio
深度学习框架 - PyTorch Lightning - MMEngine - FastAI
计算机视觉 - Ultralytics - MMDetection - MMSegmentation - PaddleDetection - PaddleYOLO
机器学习框架 - LightGBM - XGBoost - CatBoost
评估框架 - EvalScope
传统强化学习框架 - Stable Baseline3
其他框架： - Tensorboard - Weights&Biases - MLFlow - HuggingFace Accelerate - Ray - Hydra - Omegaconf - SpecForge
<br>
🆚 与熟悉的工具的比较
Tensorboard vs SwanLab
- ☁️ 支持在线使用： 通过 SwanLab 可以方便地将训练实验在云端在线同步与保存，便于远程查看训练进展、管理历史项目、分享实验链接、发送实时消息通知、多端看实验等。而 Tensorboard 是一个离线的实验跟踪工具。
- 👥 多人协作： 在进行多人、跨团队的机器学习协作时，通过 SwanLab 可以轻松管理多人的训练项目、分享实验链接、跨空间交流讨论。而 Tensorboard 主要为个人设计，难以进行多人协作和分享实验。
- 💻 持久、集中的仪表板： 无论你在何处训练模型，无论是在本地计算机上、在实验室集群还是在公有云的 GPU 实例中，你的结果都会记录到同一个集中式仪表板中。而使用 TensorBoard 需要花费时间从不同的机器复制和管理 TFEvent 文件。
- 💪 更强大的表格： 通过 SwanLab 表格可以查看、搜索、过滤来自不同实验的结果，可以轻松查看数千个模型版本并找到适合不同任务的最佳性能模型。 TensorBoard 不适用于大型项目。
Weights and Biases vs SwanLab
- Weights and Biases 是一个必须联网使用的闭源 MLOps 平台
- SwanLab 不仅支持联网使用，也支持开源、免费、自托管的版本
<br>
SwanLab 是一个专业、现代化设计的 AI 训练分析平台，面向模型训练团队，与 50+ 主流框架集成，轻松与你的实验代码结合。
社区与支持：使用 SwanLab 时遇到的错误和问题、电子邮件支持、微信交流群等。
快速开始：安装 SwanLab，使用 pip 安装或源码安装。
在线演示：来看看 SwanLab 的在线演示，包括 ResNet50 猫狗分类、Yolov8-COCO128 目标检测等示例。
API/接口说明：登录并获取 API Key，插件与 API，欢迎通过插件来拓展 SwanLab 的功能。
3. 将 SwanLab 与你的代码集成：框架集成，基础框架包括 PyTorch、MindSpore、Keras 等。
SwanLab作为开源AI训练追踪工具，设计现代简洁，功能完整实用。社区活跃度高（近4k stars），持续维护更新。适合各规模AI开发团队提升训练效率。
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：SwanLab 提供官方镜像，docker compose up 一键启动
- CLI：直接 npm install -g / pip install，命令行调用
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 适合人群
🎯 使用场景
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
⚖️ 优点与不足
- +Apache-2.0 协议，可免费商用
- +完全开源免费，无授权费用
- +本地部署，数据完全自主可控
- +开发者社区支持，遇问题可查可问
- −安装和初始配置可能需要一定技术基础
- −功能完整性通常不如成熟商业产品
- −技术支持主要依赖开源社区，响应速度不稳定
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ Apache 2.0 — 宽松开源协议，可商用，需保留版权声明和 NOTICE 文件，含专利授权条款。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，SwanLab AI训练追踪 在AI工具赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | SwanLab |
| 原始描述 | 开源AI工具：⚡️SwanLab - an open-source, modern-design AI training tracking and visualization。⭐3.9k · Python |
| Topics | 训练追踪可视化深度学习LLM开源 |
| GitHub | https://github.com/SwanHubX/SwanLab |
| License | Apache-2.0 |
| 语言 | Python |
收录时间：2026-05-20 · 更新时间：2026-05-30 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。