一个开源、现代化设计的深度学习训练跟踪与可视化工具
同时支持云端/离线使用，适配30+主流框架，与你的实验代码轻松集成
🔥SwanLab 在线版 · 📃 文档 · 报告问题 · 建议反馈 · 更新日志
👋 加入我们的微信群
-
2025.04.23：支持折线图编辑，支持自由配置图表的X、Y轴数据范围和标题样式；图表搜索支持正则表达式；支持昆仑芯XPU的硬件检测与监控；
-
2025.04.11：支持折线图局部区域选取；支持全局选择仪表盘折线图的step范围；支持一键隐藏全部图表；
-
2025.04.08：支持swanlab.Molecule数据类型，支持记录与可视化生物化学分子数据；支持保存表格视图中的排序、筛选、列顺序变化状态；
-
2025.04.07：我们与 EvalScope 完成了联合集成，现在你可以在EvalScope中使用SwanLab来评估大模型性能；
-
2025.03.30：支持swanlab.Settings方法，支持更精细化的实验行为控制；支持寒武纪MLU硬件监控；支持 Slack通知、Discord通知；
-
2025.03.21：🎉🤗HuggingFace Transformers已正式集成SwanLab（>=4.50.0版本），#36433；新增 Object3D图表 ，支持记录与可视化三维点云，文档；硬件监控支持了 GPU显存（MB）、磁盘利用率、网络上下行 的记录；
-
2025.03.12：🎉🎉SwanLab私有化部署版现已发布！！🔗部署文档；SwanLab 已支持插件扩展，如 邮件通知、飞书通知
-
2025.03.09：支持实验侧边栏拉宽；新增外显 Git代码 按钮；新增 sync_mlflow 功能，支持与mlflow框架同步实验跟踪；
-
2025.03.06：我们与 DiffSynth Studio 完成了联合集成，现在你可以在DiffSynth Studio中使用SwanLab来跟踪和可视化Diffusion模型文生图/视频实验，使用指引；
完整更新日志
-
2025.03.04：新增 MLFlow转换 功能，支持将MLFlow实验转换为SwanLab实验，使用指引；
-
2025.03.01：新增 移动实验 功能，现在可以将实验移动到不同组织的不同项目下了；
-
2025.02.24：我们与 EasyR1 完成了联合集成，现在你可以在EasyR1中使用SwanLab来跟踪和可视化多模态大模型强化学习实验，使用指引
-
2025.02.18：我们与 Swift 完成了联合集成，现在你可以在Swift的CLI/WebUI中使用SwanLab来跟踪和可视化大模型微调实验，使用指引。
-
2025.02.16：新增 图表移动分组、创建分组 功能。
-
2025.02.09：我们与 veRL 完成了联合集成，现在你可以在veRL中使用SwanLab来跟踪和可视化大模型强化学习实验，使用指引。
-
2025.02.05：
swanlab.log支持嵌套字典 #812，适配Jax框架特性；支持name与notes参数； -
2025.01.22：新增
sync_tensorboardX与sync_tensorboard_torch功能，支持与此两种TensorBoard框架同步实验跟踪； -
2025.01.17：新增
sync_wandb功能，文档，支持与Weights & Biases实验跟踪同步；大幅改进了日志渲染性能 -
2025.01.11：云端版大幅优化了项目表格的性能，并支持拖拽、排序、筛选等交互
-
2025.01.01：新增折线图持久化平滑、折线图拖拽式改变大小，优化图表浏览体验
-
2024.12.22：我们与 LLaMA Factory 完成了联合集成，现在你可以在LLaMA Factory中使用SwanLab来跟踪和可视化大模型微调实验，使用指引。
-
2024.12.15：硬件监控（0.4.0） 功能上线，支持CPU、NPU（Ascend）、GPU（Nvidia）的系统级信息记录与监控。
-
2024.11.26：环境选项卡-硬件部分支持识别华为昇腾NPU与鲲鹏CPU；云厂商部分支持识别青云基石智算。
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。
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。
swanlab-demo.mp4
以下是其核心特性列表：
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、3D点云、生物化学分子...
-
支持的图表类型：折线图、媒体图（图像、音频、文本）、3D点云、生物化学分子...
- 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
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MLU）、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
Important
收藏项目，你将从 GitHub 上无延迟地接收所有发布通知～ ⭐️
来看看 SwanLab 的在线演示：
| ResNet50 猫狗分类 | Yolov8-COCO128 目标检测 |
|---|---|
| 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 | LSTM Google 股票预测 |
|---|---|
| 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 | Qwen2-VL COCO数据集微调 |
|---|---|
| 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 | Qwen2.5-0.5B GRPO训练 |
|---|---|
| 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 |
pip install swanlab源码安装
如果你想体验最新的特性，可以使用源码安装。
# 方式一
git clone https://github.com/SwanHubX/SwanLab.git
pip install -e .
# 方式二
pip install git+https://github.com/SwanHubX/SwanLab.gitswanlab login出现提示时，输入您的 API Key，按下回车，完成登陆。
import swanlab
# 初始化一个新的swanlab实验
swanlab.init(
project="my-first-ml",
config={'learning-rate': 0.003},
)
# 记录指标
for i in range(10):
swanlab.log({"loss": i, "acc": i})大功告成！前往SwanLab查看你的第一个 SwanLab 实验。
自托管社区版支持离线查看 SwanLab 仪表盘。
详情请参考：文档
git clone https://github.com/SwanHubX/self-hosted.git
cd self-hosted/docker中国地区快速安装：
./install.sh从DockerHub拉取镜像安装：
./install-dockerhub.sh登录到自托管服务：
swanlab login --host http://localhost:8000完成登录后，即可将实验记录到自托管服务。
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
专有/微调框架
- PyTorch Lightning
- HuggingFace Transformers
- LLaMA Factory
- Modelscope Swift
- DiffSynth Studio
- Sentence Transformers
- OpenMind
- Torchtune
- XTuner
- MMEngine
- FastAI
- LightGBM
- XGBoost
评估框架
计算机视觉
强化学习
其他框架：
欢迎通过插件来拓展SwanLab的功能，增强你的实验管理体验！
SwanLab会对AI训练过程中所使用的硬件信息和资源使用情况进行记录，下面是支持情况表格：
| 硬件 | 信息记录 | 资源监控 | 脚本 |
|---|---|---|---|
| 英伟达GPU | ✅ | ✅ | nvidia.py |
| 昇腾NPU | ✅ | ✅ | ascend.py |
| 寒武纪MLU | ✅ | ✅ | cambricon.py |
| 昆仑芯XPU | ✅ | ✅ | kunlunxin.py |
| CPU | ✅ | ✅ | cpu.py |
| 内存 | ✅ | ✅ | memory.py |
| 硬盘 | ✅ | ✅ | disk.py |
| 网络 | ✅ | ✅ | network.py |
如果你希望记录其他硬件，欢迎提交Issue与PR！
-
☁️ 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 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
- SwanLab-Docs：官方文档仓库
- SwanLab-Dashboard：离线看板仓库，存放了由
swanlab watch打开的轻量离线看板的web代码 - self-hosted：私有化部署脚本仓库
- 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
- 微信交流群：交流使用 SwanLab 的问题、分享最新的 AI 技术
如果你喜欢在工作中使用 SwanLab，请将 SwanLab 徽章添加到你的 README 中：
、
[](your experiment url)
[](your experiment url)
更多设计素材：assets
如果您发现 SwanLab 对您的研究之旅有帮助，请考虑以下列格式引用：
@software{Zeyilin_SwanLab_2023,
author = {Zeyi Lin, Shaohong Chen, Kang Li, Qiushan Jiang, Zirui Cai, Kaifang Ji and {The SwanLab team}},
doi = {10.5281/zenodo.11100550},
license = {Apache-2.0},
title = {{SwanLab}},
url = {https://github.com/swanhubx/swanlab},
year = {2023}
}考虑为 SwanLab 做出贡献吗？首先，请花点时间阅读 贡献指南。
同时，我们非常欢迎通过社交媒体、活动和会议的分享来支持 SwanLab，衷心感谢！
Contributors
本仓库遵循 Apache 2.0 License 开源协议