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

🔥SwanLab 在线版 · 📃 文档 · 报告问题 · 建议反馈 · 更新日志 · 基线社区

中文 / English / 日本語 / Русский

👋 加入我们的微信群

目录

• 🌟 最近更新
• 👋🏻 什么是SwanLab
• 📃 在线演示
• 🏁 快速开始
• 💻 自托管
• 🔥 实战案例
• 🎮 硬件记录
• 🚗 框架集成
• 🔌 插件与API
• 🆚 与熟悉的工具的比较
• 👥 社区
• 📃 协议

🌟 最近更新

• 2026.03.25：📊 实验置顶上线，一键将最好的实验固定在到最好找的位置；Baseline对比功能上线，支持将实验们和baseline对比并显示差异百分比，加速找到最佳参数组合；

https://github.com/user-attachments/assets/964380e0-feb2-480d-b1ca-eba1be239ebb

• 2026.03.19：📊 新增实验复制功能，支持将创建实验副本到不同项目、团队下；parallel模式上线，支持在不同进程同时记录指标到同一实验下；实验ID现在可以自定义了；

• 2026.02.06: 🔥 swanlab.Api已正式上线，提供更强大的、面向对象式的开放API接口，文档；ECharts.Table支持CSV下载；现在支持将图表一键置于分组首位了；

• 2026.01.28：⚡️ LightningBoard V2上线，进一步提升仪表盘性能；

• 2026.01.16：⚡️ LightningBoard（闪电看板）V1 现已上线，专为超大图表数量级场景打造；新增图表嵌入链接，现在可以把你的图表嵌入到在线文档当中（如Notion、飞书云文档等）；

• 2026.01.02：🥳 新增对AMD ROCm与天数智芯Iluvatar GPU的硬件监控支持；SDK增加心跳包特性，实现更稳健的端云连接；

• 2025.12.15：🎉 SwanLab Kubernetes版 现已发布！部署文档；NVIDIA NeMo RL 框架已集成SwanLab，文档；

• 2025.12.01：🕰 新增折线图详细信息展示，鼠标悬浮在折线图上时，单击Shift将开启详细模式，支持显示当前log点的时间；📊 图表分组支持MIN/MAX区域范围显示；

• 2025.11.17：📊 全局图表配置增加X轴数据源选择、悬停模式功能，增加图表分析体验；增加SWANLAB_WEBHOOK功能；文档

👋🏻什么是SwanLab

SwanLab是一款AI训练分析与指标观测平台，面向模型训练团队，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，帮助团队快速发现训练问题，加速模型迭代。

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。

https://github.com/user-attachments/assets/7965fec4-c8b0-4956-803d-dbf177b44f54

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、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）、AMD（AMD ROCm）、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）、Iluvatar GPU（天数智芯）、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～ ⭐️

📃 在线演示

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谷歌股票预测
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模型在谷歌股价数据集上训练，实现对未来股价的预测。

ResNeXt101音频分类	Qwen2-VLCOCO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	Qwen2.5-0.5BGRPO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

更多案例

🏁 快速开始

1.安装

pip install swanlab

# 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.git

pip install 'swanlab[dashboard]'

2.登录并获取API Key

1. 免费注册账号

2. 登录账号，在用户设置 > API Key里复制您的API Key

3. 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。

3.将SwanLab与你的代码集成

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

自托管社区版支持离线查看 SwanLab 仪表盘。

详细部署文档见：

• 🔗 Kubernetes部署文档
• 🔗 Docker部署文档
• 🔗 从Docker到Kubernetes迁移文档

🔥 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
• self-llm：《开源大模型食用指南》针对中国宝宝量身打造的基于Linux环境快速微调（全参数/Lora）、部署国内外开源大模型（LLM）/多模态大模型（MLLM）教程
• Minimind：🚀🚀 「大模型」2小时完全从0训练26M的小参数GPT！
• unlock-deepseek：DeepSeek 系列工作解读、扩展和复现
• Qwen3-SmVL: 将SmolVLM2的视觉头与Qwen3-0.6B模型进行了拼接微调
• OPPO/Agent_Foundation_Models: 通过多Agent蒸馏和Agent RL的端到端Agent基础模型。
• Tree-GRPO: [ICLR 2026] 树搜索在LLM Agent RL中的应用

使用SwanLab的优秀论文：

• 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！

🎮 硬件记录

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：

如果你希望记录其他硬件，欢迎提交Issue与PR！

🚗 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
• OpenAI
• ZhipuAI
• SpecForge

更多集成

🔌 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！

• 自定义你的插件
• 邮件通知
• 飞书通知
• 钉钉通知
• 企业微信通知
• Discord通知
• Slack通知
• Bark通知
• CSV记录器
• 文件记录器

开放接口：

• OpenAPI

🆚 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

👥 社区

周边仓库

• self-hosted：私有化部署脚本仓库
• 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

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
• 微信交流群：交流使用 SwanLab 的问题、分享最新的 AI 技术

SwanLab README 徽章

如果你喜欢在工作中使用 SwanLab，请将 SwanLab 徽章添加到你的 README 中：

、

[![](https://raw.githubusercontent.com/SwanHubX/assets/main/badge2.svg)](your experiment url)
[![](https://raw.githubusercontent.com/SwanHubX/assets/main/badge1.svg)](your experiment url)

更多设计素材：assets

在论文中引用 SwanLab

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}
}

为 SwanLab 做出贡献

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

📃 协议

本仓库遵循 Apache 2.0 License 开源协议

Star History

SwanLab 快速上手指南

SwanLab 是一款专业、现代化的 AI 训练分析平台，支持实验可视化、自动日志记录、超参数跟踪及多人协同。本指南将帮助你快速开始使用。

1. 环境准备

• 系统要求：支持 Windows, macOS, Linux。
• 前置依赖：
  • Python >= 3.8
  • pip (Python 包管理工具)
• 网络建议：推荐使用国内镜像源加速安装（如清华源）。

2. 安装步骤

方式一：通过 PyPI 安装（推荐）

在终端中执行以下命令安装最新稳定版：

pip install swanlab

国内加速安装（使用清华镜像源）：

pip install swanlab -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：从源码安装

如果你需要体验最新开发特性：

git clone https://github.com/SwanHubX/SwanLab.git
cd SwanLab
pip install -e .

3. 基本使用

SwanLab 的使用非常轻量，只需几行代码即可集成到你的训练脚本中。

第一步：初始化实验

在你的 Python 训练脚本开头导入并初始化 SwanLab：

import swanlab

# 初始化实验，设置项目名称和实验名称
swanlab.init(
    project="my-first-project",
    experiment_name="exp-001",
    config={
        "learning_rate": 0.01,
        "epochs": 10
    }
)

提示：首次运行时，终端会提示你登录 SwanLab 云端账号或配置本地模式。按照指引完成授权即可。

第二步：记录指标

在训练循环中，使用 swanlab.log 记录损失值、准确率等指标：

for epoch in range(10):
    # 模拟训练过程
    loss = 1 / (epoch + 1)
    accuracy = epoch / 10
    
    # 记录指标
    swanlab.log({
        "loss": loss,
        "accuracy": accuracy
    })

第三步：查看结果

• 云端查看：登录 SwanLab 官网，即可在网页端实时查看可视化的训练曲线、超参数对比及硬件监控数据。
• 本地查看：如果选择本地模式，运行结束后终端会显示本地预览地址，点击即可在浏览器中查看。

进阶：硬件监控

SwanLab 默认自动记录系统硬件信息（CPU、GPU、内存等）。如需针对特定硬件（如华为昇腾 NPU、AMD GPU 等）进行优化监控，确保已安装对应的驱动和库，SwanLab 会自动识别并记录。

更多集成： SwanLab 已与 HuggingFace Transformers、PyTorch Lightning、LLaMA Factory 等 50+ 主流框架集成。如果你使用这些框架，通常只需替换 Logger 或添加一行回调代码即可无缝接入，具体请参考官方文档。