--- url: /guide_cloud/general/what-is-swanlab.md --- # 欢迎使用SwanLab [快速开始](./quick-start.md) · [框架集成](../integration/index.md) · [同步Wandb](../integration/integration-wandb.md#_1-同步跟踪) · [基线社区](https://swanlab.cn/benchmarks) ![](https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/product-swanlab-1.png) SwanLab 是一款 **AI训练分析平台**，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。 借助SwanLab，科研人员可以沉淀自己的每一次训练经验，与合作者无缝地交流和协作，机器学习工程师可以更快地开发可用于生产的模型。 ## 📹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 | 视频Demo： ## SwanLab能做什么？ **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](./app.md) * 🌸 **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。 * 📝 **超参数记录**、**指标总结**、**表格分析** * **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... ![swanlab-table](https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/molecule.gif) * **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、柱状图、散点图、箱线图、热力图、饼状图、雷达图... ![swanlab-echarts](https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/zh/guide_cloud/general/what_is_swanlab/echarts.png) * **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 ![swanlab-llm-content](https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/text-chart.gif) * **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、PaddleDetection、LightGBM、XGBoost、Keras、TensorBoard、Weights & Biases、Swift、XTuner、Stable Baselines3、Hydra 在内的 **40+** 框架 ![](https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/integrations.png) **3. 💻 硬件监控**: 支持实时记录与监控CPU、GPU（**英伟达Nvidia**、**沐曦MetaX**、**摩尔线程MooreThread**）、NPU（**昇腾Ascend**）、MLU（**寒武纪MLU**）、XPU（**昆仑芯KunlunX**）、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 ![](https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/zh/guide_cloud/general/what_is_swanlab/chart3.png) **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](#-自托管) **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](../../plugin/notification-lark.md)、[Slack通知](../../plugin/notification-slack.md)、[CSV记录器](../../plugin/writer-csv.md)等 ## 为什么使用SwanLab？ 与软件工程不同，人工智能是一个**实验性学科**，产生灵感、快速试验、验证想法 是AI研究的主旋律。而记录下实验过程和灵感，就像化学家记录实验手稿一样，是每一个AI研究者、研究组织**形成积累、提升加速度**的核心。 先前的实验记录方法，是在计算机前盯着终端打印的输出，复制粘贴日志文件（或TFEvent文件），**粗糙的日志对灵感的涌现造成了障碍，离线的日志文件让研究者之间难以形成合力**。 与之相比，SwanLab提供了一套云端AI实验跟踪方案，面向训练过程，提供了训练可视化、实验跟踪、超参数记录、日志记录、多人协同等功能，研究者能轻松**通过直观的可视化图表找到迭代灵感，并且通过在线链接的分享与基于组织的多人协同训练**，打破团队沟通的壁垒。 > 以往的AI研究的分享和开源更关注结果，而我们更关注过程。 > 社区用户对SwanLab的产品评价可以归结为**简洁易用、提升效率与迭代迅速** > ——泽毅，SwanLab 联合创始人 更重要的是，SwanLab是开源的，由一帮热爱开源的机器学习工程师与社区共同构建，我们提供了完全自托管的版本，可以保证你的数据安全与隐私性。 希望以上信息和这份指南可以帮助你了解这款产品，我们相信 SwanLab 能够帮助到你。 ## 从哪里开始 * [快速开始](./quick-start.md): SwanLab入门教程，五分钟玩转实验跟踪！ * [API文档](../../api/api-index.md): 完整的API文档 * [在线支持](../community/online-support.md): 加入社区、反馈问题和联系我们 * [自托管](../../self_host/docker/deploy.md): 自托管（私有化部署）使用方式教程 * [案例](../../examples/mnist.md): 查看SwanLab与各个深度学习任务的案例 ## 与熟悉产品的对比 ### 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。 ### W\&B 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 ## 训练框架集成 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](https://github.com/swanhubx/swanlab/issues) 来反馈你想要集成的框架。 **基础框架** * [PyTorch](../integration/integration-pytorch.md) * [MindSpore](../integration/integration-ascend.md) * [Keras](../integration/integration-keras.md) **专有/微调框架** * [PyTorch Lightning](../integration/integration-pytorch-lightning.md) * [HuggingFace Transformers](../integration/integration-huggingface-transformers.md) * [LLaMA Factory](../integration/integration-llama-factory.md) * [ModelScope Swift](../integration/integration-swift.md) * [DiffSynth-Studio](../integration/integration-diffsynth-studio.md) * [Sentence Transformers](../integration/integration-sentence-transformers.md) * [OpenMind](https://modelers.cn/docs/zh/openmind-library/1.0.0/basic_tutorial/finetune/finetune_pt.html#%E8%AE%AD%E7%BB%83%E7%9B%91%E6%8E%A7) * [Torchtune](../integration/integration-pytorch-torchtune.md) * [XTuner](../integration/integration-xtuner.md) * [MMEngine](../integration/integration-mmengine.md) * [FastAI](../integration/integration-fastai.md) * [LightGBM](../integration/integration-lightgbm.md) * [XGBoost](../integration/integration-xgboost.md) * [CatBoost](../integration/integration-catboost.md) * [MLX-LM](../integration/integration-mlx-lm.md) **计算机视觉** * [Ultralytics](../integration/integration-ultralytics.md) * [MMDetection](../integration/integration-mmdetection.md) * [MMSegmentation](../integration/integration-mmsegmentation.md) * [PaddleDetection](../integration/integration-paddledetection.md) * [PaddleYOLO](../integration/integration-paddleyolo.md) **强化学习** * [Stable Baselines3](../integration/integration-sb3.md) * [veRL](../integration/integration-verl.md) * [HuggingFace TRL](../integration/integration-huggingface-trl.md) * [EasyR1](../integration/integration-easyr1.md) * [AReaL](../integration/integration-areal.md) * [ROLL](../integration/integration-roll.md) * [NVIDIA-NeMo RL](../integration/integration-nvidia-nemo-rl.md) * [MindSpeed-RL](../integration/integration-mindspeed-rl.md) **其他框架：** * [TensorBoard](../integration/integration-tensorboard.md) * [Weights & Biases](../integration/integration-wandb.md) * [MLflow](../integration/integration-mlflow.md) * [HuggingFace Accelerate](../integration/integration-huggingface-accelerate.md) * [Hydra](../integration/integration-hydra.md) * [OmegaConf](../integration/integration-omegaconf.md) [更多集成](../integration/integration-pytorch-lightning.md) ## 在线支持 * **[GitHub Issues](https://github.com/SwanHubX/SwanLab/issues)**：反馈使用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 * * * **微信群与飞书群**: 见[在线支持](../community/online-support.md) * **微信公众号**: [release-shield]: https://img.shields.io/github/v/release/swanhubx/swanlab?color=369eff&labelColor=black&logo=github&style=flat-square [release-link]: https://github.com/swanhubx/swanlab/releases [license-shield]: https://img.shields.io/badge/license-apache%202.0-white?labelColor=black&style=flat-square [license-shield-link]: https://github.com/SwanHubX/SwanLab/blob/main/LICENSE [last-commit-shield]: https://img.shields.io/github/last-commit/swanhubx/swanlab?color=c4f042&labelColor=black&style=flat-square [last-commit-shield-link]: https://github.com/swanhubx/swanlab/commits/main [pypi-version-shield]: https://img.shields.io/pypi/v/swanlab?color=orange&labelColor=black&style=flat-square [pypi-version-shield-link]: https://pypi.org/project/swanlab/ [pypi-downloads-shield]: https://static.pepy.tech/badge/swanlab?labelColor=black&style=flat-square [pypi-downloads-shield-link]: https://pepy.tech/project/swanlab [swanlab-cloud-shield]: https://img.shields.io/badge/Product-SwanLab云端版-636a3f?labelColor=black&style=flat-square [swanlab-cloud-shield-link]: https://swanlab.cn/ [wechat-shield]: https://img.shields.io/badge/WeChat-微信-4cb55e?labelColor=black&style=flat-square [wechat-shield-link]: https://docs.swanlab.cn/guide_cloud/community/online-support.html [colab-shield]: https://colab.research.google.com/assets/colab-badge.svg [colab-shield-link]: https://colab.research.google.com/drive/1RWsrY_1bS8ECzaHvYtLb_1eBkkdzekR3?usp=sharing [github-stars-shield]: https://img.shields.io/github/stars/swanhubx/swanlab?labelColor&style=flat-square&color=ffcb47 [github-stars-link]: https://github.com/swanhubx/swanlab [github-issues-shield]: https://img.shields.io/github/issues/swanhubx/swanlab?labelColor=black&style=flat-square&color=ff80eb [github-issues-shield-link]: https://github.com/swanhubx/swanlab/issues [github-contributors-shield]: https://img.shields.io/github/contributors/swanhubx/swanlab?color=c4f042&labelColor=black&style=flat-square [github-contributors-link]: https://github.com/swanhubx/swanlab/graphs/contributors [demo-cats-dogs]: https://swanlab.cn/@ZeyiLin/Cats_Dogs_Classification/runs/jzo93k112f15pmx14vtxf/chart [demo-cats-dogs-image]: https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/example-catsdogs.png [demo-yolo]: https://swanlab.cn/@ZeyiLin/ultratest/runs/yux7vclmsmmsar9ear7u5/chart [demo-yolo-image]: https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/example-yolo.png [demo-qwen2-sft]: https://swanlab.cn/@ZeyiLin/Qwen2-fintune/runs/cfg5f8dzkp6vouxzaxlx6/chart [demo-qwen2-sft-image]: https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/example-qwen2.png [demo-google-stock]: https://swanlab.cn/@ZeyiLin/Google-Stock-Prediction/charts [demo-google-stock-image]: https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/example-lstm.png [demo-audio-classification]: https://swanlab.cn/@ZeyiLin/PyTorch_Audio_Classification/charts [demo-audio-classification-image]: https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/example-audio-classification.png [demo-qwen2-vl]: https://swanlab.cn/@ZeyiLin/Qwen2-VL-finetune/runs/pkgest5xhdn3ukpdy6kv5/chart [demo-qwen2-vl-image]: https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/example-qwen2-vl.jpg [demo-easyr1-rl]: https://swanlab.cn/@Kedreamix/easy_r1/runs/wzezd8q36bb6dlza6wtpc/chart [demo-easyr1-rl-image]: https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/example-easyr1-rl.png [demo-qwen2-grpo]: https://swanlab.cn/@kmno4/Qwen-R1/runs/t0zr3ak5r7188mjbjgdsc/chart [demo-qwen2-grpo-image]: https://swanlab-docs-1301372061.cos.ap-beijing.myqcloud.com/assets/assets/example-qwen2-grpo.png [tracking-swanlab-shield-link]: https://swanlab.cn [tracking-swanlab-shield]: https://raw.githubusercontent.com/SwanHubX/assets/main/badge2.svg [visualize-swanlab-shield-link]: https://swanlab.cn [visualize-swanlab-shield]: https://raw.githubusercontent.com/SwanHubX/assets/main/badge1.svg [dockerhub-shield]: https://img.shields.io/docker/v/swanlab/swanlab-next?color=369eff&label=docker&labelColor=black&logoColor=white&style=flat-square [dockerhub-link]: https://hub.docker.com/r/swanlab/swanlab-next/tags