前言
AI 研究与工程落地日益紧密，训练一个模型早已不只是"跑通代码"那么简单。超参数调了多少轮？哪次实验 loss 最低？GPU 到底用了多少？团队里谁改了学习率却没通知你？这些问题，每天都在消耗大家的精力。
有没有一种工具，既能像写日记一样自动记录训练全过程，又能用图表一目了然地对比几十个实验，还能让整个团队实时看到最新结果、甚至手机上就能查看进度？
现在，有了——SwanLab。
项目介绍
SwanLab 是一个开源、现代化设计的深度学习训练跟踪与可视化工具，专为 AI 打造。它不搞复杂配置，也不强制绑定云服务——你可以在线使用，也可以完全离线自托管；它轻量、灵活，却功能强大，目前已支持 30 多个主流 AI 框架，从 PyTorch、HuggingFace Transformers 到 LLaMA Factory、Ultralytics、PaddleDetection、veRL、Swift、XGBoost……几乎覆盖了当前 AI 领域的所有热门生态。
项目使用
极简集成，一行代码开启实验追踪
使用 SwanLab 非常简单。
只需两步：
pip install swanlab
然后在你的训练脚本开头加入：
import swanlabswanlab.init(project="my-llm-finetune", config={"lr": 3e-4, "batch_size": 16})
在训练循环中记录指标：
swanlab.log({"loss": loss, "accuracy": acc})
就这么简单。剩下的——超参数、指标曲线、硬件资源（CPU/GPU/NPU/MLU/内存等）、Git 提交记录、Python 环境、日志输出——全部自动捕获，并实时同步到 Web 仪表盘。
不只是看图，更是洞察实验
SwanLab 的 UI 设计干净直观，但功能远不止"画折线图"。
它支持：
多维度图表：标量、图像、音频、文本、视频、3D 点云、分子结构、PR 曲线、混淆矩阵、热力图、雷达图等；
LLM 专属可视化：为大模型训练定制的 Markdown 渲染文本视图，清晰展示生成内容；
表格+图表联动：在表格中筛选、排序、Pin 关键列，图表自动联动更新；
实验分组管理：面对上百个实验，可通过"分组"和"Job Type"高效组织；
断点续训支持：训练中断后，可继续向同一实验追加数据，无需新建。
更贴心的是，所有图表都经过性能优化，即使加载上千个实验点，依然流畅如初。
团队协作，打破信息孤岛
过去，训练结果散落在不同人的本地机器上，想对比就得"发截图+问参数"。SwanLab 改变了这一点：
- 支持项目级协作，可邀请成员加入；
- 每个实验生成永久链接，一键分享给同事或嵌入 Notion；
- 支持组织切换，适合多项目并行的团队；
- 还能通过插件将关键事件推送到飞书、钉钉、Slack、邮件等。
这意味着，算法研究员、工程部署、产品经理，都能在同一页面看到模型进展，沟通成本大幅降低。
开源 + 自托管，真正掌控你的数据
很多类似工具（比如 W&B）是闭源且强制联网的。而 SwanLab 坚持 Apache 2.0 开源协议，不仅免费，还提供完整的自托管方案。
通过 Docker 一条命令即可在内网或私有服务器部署：
git clone https://github.com/SwanHubX/self-hosted.gitcd self-hosted/docker && ./install.sh
之后只需在代码中指定 host：
swanlab login --host http://your-server:8000
所有实验数据留在本地，安全可控，特别适合对数据敏感的企业或科研机构。
实战验证，覆盖全场景
SwanLab 广泛应用于各类真实项目中：
- Qwen、GLM、DeepSeek 等大模型的指令微调与 RL 训练；
- YOLOv8 目标检测、UNet 医学分割、ResNet 图像分类；
- LSTM 股价预测、DQN 强化学习、Stable Diffusion 微调；
- 甚至具身智能（LeRobot）、多模态（Qwen2-VL）、生物信息等前沿方向。
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：
| 硬件 | 信息记录 | 资源监控 | 脚本 |
|---|---|---|---|
| 英伟达GPU | ✅ | ✅ | nvidia.py |
| 昇腾NPU | ✅ | ✅ | ascend.py |
| 苹果SOC | ✅ | ✅ | apple.py |
| 寒武纪MLU | ✅ | ✅ | cambricon.py |
| 昆仑芯XPU | ✅ | ✅ | kunlunxin.py |
| 摩尔线程GPU | ✅ | ✅ | moorethreads.py |
| 沐曦GPU | ✅ | ✅ | metax.py |
| 海光DCU | ✅ | ✅ | hygon.py |
| CPU | ✅ | ✅ | cpu.py |
| 内存 | ✅ | ✅ | memory.py |
| 硬盘 | ✅ | ✅ | disk.py |
| 网络 | ✅ | ✅ | network.py |
项目源码
在线体验：swanlab.cn
文档&自托管：docs.swanlab.cn
别再让训练变成"黑盒"。从下一个实验开始，用 SwanLab 看见你的 AI 成长轨迹。
总结
SwanLab 的目标不是取代 TensorBoard 或 W&B，而是提供一个更现代、更开放、更贴近大家开发习惯的选择。它不炫技，不堆功能，只专注一件事：让每一次训练都可追溯、可比较、可协作。
不管大家是个人研究，还是百人 AI 团队，还是公有云训练千亿参数模型，还是在实验室小服务器跑个 MNIST——SwanLab 都能让大家的实验过程更清晰、迭代更高效。
关键词
#SwanLab、#AI训练可视化、#开源项目、#实验跟踪、#自托管、#多框架支持、#LLM微调、#硬件监控、#深度学习、#AI、#人工智能
最后
如果你觉得这篇文章对你有帮助，不妨点个赞支持一下！你的支持是我继续分享知识的动力。如果有任何疑问或需要进一步的帮助，欢迎随时留言。
也可以加入微信公众号 [DotNet技术匠] 社区，与其他热爱技术的同行一起交流心得，共同成长！
优秀是一种习惯，欢迎大家留言学习！
