- 综合排序
- 最热优先
- 最新优先
Ultralytics x SwanLab：可视化YOLO模型训练
集成SwanLab有两种方式：使用add_swanlab_callback函数：无需修改源码，仅适用于单卡训练场景使用return_swanlab_callback函数：需要修改源码，适用于单卡以及多卡 1.1 引入add_swanlab_callbackfrom swanlab.integration.ultralytics import add_swanlab_callbackSwanLabCallback 1.2 引入add_swanlab_callback下面是使用yolov8n模型在coco数据集上的训练，只需将model传入add_swanlab_callback函数，即可完成与SwanLab的集成 如果需要自定义SwanLab的项目、实验名等参数，则可以在return_swanlab_callback中添加：return_swanlab_callback( model, project 相关链接Ultralytics文档： UltralyticsSwanLab官网：SwanLab - 在线AI实验平台，一站式跟踪、比较、分享你的模型SwanLab官方文档：SwanLab官方文档 | 先进的
1.5K10编辑于 2024-06-01YOLOv8猫狗检测:从SwanLab可视化训练到Gradio Demo网站
YOLOv8猫狗检测:从SwanLab可视化训练到Gradio Demo网站基于YOLO模型在自定义数据上做训练，实现对特定目标的识别和检测，是CV领域非常经典的任务，也是AI项目落地最热门的方向之一。 这篇文章我将带大家使用Ultralytics、SwanLab、Gradio这两个开源工具，完成从猫狗检测数据集准备、代码编写、可视化训练到推理Demo的全过程。 import add_swanlab_callbackimport swanlabdef main(): swanlab.init(project="Cats_Dogs_Detection", 在运行训练脚本的时候，如果你是第一次使用swanlab，那么需要去swanlab官网注册一个账号，然后在用户设置界面复制API Key，然后在命令行输入swanlab login，粘贴API Key即可完成登录 相关链接在线看实验过程：猫狗检测 · SwanLabSwanLab：https://swanlab.cn数据集：百度云，提取码: f238
1.9K10编辑于 2024-05-28GLM4大模型微调入门实战（完整代码）
SwanLab：https://swanlab.cn 相关文章：Qwen2指令微调 知识点：什么是指令微调？ 这里直接使用SwanLab和Transformers的集成来实现： from swanlab.integration.huggingface import SwanLabCallback swanlab_callback callbacks=[swanlab_callback], ) 如果你是第一次使用SwanLab，那么还需要去https://swanlab.cn上注册一个账号，在用户设置页面复制你的API Key，然后在训练开始时粘贴进去即可 相关链接 代码：完整代码直接看本文第5节 实验日志过程：GLM4-Fintune - SwanLab 模型：Modelscope 数据集：zh_cls_fudan_news SwanLab：https: //swanlab.cn
2.7K10编辑于 2024-06-20BERT-IMDB电影评论情感分类实战：SwanLab可视化训练（完整训练代码）
代码中用swanlab主要用于记录指标和可视化。 ： from swanlab.integration.huggingface import SwanLabCallback # 设置swanlab回调函数 swanlab_callback = SwanLabCallback 回调函数 callbacks=[swanlab_callback], ) 想了解更多关于SwanLab的知识，请看SwanLab官方文档。 训练过程看这里：BERT-SwanLab。 在首次使用SwanLab时，需要去官网注册一下账号，然后在用户设置复制一下你的API Key。 然后在终端输入swanlab login: swanlab login 把API Key粘贴进去即可完成登录，之后就不需要再次登录了。
1.3K11编辑于 2024-05-26SwanLab快速上手（开源在线训练可视化工具，Wandb国产平替）
SwanLab介绍swanlab地址：swanlab.cnGithub地址：https://github.com/SwanHubX/SwanLabSwanLab是一款开源、轻量级的AI实验跟踪工具，提供了一个跟踪 快速上手参考链接：SwanLab快速开始2.1 安装swanlabpip install swanlab如果下载太慢，可以使用以下命令从清华源下载：pip install swanlab -i https ://pypi.tuna.tsinghua.edu.cn/simple2.2 登录账号如果你之前没有注册用SwanLab账号，那么去官网注册一个，然后记一下你的API Key：在命令行输入：swanlab 2.3 运行案例程序import swanlabimport random# 初始化一个新的swanlab run类来跟踪这个脚本swanlab.init( # 设置将记录此次运行的项目信息 project 上传训练指标 swanlab.log({"acc": acc, "loss": loss})运行后，你会在最开始看到swanlab链接：点击链接就可以看到可视化效果，或者访问SwanLab官网，会在你的账号下看到新的实验
2.2K10编辑于 2024-05-20Stable Diffusion训练入门：火影忍者数据集
模型与数据集百度云链接：百度云，提取码: gtk8SwanLab：https://swanlab.cn1.环境安装本案例基于Python>=3.8，请在您的计算机上安装好Python；另外，您的计算机上至少要有一张英伟达显卡 ==0.3.11，更多库版本可查看SwanLab记录的Python环境。 配置训练可视化工具我们使用SwanLab来监控整个训练过程，并评估最终的模型效果。 如果你是第一次使用SwanLab，那么还需要去 https://swanlab.cn 上注册一个账号，在用户设置页面复制你的API Key，然后在训练开始时粘贴进去即可：5.开始训练由于训练的代码比较长 ：https://swanlab.cn
2.1K10编辑于 2024-06-18Qwen2大模型微调入门实战（完整代码）
在这个任务中我们会使用Qwen2-1.5b-Instruct模型在zh_cls_fudan_news数据集上进行指令微调任务，同时使用SwanLab进行监控和可视化。 配置训练可视化工具 我们使用SwanLab来监控整个训练过程，并评估最终的模型效果。 这里直接使用SwanLab和Transformers的集成来实现： from swanlab.integration.huggingface import SwanLabCallback swanlab_callback callbacks=[swanlab_callback], ) 如果你是第一次使用SwanLab，那么还需要去https://swanlab.cn上注册一个账号，在**用户设置**页面复制你的API Key (result_text, caption=response)) swanlab.log({"Prediction": test_text_list}) swanlab.finish() 看到下面的进度条即代表训练开始
4.4K11编辑于 2024-06-20- 来自专栏深度学习自然语言处理
Qwen2大模型微调入门实战-命名实体识别（NER）任务
@XDU；SwanLab联合创始人 声明：本文只做分享，版权归原作者，侵权私信删除！ • 数据集：chinese_ner_sft • SwanLab：https://swanlab.cn 知识点1：什么是指令微调？ 这里直接使用SwanLab和Transformers的集成来实现： from swanlab.integration.huggingface import SwanLabCallback swanlab_callback callbacks=[swanlab_callback], ) 如果你是第一次使用SwanLab，那么还需要去https://swanlab.cn上注册一个账号，在用户设置页面复制你的API Key，然后在训练开始时粘贴进去即可 (result_text, caption=response)) swanlab.log({'Prediction': test_text_list}) swanlab.finish() 看到下面的进度条即代表训练开始
3.1K20编辑于 2024-07-04 Qwen2大模型微调入门实战-命名实体识别（NER）任务
代码：完整代码直接看本文第5节 或 Github 实验日志过程：Qwen2-1.5B-NER-Fintune - SwanLab 模型：Modelscope 数据集：chinese_ner_sft SwanLab ：https://swanlab.cn 知识点1：什么是指令微调？ 这里直接使用SwanLab和Transformers的集成来实现： from swanlab.integration.huggingface import SwanLabCallback swanlab_callback callbacks=[swanlab_callback], ) 如果你是第一次使用SwanLab，那么还需要去https://swanlab.cn上注册一个账号，在用户设置页面复制你的API Key，然后在训练开始时粘贴进去即可 模型：Modelscope 数据集：chinese_ner_sft SwanLab：https://swanlab.cn
1.7K21编辑于 2024-06-21MiniCPM-o-2.6 多模态大模型微调实战（完整代码）
SwanLab简介SwanLab 是一个开源的模型训练记录工具，常被称为"中国版 Weights&Biases + Tensorboard"。 SwanLab面向AI研究者，提供了训练可视化、自动日志记录、超参数记录、实验对比、多人协同等功能。 callbacks=[swanlab_callback],)首次使用SwanLab，需要先在官网注册一个账号，然后在用户设置页面复制你的API Key，然后在训练开始提示登录时粘贴即可，后续无需再次登录 ：SwanLab API Key的位置：更多用法可参考快速开始、Transformers集成。 SwanLab记录，需要调用swanlab.finish()swanlab.finish()我们运行python train.py，可以看到下面的进度条即代表训练开始： 训练结果演示详细训练过程请看这里
1.5K10编辑于 2025-01-25- 来自专栏云同步
ms-swift 微调 internlm3-8b-instruct（论文分类任务）
swift_output/internlm3-8b-lora" # 模型作者 model_author="fei" # 训练后的模型名称 model_name="InternLM3-8B-Lora" # swanlab per_device_train_batch_size 8 \ --learning_rate 1e-4 \ --warmup_ratio 0.1 \ --report_to swanlab \ --swanlab_project $swanlab_project \ --split_dataset_ratio 0 \ --lora_rank 8 \ --lora_alpha 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。 pip install swanlab 3）登录 swanlab 3.1）前往 swanlab 注册 网址：https://swanlab.cn/ 3.2）获取 API Key 3.2）服务器登录 swanlab
77710编辑于 2025-08-01 AI赋能高校科研：开源工具与算力平台重塑人才培养模式
构建开源工具链降低AI研发门槛 通过SwanLab训练实验工具与SwanHub开源社区，为高校提供完整的AI研发基础设施： SwanLab支持30+主流AI框架，实现训练过程可视化与模型管理 SwanHub 2404.18225 实现AI教育全层级覆盖与科研效率提升 建立从基础教育到科研应用的全栈式培训体系： 中小学生掌握提示词设计与AI创作，培养基础AI素养 高校科研团队利用开源工具开展模型训练，清华大学等机构已基于SwanLab 发表多篇顶会论文 企业用户占比9.98%，包括华为、阿里、腾讯等头部企业 “SwanLab与LLaMA Factory深度合作，致力于为中国AI训练者提供优质、高效的大模型训练体验” —— SwanLab 数据来源：教育部、清华大学AMiner团队、SwanLab用户统计、arXiv论文收录记录
2200编辑于 2026-05-30SwanLab：降低AI模型训练门槛，助力大模型时代人才培养与实践
SwanLab提供一站式AI训练实验工具 腾讯云推出SwanLab平台，为AI训练提供全生命周期管理解决方案。该平台支持30+主流AI框架，涵盖大语言模型微调、自动驾驶、强化学习等训练场景。 量化应用效果与教育实践成果 在高校应用方面，SwanLab已构建完整的人工智能课程体系： 面向中小学生的AI科普教程累计阅读量30万+，帮助2000+ 学习者入门AI（来源：平台统计） 与清华大学AI& MotionLCM: Real-time Controllable Motion Generation via Latent Consistency Model》（arXiv:2404.19759） “使用Swanlab
500编辑于 2026-05-30- 来自专栏Datawhale专栏
DeepSeek R1 Zero中文复现教程来了！
在介绍下一个文件之前，我们强烈建议大家使用 Swanlab（https://swanlab.cn/） 来可视化追踪实验过程，打开：https://swanlab.cn/login ，登录之后点击图中所示的 参数的数据类""" # 是否使用 SwanLab swanlab: bool # SwanLab 用户名 workspace: str # SwanLab 的项目名 swanlab_args.swanlab: swanlab_callback = SwanLabCallback( workspace=swanlab_args.workspace swanlab: bool # SwanLab 用户名 workspace: str # SwanLab 的项目名 project: str # SwanLab 的实验名 experiment_name: str # Datawhale-R1.yaml # Swanlab 训练流程记录参数 swanlab: true # 是否开启 Swanlab
3.8K20编辑于 2025-02-07 SwanLab 构筑 AI 训练基础设施：从 Coding 到 Training 的人才与生态实践
部署全生命周期训练管理与开源工具链 针对 AI 训练过程的实验管理与可视化需求，SwanLab 提供了一站式的跟踪、比较与分享平台。 量化社区运营与科研应用成果 SwanLab 在开发者社区与科研领域的渗透率呈现具体增长态势，工具价值通过下载量与教学案例得到验证： 开源包下载量： PyPI 平台总下载量达 53,776 次（数据来源： “Here is the link for logging MotionLCM training using Swanlab. .” —— wxDai @DaiWenxun，粤港澳大湾区数字经济研究院 (IDEA) 深度融入腾讯云教育科研生态 SwanLab 通过与腾讯云的战略合作，深入高校创新教育体系。 生态共建： 作为腾讯教育科研生态云行动计划的一部分，SwanLab 助力西安电子科技大学等高校推进人工智能与云计算技术融合。
700编辑于 2026-05-30从指令编程迈向模型微调：大模型时代的AI人才培养与SwanLab工具链实践
构建一站式可视化训练工具链：SwanLab 全生命周期模型管理 为解决AI训练过程中的实验数据追踪与协作难题，行业引入了 SwanLab 在线可视化训练实验工具。 贯通产学研用数据闭环：量化推动AI实战教育与科研转化 通过工具链的普及，产学研各界的AI实战能力得到了显著的数据验证与业务落地： 开源生态与开发者触达： SwanLab 开源包下载量已突破 50,000 赋能顶尖科研机构： 清华大学 AI&Robot 实验室： 采用 SwanLab 进行具身智能训练，有效监控四足机器人复杂环境穿越（Quadruped robot traversing）的运行状况并记录模型版本 粤港澳大湾区数字经济（IDEA）研究院： 利用 SwanLab 完成多模态模型训练及对结果的可视化分析，支撑了 AIGC 游戏动作与 LLM 生成训练的前沿研究。
200编辑于 2026-05-30构建AI时代科研教育新范式：算力、工具链与人才培养的深度融合
关键业务指标： 工具影响力： SwanLab工具已支持30+主流AI框架，开源版安装量达8.7万+，GitHub Star 1k+。 用户覆盖： 截至2025年3月，SwanLab月活用户中，中国用户占84%，北美占5.8%，日本占2.9%；企业用户占总用户的9.98%，涵盖华为、阿里、腾讯、美团、百度等头部企业。
1300编辑于 2026-05-30应对顶尖AI人才缺口：基于开源生态与精细化算力的科研育人新范式
—— 李开复，零一万物创始人 部署可视化训练工具链与精细化云算力架构 针对高校科研团队在模型微调（Fine-tuning）、多模态训练以及算力分配中面临的效率与管理瓶颈，腾讯云联合SwanLab等生态伙伴 SwanLab：一站式AI实验跟踪与多机协同平台 全生命周期可视化： 轻量级集成现有代码（支持30+主流AI框架，包括PyTorch、ONNX等），实现模型微调训练的可视化、分析与管理。 前沿科研场景应用落地： 清华大学AI&Robot实验室： 借助SwanLab打通仿真与实验数据对齐问题，实现四足机器人（Quadruped robot）在复杂环境中的智能训练，成果发表于 arXiv。 —— Sam Altman，OpenAI CEO（探讨开源对AI生态构建的意义） 驱动科教一体化与底层生态协同创新 在科研育人新范式中，选择腾讯云与SwanLab的联合方案，核心在于实现了“基础设施可控
1700编辑于 2026-05-30- 来自专栏LLM
AI-Compass LLM训练框架生态：整合ms-swift、Unsloth、Megatron-LM等核心框架，涵盖全参数/PEFT训练与分布式优化
实验监控提供MLflow、WandB、SwanLab等专业工具。 DeepSpeed-微软1.FairScale-meta1.Horovod1.LLaMA-Factory1.LLaMA-Factory/easy-data1.xtuner-书生浦源1.实验监控1.实验监控/SwanLab1 简介SwanLab是一款开源、现代化设计的深度学习训练跟踪与可视化工具，支持云端/离线使用，适配30+主流AI训练框架。 技术原理SwanLab通过Python API嵌入到机器学习pipeline中，收集训练过程中的指标、超参数、日志等数据。它利用自身的可视化引擎将数据以图表形式展示，方便用户分析。 SwanLab - AGI时代先进模型训练研发工具SwanLab官方文档 | 先进的AI团队协作与模型创新引擎SwanHubX/SwanLab: ⚡️SwanLab - an open-source,
1.6K10编辑于 2025-08-13 - 来自专栏机器之心
重磅！淘天联合爱橙开源强化学习训练框架ROLL，高效支持十亿到千亿参数大模型训练
可观察性：集成了 wandb / swanlab / tensorboard，支持实时跟踪每个领域、每个策略、每个奖励的性能 —— 从高层概况到细粒度诊断。 另外，ROLL 也支持 wandb、swanlab、TensorBoard 等实验可视化方案。更多技术细节请访问原论文。
94710编辑于 2025-06-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号