README_JP.md

プロフェッショナルな AI トレーニング分析プラットフォーム
実験のイテレーションを高速化、50 種以上のトップクラスの AI トレーニングフレームワークと統合

🔥SwanLab オンライン版 · 📃 ドキュメント · 問題を報告 · フィードバックを提案 · 更新履歴 · SKILL

中文 / English / 日本語 / Русский

👋 WeChat グループに参加する

目次

• 🌟 最近の更新
• 👋🏻 SwanLab とは
• 📃 オンラインデモ
• 🏁 クイックスタート
• 💻 セルフホスティング
• 🔥 実践事例
• 🎮 ハードウェア監視
• 🚗 フレームワーク統合
• 🔌 プラグイン
• 🆚 既存ツールとの比較
• 👥 コミュニティ
• 📃 ライセンス

🌟 最近の更新

• 2026.06.16: 📊 HTML チャートを追加し、LLM Vibe Coding 後のページ埋め込みをサポート；Kubernetes デプロイ向け Prometheus ログ監視ソリューション が公開されました；

• 2026.06.05: ⚡️ リファクタリング版 SDK（v0.8.0）が公開され、指標記録性能が大幅に向上し、大規模トレーニングでより快適に利用できます；SwanLab CLI と Skill が公開され、AutoResearch パラダイムに対応しました；

• 2026.05.18: 📒 ログでグローバルフィルタリングをサポートし、必要なログ断片をすばやく全体から見つけられるように；チャート複製機能を追加；チャート検索に検索履歴機能を追加；チャート詳細に相対時間表示を追加；

• 2026.04.28: 🪨 プロジェクトのピン留めが利用可能になりました、チームが最も重視するプロジェクトカードを最も目立つ位置に固定可能；折れ線グラフを Hover した際の指標パネル表示を改善；

• 2026.03.25: 📊 実験ピン留めが利用可能になりました——ワンクリックで最高の実験を最も見つけやすい位置に固定；Baseline比較機能が利用可能になりました、実験と baseline を比較し差異のパーセンテージを表示、最適なパラメータ組み合わせの発見を加速；

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

• 2026.03.19: 📊 実験複製機能を追加、異なるプロジェクトやチームに実験のコピーを作成できます；parallelモードが利用可能になりました、異なるプロセスで同時に指標を記録できます；実験 ID をカスタマイズできるようになりました；

• 2026.02.06: 🔥swanlab.Api が利用可能になりました、より強力な、オブジェクト指向のオープン API インターフェースを提供、ドキュメント；ECharts.Table は CSV ダウンロードをサポート；今はグラフをグループのトップに配置することができます；

👋🏻 SwanLab とは

SwanLab は、オープンソースで軽量な AI モデルトレーニング追跡・可視化ツールで、実験の追跡、記録、比較、コラボレーションのためのプラットフォームを提供します。

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

SwanLab は AI 研究者向けに設計され、使いやすい Python API と美しい UI を提供し、トレーニングの可視化、自動ログ記録、ハイパーパラメータ記録、実験比較、複数人でのコラボレーションなどの機能を提供します。SwanLab では、研究者が直感的な可視化チャートを通じてトレーニングの問題を発見し、複数の実験を比較して研究のインスピレーションを得ることができます。また、オンラインページでの共有や組織ベースの複数人でのトレーニングを通じて、チーム間のコミュニケーションの壁を打破し、組織のトレーニング効率を向上させます。

以下はその主な機能リストです：

1. 📊 実験指標とハイパーパラメータの追跡: 機械学習パイプラインに簡単に組み込めるコードで、トレーニングのキー指標を追跡

• クラウド使用をサポート（Weights & Biases のような）、どこからでもトレーニングの進捗を確認可能。携帯で実験を見る方法
• ハイパーパラメータ記録とテーブル表示をサポート
• サポートするメタデータタイプ: スカラー指標、画像、音声、テキスト、3D 点群、生物化学分子...
• サポートするチャートタイプ: 折れ線グラフ、メディアグラフ（画像、音声、テキスト、3D 点群、生物化学分子）、...
• バックグラウンドでの自動記録: ログ記録、ハードウェア環境、Git リポジトリ、Python 環境、Python ライブラリリスト、プロジェクト実行ディレクトリ

2. ⚡️ 幅広いフレームワーク統合: PyTorch、🤗HuggingFace Transformers、PyTorch Lightning、🦙LLaMA Factory、MMDetection、Ultralytics、PaddleDetetion、LightGBM、XGBoost、Keras、Tensorboard、Weights&Biases、Swift、XTuner、Stable Baseline3、Hydra など30 以上のフレームワーク

3. 💻 ハードウェア監視: CPU、NPU（昇騰 Ascend）、GPU（Nvidia）、MLU（寒武紀 MLU）、メモリのシステムレベルのハードウェア指標をリアルタイムで記録・監視

4. 📦 実験管理: トレーニングシーン向けに設計された集中型ダッシュボードで、全体ビューを一目で確認し、複数のプロジェクトと実験を迅速に管理

5. 🆚 結果の比較: オンラインテーブルと比較チャートを使用して、異なる実験のハイパーパラメータと結果を比較し、イテレーションのインスピレーションを発掘

6. 👥 オンラインコラボレーション: チームと協力してトレーニングを行い、実験をリアルタイムで同期させ、チームのトレーニング記録をオンラインで確認し、結果に基づいて意見や提案を共有可能

7. ✉️ 結果の共有: 各実験の永続的な URL をコピーして送信し、パートナーに簡単に送信したり、オンラインノートに埋め込んだり可能

8. 💻 セルフホスティング対応: オフライン環境での使用をサポートし、セルフホスティングのコミュニティ版でもダッシュボードの表示と実験の管理が可能

9. 🔌 プラグイン拡張: プラグインを使用して SwanLab の使用シナリオを拡張できます。Lark 通知、Slack 通知、CSV 記録器など。

📃 オンラインデモ

SwanLab のオンラインデモをご覧ください：

ResNet50 猫犬分類	Yolov8-COCO128 物体検出
猫犬データセットでの簡単な ResNet50 モデルのトレーニングを追跡。	Yolov8 を使用して COCO128 データセットで物体検出タスクを追跡。

Qwen2 指示ファインチューニング	LSTM Google 株価予測
Qwen2 大規模言語モデルの指示ファインチューニングを追跡。	簡単な LSTM モデルを使用して Google 株価データセットでトレーニングし、将来の株価を予測。

ResNeXt101 音声分類	Qwen2-VL COCO データセットファインチューニング
ResNet から ResNeXt への音声分類タスクの進化的実験プロセス	Qwen2-VL 多モーダル大規模モデルを使用して COCO2014 データセットで Lora ファインチューニング。

EasyR1 multimodal LLM RL Training	Qwen2.5-0.5B GRPO Training
EasyR1 フレームワークを使用した多モーダル LLM RL トレーニング	Qwen2.5-0.5B モデルを GSM8k データセットで GRPO トレーニング。

その他の例

🏁 クイックスタート

1.インストール

pip install swanlab

# Method 1
git clone https://github.com/SwanHubX/SwanLab.git
pip install -e .

# Method 2
pip install git+https://github.com/SwanHubX/SwanLab.git

pip install 'swanlab[dashboard]'

2.ログインして API キーを取得

1. 無料でアカウント登録

2. アカウントにログインし、ユーザー設定 > API キーで API キーをコピー

3. ターミナルを開き、以下を入力：

swanlab login

プロンプトが表示されたら、API キーを入力して Enter を押し、ログインを完了。

3.SwanLab をコードに統合

import swanlab

# 新しいSwanLab実験を初期化
swanlab.init(
    project="my-first-ml",
    config={'learning-rate': 0.003},
)

# 指標を記録
for i in range(10):
    swanlab.log({"loss": i, "acc": i})

完了！SwanLabで最初の SwanLab 実験を確認できます。

💻 セルフホスティング

セルフホスティングコミュニティ版は、SwanLab ダッシュボードをオフラインで閲覧することをサポートしています。

詳細なデプロイメントドキュメント：

• 🔗 Kubernetesデプロイメントドキュメント
• 🔗 Dockerデプロイメントドキュメント
• 🔗 DockerからKubernetesへの移行ドキュメント

🔥 実践事例

SwanLab を使用した優れたオープンソースチュートリアルプロジェクト：

• llm-agent-rl-lab: PPO、GRPO、GSPO、DAPO、OPD などを含む、LLM エージェント向け RL アルゴリズムの再現と研究。

SwanLab を使用した論文：

• Accelerating AlphaZero Training for Connect6 via Behavioral Cloning Initialization and Prior Action Masking in Resource-Constrained Environments
• SeePhys Pro: Diagnosing Modality Transfer and Blind-Training Effects in Multimodal RLVR for Physics Reasoning
• MemFactory: Unified Inference & Training Framework for Agent Memory
• ILL: A Lightweight Large Language Model for Legal and Courtroom Assistance
• Retrieval, Reward, and Training Protocols: What Matters in Training Search Agents?
• 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
• BiPACE: Bisimulation-Guided Policy Optimization with Action Counterfactual Estimation for LLM Agents

🎮 ハードウェア監視

SwanLabはAIトレーニング中に使用されるハードウェア情報とリソース使用状況を記録します。対応状況は以下の通りです：

その他のハードウェアの監視をご希望の場合は、IssueやPRをお気軽にご提出ください！

🚗 フレームワーク統合

お気に入りのフレームワークを SwanLab と統合しましょう！
以下は既に統合されているフレームワークのリストです。統合してほしいフレームワークがあれば、Issueを提出してフィードバックをお願いします。

基本フレームワーク

• PyTorch
• MindSpore
• Keras

LLMトレーニングフレームワーク

• HuggingFace Transformers
• LLaMA Factory
• MS-Swift
• Unsloth
• MLX-LM
• Torchtune
• Sentence Transformers
• XTuner
• OpenMind

LLM強化学習フレームワーク

• veRL
• HuggingFace trl
• NVIDIA-NeMo RL
• EasyR1
• AReaL
• ROLL

ロボットフレームワーク

• RLinf

テキストから画像/動画生成フレームワーク

• DiffSynth Studio

ディープラーニングフレームワーク

• PyTorch Lightning
• MMEngine
• FastAI

コンピュータビジョンフレームワーク

• Ultralytics
• MMDetection
• MMSegmentation
• PaddleDetection
• PaddleYOLO
• PaddleNLP

機械学習フレームワーク

• LightGBM
• XGBoost
• CatBoost

評価フレームワーク

• EvalScope

伝統的強化学習フレームワーク

• Stable Baseline3

その他のフレームワーク：

• Tensorboard
• Weights&Biases
• MLFlow
• HuggingFace Accelerate
• Ray
• Hydra
• Omegaconf
• SpecForge

その他の統合

🔌 プラグイン

プラグインを通じて SwanLab の機能を拡張し、実験管理体験を向上させましょう！

• プラグインのカスタマイズ
• メール通知
• Lark 通知
• DingTalk 通知
• 企業微信通知
• Discord 通知
• Slack 通知
• Bark 通知
• CSV ロガー

🆚 既存ツールとの比較

Tensorboard vs SwanLab

• ☁️ オンライン使用をサポート： SwanLab を使用すると、トレーニング実験をクラウド上で簡単に同期・保存でき、リモートでトレーニングの進捗を確認したり、過去のプロジェクトを管理したり、実験リンクを共有したり、リアルタイムのメッセージ通知を送信したり、複数のデバイスで実験を確認したりできます。一方、Tensorboard はオフラインの実験追跡ツールです。

• 👥 複数人でのコラボレーション： 複数人やチーム間での機械学習コラボレーションを行う場合、SwanLab を使用すると、複数人のトレーニングプロジェクトを簡単に管理し、実験リンクを共有し、異なるスペースで議論や意見交換ができます。一方、Tensorboard は主に個人向けに設計されており、複数人でのコラボレーションや実験の共有が難しいです。

• 💻 永続的で集中型のダッシュボード： どこでモデルをトレーニングしても、ローカルマシン、ラボのクラスター、またはパブリッククラウドの GPU インスタンスであっても、結果は同じ集中型ダッシュボードに記録されます。一方、TensorBoard を使用する場合、異なるマシンから TFEvent ファイルをコピーして管理するのに時間がかかります。

• 💪 より強力なテーブル： SwanLab のテーブルを使用すると、異なる実験からの結果を表示、検索、フィルタリングでき、数千のモデルバージョンを簡単に確認し、さまざまなタスクに最適なパフォーマンスのモデルを見つけることができます。 TensorBoard は大規模なプロジェクトには適していません。

Weights and Biases vs SwanLab

• Weights and Biases は、インターネット接続が必須のクローズドソースの MLOps プラットフォームです。

• SwanLab は、インターネット接続をサポートするだけでなく、オープンソースで無料のセルフホスティング版も提供しています。

👥 コミュニティ

周辺リポジトリ

• self-hosted: プライベートデプロイメントスクリプトリポジトリ。
• SwanLab-Docs: 公式ドキュメントリポジトリ。
• SwanLab-Dashboard: オフラインダッシュボードリポジトリ。swanlab watchで開かれる軽量オフラインダッシュボードのウェブコードが含まれています。

コミュニティとサポート

• GitHub Issues：SwanLab 使用中に発生したエラーや問題
• メールサポート：SwanLab の使用に関する問題のフィードバック
• WeChat グループ：SwanLab の使用に関する問題の議論や最新の AI 技術の共有

SwanLab README バッジ

SwanLab を仕事で使用している場合、SwanLab バッジを README に追加してください：

、

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

さらにデザイン素材：assets

論文で SwanLab を引用

SwanLab があなたの研究の旅に役立った場合は、以下の形式で引用を検討してください：

@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}
}

SwanLab への貢献

SwanLab に貢献したいですか？まず、貢献ガイドをお読みください。

また、ソーシャルメディア、イベント、カンファレンスでの共有を通じて SwanLab をサポートすることも大歓迎です。心から感謝します！

貢献者

📃 ライセンス

このリポジトリは Apache 2.0 License オープンソースライセンスに従います

Star History