Hugging Face 发布开源实验追踪库 Trackio

Image 1: Hugging Face's logo Hugging Face

模型
数据集
Spaces
Buckets 新
文档
企业版
定价
- 网站
  - 任务
  - HuggingChat
  - 合集
  - 语言
  - 组织
- 社区
  - 博客
  - 帖子
  - 每日论文
  - 硬件
  - 学习
  - Discord
  - 论坛
  - GitHub
- 解决方案

返回文章

隆重推出 Trackio：来自 Hugging Face 的轻量级实验跟踪库

发布于 2025 年 7 月 29 日

在 GitHub 上更新

- [x] 点赞 230

+224

Abubakar Abid abidlabs 关注

Zach Nation znation 关注

Nouamane Tazi nouamanetazi 关注

Sasha Luccioni sasha 关注

Quentin Gallouédec qgallouedec 关注

TL;DR：Trackio 是一个全新的、开源且免费的实验跟踪 Python 库，它提供本地仪表板，并与 Hugging Face Spaces 无缝集成，便于分享和协作。由于 trackio 是 wandb 的直接替代品，你可以用已经熟悉的语法快速上手！

背景

如果你训练过自己的机器学习模型，就会知道在训练过程中跟踪指标、参数和超参数，并在之后将其可视化以更好地理解训练过程有多么重要。

大多数机器学习研究人员使用特定的实验跟踪库来完成这项工作。然而，这些库可能收费、需要复杂的设置，或者缺乏快速实验和分享所需的灵活性。

我们为何转向 Trackio

在 Hugging Face，我们的科学团队已开始在研究项目中使用 Trackio，我们发现它相比其他跟踪解决方案有几个关键优势：

轻松分享与嵌入：Trackio 让与同事分享训练进度，或使用 iframe 将图表直接嵌入博客文章和文档变得极其简单。当你想展示特定的训练曲线或指标，又不想让他人注册账号或浏览复杂的仪表板时，这尤其有价值。

标准化与透明度：像 GPU 能耗这样的指标很重要，需要跟踪并与社区分享，这样我们才能更好地了解模型训练的能源需求和环境影响。使用 Trackio，它直接从 nvidia-smi 命令获取信息，可以轻松量化和比较能耗，并将其添加到模型卡中。

数据可访问性：与一些将数据锁定在专有 API 背后的追踪工具不同，Trackio 让提取和分析所记录的数据变得简单直接。这对于需要执行自定义分析或将训练指标集成到研究工作流中的研究人员来说至关重要。

实验灵活性：Trackio 的轻量级设计让我们能够在训练运行期间轻松试验新的追踪功能。例如，在训练时记录张量时，我们可以决定何时将张量从 GPU 移动到 CPU，这在你需要追踪模型/中间状态而不影响性能时，能显著提升训练吞吐量。

使用 Trackio

那么，Trackio 是什么，又该如何使用它呢？Trackio 是一个开源 Python 库，让你可以追踪任何指标，并使用本地 Gradio 仪表盘将其可视化。你还可以将此仪表盘同步到 Hugging Face Spaces，这意味着你只需分享一个 URL 就能与其他用户共享该仪表盘。由于 Spaces 可以是私有的或公开的，这意味着你可以公开分享仪表盘，或仅在 Hugging Face 组织成员内部共享。

安装

你可以使用 pip 安装 trackio：

pip install trackio

或者，如果你更喜欢使用 uv：

uv pip install trackio

用法

trackio 被设计为 wandb 等实验追踪库的直接替代品。其 API 与 wandb.init、wandb.log 和 wandb.finish 兼容，因此你只需在代码中将 trackio 导入为 wandb 即可。

- import wandb
+ import trackio as wandb

以下是一个示例：

import trackio
import random
import time

runs = 3
epochs = 8

def simulate_multiple_runs():
    for run in range(runs):
        trackio.init(project="fake-training", config={
            "epochs": epochs,
            "learning_rate": 0.001,
            "batch_size": 64
        })
        for epoch in range(epochs):
            train_loss = random.uniform(0.2, 1.0)
            train_acc = random.uniform(0.6, 0.95)
            val_loss = train_loss - random.uniform(0.01, 0.1)
            val_acc = train_acc + random.uniform(0.01, 0.05)
            trackio.log({
                "epoch": epoch,
                "train_loss": train_loss,
                "train_accuracy": train_acc,
                "val_loss": val_loss,
                "val_accuracy": val_acc
            })
            time.sleep(0.2)
        trackio.finish()

simulate_multiple_runs()

可视化结果

记录实验后，你可以启动仪表盘来可视化结果。在终端中运行以下命令：

trackio show

或者，从 Python 中启动它：

import trackio
trackio.show()

你还可以指定项目名称：

trackio show --project "my project"

或在 Python 中：

trackio.show(project="my project")

与 🤗 Spaces 共享

要将本地仪表盘同步到 Hugging Face Spaces，只需向 init 传入一个 space_id：

trackio.init(project="fake-training", space_id="org_name/space_name")

如果你将仪表盘托管在 Spaces 上，只需分享 URL，或使用 iframe 将其嵌入任何地方：

<iframe src="https://org_name-space_name.hf.space/?project=fake-training&metrics=train_loss,train_accuracy&sidebar=hidden" width=600 height=600 frameBorder="0"></iframe>

由于 Spaces 可以是私有的或公开的，这意味着你可以公开分享仪表盘，或仅在 Hugging Face 组织成员内部共享——完全免费！

当你将 Trackio 仪表盘同步到 Hugging Face Spaces 时，数据会记录到 Spaces 上的一个临时 Sqlite 数据库中。由于该数据库在你的 Space 重启时会被重置，Trackio 还会将 Sqlite 数据库转换为 Parquet 数据集，并每 5 分钟将其备份到 Hugging Face Dataset。这意味着你可以随时轻松地在 Hugging Face 数据集中可视化你记录的指标：

Image 14: image 提示：你可以通过向 trackio.init() 传入一个 dataset_id 来设置该数据集的名称。

与 🤗 Transformers 和 🤗 Accelerate 集成

Trackio 与 transformers 和 accelerate 等 Hugging Face 库原生集成，因此你可以用最少的设置来记录指标。

使用 transformers.Trainer：

import numpy as np
from datasets import Dataset
from transformers import Trainer, AutoModelForCausalLM, TrainingArguments

# Create a fake dataset
data = np.random.randint(0, 1000, (8192, 64)).tolist()
dataset = Dataset.from_dict({"input_ids": data, "labels": data})

# Train a model using the Trainer API
trainer = Trainer(
    model=AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-0.6B"),
    args=TrainingArguments(run_name="fake-training", report_to="trackio"),
    train_dataset=dataset,
)
trainer.train()

使用 accelerate：

from accelerate import Accelerator

accelerator = Accelerator(log_with="trackio")
accelerator.init_trackers("fake-training")

...  # Prepare the model, dataloader, etc.

for step, batch in enumerate(dataloader):
    ...  # Your training logic here
    accelerator.log({"training_loss": loss}, step=step)

accelerator.end_training()

无需额外设置——只需接入即可开始追踪。

设计原则

API 与流行的实验追踪库兼容，使迁入和迁出 Trackio 都无缝顺畅。
本地优先：日志和仪表盘默认在本地运行和持久化，并可选择托管在 Hugging Face Spaces 上。
轻量且可扩展：核心代码库不到 1,000 行 Python 代码，易于理解和修改。
免费且开源：所有功能，包括在 Hugging Face 上托管，都是免费的。
构建于 🤗 Datasets 和 Spaces 之上，实现稳健的数据处理和可视化。

后续步骤

Trackio 有意保持轻量，目前处于测试阶段。其他跟踪工具中的一些功能，例如工件管理或复杂可视化，目前尚不可用。如果你希望拥有这些功能，请在此处创建 issue：https://github.com/gradio-app/trackio/issues

鉴于 Trackio 轻量且开源的特性，我们很乐意与机器学习社区合作，设计一款适合我们所有人的实验跟踪产品！

llm moe 长上下文 ## DeepSeek-V4：一个智能体真正可用的百万 token 上下文 * burtenshaw 60 2026年4月24日 burtenshaw

社区

abidlabs

文章作者 2025年7月29日

请在此处告诉我们你希望在 Trackio 中看到哪些功能：https://github.com/gradio-app/trackio/issues

🔥

madroid

2025年7月30日

有计划支持跟踪 LLM 调用吗？

2 条回复

Elon2024

2025年7月30日

有许多开源遥测服务可以同时跟踪 ML 和 LLM 轨迹，例如 opik、Raga AI Catalyst。

展开 1 条回复

yuminsang

2025年8月4日

•

此评论已被隐藏

Sifal

2025年8月17日

当损失出现尖峰时，而你看到训练文件中包含 import trackio as wandb

1 条回复

FlameF0X

2025年8月23日

👀

已删除

2025年8月24日

•

此评论已被隐藏

jacksth22

2025年9月5日

在大量运行的情况下，性能与 wandb 相比如何？

eltonwilliams

6月25日

Trackio 看起来是 ML 生态系统中非常受欢迎的补充…… 🚀📊 模型开发过程中最大的挑战之一，是以简单且可复现的方式跟踪实验、超参数和性能指标。许多现有解决方案很强大，但它们往往带有设置开销或限制，可能会拖慢快速实验。来自 Hugging Face 的轻量级方案感觉是在功能性和易用性之间的正确平衡…… 👏

最突出的是对灵活性和可访问性的关注…… 💡 研究人员、学生和独立开发者往往需要一个无需大量配置或昂贵订阅即可立即使用的工具。能够快速记录结果、比较运行并可视化训练进度，在迭代模型和测试新想法时可以带来巨大差异。简单性往往被低估，尤其是在实验速度很重要的时候…… ⚡🔬

很高兴看到 Hugging Face 继续构建降低机器学习社区门槛的工具…… 🌍🤝 Trackio 有潜力成为那些希望在没有不必要复杂性的情况下进行有效实验跟踪的从业者的最爱。期待看到社区如何采用它，以及它未来会带来哪些新工作流…… 📈✨

编辑预览

通过拖入文本输入框、粘贴或点击此处来上传图片、音频和视频。

点击或粘贴此处以上传图片

评论 ·注册或登录以发表评论

- [x] 点赞 230