mlop.ai 无脑使用教程 (机器学习工具 WandB/ClearML 的首个国区开源平替)

mlop.ai 是一个主流解决方案的平替（如ClearML, Comet, WandB），并专为中国用户提供优化支持，免费开源。

常规实验追踪的工具经常大幅人为降速，mlop则底层基于Rust，不受此问题影响，并主动支持企业级高频数据写入。

此文案由官方许可后，基于其辅助文档docs.mlop.ai

工具全栈开源，欢迎程序员们使用加星星

用户端: github.com/mlop-ai/mlop
后台: github.com/mlop-ai/server

个人用户上手仅需五行代码 (Python)

%pip install -Uq "mlop[full]"
import mlop

mlop.init(project="deepseek-r1")
mlop.log({
   "e": 2.718})  # 此处替换用户自己的机器学习代码
mlop.finish()

三行代码解决本地部署后端 (Docker)

git clone --recurse-submodules https://github.com/mlop-ai/server.git; cd server
cp .env.example .env
sudo docker-compose --env-file .env up --build

• 查看与无本地化优化的WandB/ClearML的速度对比：文档链接

功能概览

1. mlop.ai 集成自动记录系统资源使用和多媒体，如需记录图片/视频/音频/直方图等模型训练结果，可以用

img = mlop.Image(
    data: Union[str, PILImage.Image, matplotlib.figure.Figure, torch.Tensor, np.ndarray],
    caption: str | None = None, # 图片备注
)
video = mlop.Video(
    data: Union[str, np.ndarray],
    rate: int | None = 30,      # 视频帧率
    caption: str | None = None, # 视频备注
    format: str | None = None,
)

记录后上传到本地部署的服务器后，显示效果如图

2. 通过 mlop.watch() 支持基于torch的ML模型结构的实时可视化(强过netron)

mlop.watch(
    model,
    disable_graph=False, # 是否启用流程图绘制
    disable_grad=False,  # 是否启用gradients记录
    disable_param=False, # 是否启用parameters记录
    freq=1000,
    bins=64,
    **kwargs,
)

可视化效果如图所示

3. 通过自己的邮箱设置本地通知，不用傻等模型训练

mlop.alert(
    title="Hello!",
    message="Hello, world!",
    level="info", # 设置通知级别
    wait=0,       # 设置通知等待
    url="https://discord.com/api/webhooks/example/url",
    remote=False,
    email=True    # 此处设置邮箱通知
)

如果您是教育机构或者企业需要代码指导，请联系开发者邮箱 cn@mlop.ai