aim

几行代码接入，秒级对比海量实验，训练调参效率翻倍

开源 🏷️基础免费，高级付费 🚫 站点已失效基础设施 🍴 复刻 414 🐛 待处理 483 👀 关注 42

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 6295

维护状态活跃

是否开源开源

定价模式 🏷️基础免费，高级付费开源实验追踪工具，提供免费社区版，另有云托管服务（Aim Cloud）按用量付费，具体额度与价格需访问官网确认。

项目预览

项目数据

分类基础设施

开发团队aimhubio

官网地址https://aimstack.io

GitHubhttps://github.com/aimhubio/aim

定价模式🏷️基础免费，高级付费

价格说明开源实验追踪工具，提供免费社区版，另有云托管服务（Aim Cloud）按用量付费，具体额度与价格需访问官网确认。

访问状态🚫 站点已失效

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型ai,data-science,data-visualization,experiment-tracking,machine-learning,metadata,metadata-tracking,ml,mlflow,mlops,prompt-engineering,python,pytorch,tensorboard,tensorflow,visualization

GitHub 星标★ 6295

上线时间2019-05-31 00:00:00

代码更新2026-11-07

仓库体积67.6 MB

本站数据更新2026-11-09

维护状态活跃

收录时间2026-08-09

浏览次数12

项目介绍

Aim 是一个开源、易用的实验追踪工具，专为机器学习项目设计。它解决了 ML 团队在训练过程中难以高效记录、比较和可视化大量实验指标与元数据的问题。核心能力包括：通过简单的 Python API 自动记录超参数、指标和系统资源使用；提供强大的 Web UI，支持跨实验的指标对比、图表缩放与搜索，以及基于 SQL 的查询；采用高效的存储格式，在处理百万级实验记录时仍保持流畅。Aim 支持与 PyTorch、TensorFlow、Keras 等主流框架无缝集成，并兼容 Jupyter 环境。其设计强调轻量级和易用性，开发者只需几行代码即可开始追踪，无需复杂配置，适合从个人研究到团队协作的多种场景。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 6295

技术标签

ai data-science data-visualization machine-learning metadata

使用教程

难度：入门约 5 分钟部署方式：本地安装 4 步

环境要求

已安装 Python 环境（README 使用 pip3 安装，未声明最低版本）
可联网访问 PyPI 以下载 aim 包
准备好你的训练脚本或训练环境

安装与启动步骤

1安装 Aim

在训练环境中通过 pip3 安装 aim。README 只给出这一条安装命令，未提供 Docker 或源码编译方式。
```
pip3 install aim
```
2初始化并记录参数

在训练脚本中创建 Run 并对 run["hparams"] 赋值来记录学习率、批大小等超参数。
```
run = Run()

run["hparams"] = {
    "learning_rate": 0.001,
    "batch_size": 32,
}
```
3照常运行训练

按原来的方式运行训练脚本即可，Run 会自动记录本次运行与参数。README 未给出额外命令。
4启动 Aim UI

在训练环境执行 aim up 启动可视化界面，随后在浏览器中查看与对比实验记录。
```
aim up
```