aim

几行代码接入，秒级对比海量实验，训练调参效率翻倍

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。

开源 freemium 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 6260

维护状态活跃

是否开源是

定价模式 freemium

项目数据

分类基础设施

开发团队aimhubio

所属国家

官网地址https://aimstack.io

GitHubhttps://github.com/aimhubio/aim

定价模式freemium

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

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★ 6260

30天Star增速

HF 下载量

上线时间2019-05-31 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数11

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
```

如何确认成功

执行 aim up 命令能正常启动且无报错，即可在浏览器中打开 Aim UI 查看已记录的实验。

常见问题

Q：可以用 pip 代替 pip3 吗？

A：README 只给出了 pip3 install aim 这一条命令，未提及 pip，建议按 README 原文使用 pip3 安装。

Q：启动 Aim UI 后看不到数据怎么办？

A：需要先运行已经加入 Run 记录逻辑的训练脚本，再执行 aim up；README 节选未提供其他排查说明。

Q：Run 需要从哪里导入？

A：README 片段只写了 run = Run()，未展示 import 语句，请参考官方文档 https://aimstack.readthedocs.io/en/latest/ 确认导入方式。

Q：aim up 默认端口是多少？

A：README 节选没有说明端口等启动参数，需查阅官方文档获取默认地址与端口信息。

注意事项

README 节选未声明最低 Python 版本、默认端口和存储路径，请以官方文档为准。
README 里 run = Run() 之前缺少 import 语句，实际使用时需先导入 Run 类。
Aim 可与 PyTorch、TensorFlow、Keras 等框架集成并兼容 Jupyter，具体接入方式见官方示例。
更多示例代码见 https://github.com/aimhubio/aim/tree/main/examples 。

核心亮点

极简接入：两行代码即可开始记录指标，无需改动训练主逻辑
超强可视化：Web UI 支持任意实验间指标对比、缩放和搜索，百万级记录不卡顿
元数据追踪：自动记录超参数、系统资源，支持 SQL 查询，便于深度分析

不足之处

文档/社区待观察
与 MLflow 等成熟工具相比，生态集成和插件丰富度稍弱

适用场景

深度学习实验管理：快速比较不同超参数下的模型性能
团队协作：共享实验记录，统一查看指标和元数据
大规模调参：在数千次运行中筛选最优配置

替代项目

MLflow、Weights & Biases、Neptune.ai

项目介绍

aim 是模型训练领域的开源项目，由 aimhubio 开发，2019 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（6,260）位列前 8%，在模型训练分类的 522 个项目里位列前 8%。

近 41 天，它的 GitHub 星标从 6,230 增加到 6,260，净增 30。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。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。从国内网络环境看，当前已无法正常访问。

它主要面向的使用场景是：深度学习实验管理：快速比较不同超参数下的模型性能。同类可对比的替代方案包括 MLflow、Weights & Biases、Neptune.ai。

上一篇：amazon-sagemaker-examples

下一篇：FedML

aim