traceml

一站式追踪 ML 实验、漂移与可解释性，让模型监控更省心

traceml 是 Polyaxon 生态下的 AI/ML 数据追踪与可视化引擎，专注于解决机器学习实验中的指标跟踪、数据漂移检测和模型可解释性问题。它提供了一套统一的 API 和仪表盘，帮助数据科学家和工程师实时监控训练过程、对比不同实验、可视化特征分布，并自动检测训练数据与生产数据之间的分布偏移。核心能力包括：实验指标记录与图表展示、模型预测解释（如 SHAP 集成）、数据漂移报警、以及可嵌入现有 ML 流水线的轻量级 SDK。通过将追踪、可视化和监控整合到一个平台，traceml 降低了 ML 运维的复杂度，尤其适合需要生产级监控的团队。

开源 free 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 534

维护状态活跃

是否开源是

定价模式 free

项目数据

分类基础设施

开发团队polyaxon

所属国家

官网地址

GitHubhttps://github.com/polyaxon/traceml

定价模式free

价格说明开源项目，Apache-2.0许可证，可免费使用和部署。

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dask,data-exploration,data-profiling,data-quality,data-quality-checks,data-science,data-visualization,dataframes,dataops,explainable-ai,matplotlib,mlops,pandas,pandas-summary,plotly,pytorch,spark,statistics,tensorflow,tracking

GitHub 星标★ 534

30天Star增速

HF 下载量

上线时间2016-03-25 00:00:00

最近更新2026-09-17 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3

使用教程

核心亮点

原生集成 Polyaxon，与实验管理无缝衔接，减少工具切换成本
内置数据漂移检测和可解释性分析，覆盖模型部署后的关键监控需求
提供丰富的可视化仪表盘，支持实时追踪和对比实验指标

不足之处

项目早期，文档和社区生态尚待完善
功能深度依赖 Polyaxon，独立使用场景有限

适用场景

机器学习实验的指标追踪与可视化对比
生产模型的数据漂移实时监控与告警
模型预测结果的可解释性分析

替代项目

MLflow、Weights & Biases、Evidently AI

项目介绍

traceml 是基础设施领域的开源项目，由 polyaxon 开发，2016 年首次发布。

它收录于基础设施分类，该分类目前共有 1,132 个项目，GitHub 星标数为 534。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-17。Apache-2.0许可证，可免费使用和部署。

它主要面向的使用场景是：机器学习实验的指标追踪与可视化对比。同类可对比的替代方案包括 MLflow、Weights & Biases、Evidently AI。

上一篇：awesome-argo

下一篇：Bailo