Experiment Tracker：面向研究场景的自托管机器学习实验追踪平台

Experiment Tracker是一款开源自托管的机器学习实验追踪工具，专为研究密集型工作流设计。核心功能包括指标对比、标量曲线分析、步骤感知工件管理及实验血缘追踪，采用FastAPI+Next.js+PostgreSQL+ClickHouse+MinIO架构，定位清晰——聚焦"实验理解"，帮助研究者回答实验关键问题，而非全功能MLOps套件。

TensorBoard擅长本地可视化，但Experiment Tracker补充了项目级研究上下文：

• 指标优先的模型选择表，支持项目范围网格对比
• 多实验对比的标量曲线（平滑、悬停、缩放等）
• 步骤感知的具名工件管理
• 可编辑的实验血缘追踪（搜索、高亮、布局持久化） 其定位是清晰专注的研究工作空间，非训练编排、部署等工具。

1. 指标对比与模型选择

提供密集表格，支持过滤、排序、导出、高亮极值，侧面板查看元数据

2. 标量曲线分析

ClickHouse支持，同步坐标轴、平滑处理、保存视图等 ###3. 步骤感知工件审查 按类型/名称分组，关联训练步骤上下文 ###4. 实验血缘追踪 研究树视图，父子关系、在线对比差异 ###5. 文件对比 并排差异高亮，行内变更显示

这些功能遵循研究直觉，先对比指标再深入动态。

架构组件分工

组件	用途
PostgreSQL	关系型状态（用户、项目、权限等）
ClickHouse	高容量标量时序和工件元数据
MinIO/S3	大文件存储
FastAPI	后端编排层
Next.js	前端界面
Python SDK/CLI	训练日志与命令行交互

技术栈亮点

Python3.10+、FastAPI、Next.js、PostgreSQL、ClickHouse、MinIO/S3、Docker（自托管支持）

架构按工作负载分离数据，匹配实验数据形态。

适合场景

• 比较多实验指标选最佳模型
• 分析训练/验证曲线理解学习动态
• 追踪工件与训练步骤关系
• 理解实验演进关系
• 自托管需求，数据主权

不适合场景

• 训练编排、基础设施管理
• 模型注册表/生产部署
• 超参数自动搜索/GPU队列
• 全功能AI平台需求

此类MLOps需求可选择W&B或ClearML。

Experiment Tracker采用"反潮流"设计：在全功能MLOps平台复杂背景下，聚焦研究核心需求——实验理解。整合关键功能于轻量自托管平台，为需数据主权且想升级实验追踪能力的团队提供务实选择。

建议：正在构建内部ML平台或从TensorBoard升级、不想用重量级商业方案的团队，值得评估该工具。