Intégration de Trackio

Trackio est une bibliothèque légère et gratuite de suivi des expériences, construite sur la base de 🤗 Datasets et 🤗 Spaces. C'est la solution de suivi recommandée pour TRL et elle est intégrée nativement à tous les formateurs.

Pour activer la journalisation, il suffit de définir report_to="trackio" dans votre configuration d'entraînement :

from trl import SFTConfig  # works with any trainer config (e.g. DPOConfig, GRPOConfig, etc.)

training_args = SFTConfig(
    ...,
    report_to="trackio",  # enable Trackio logging
)

Organiser vos expériences avec des noms d’exécution et des projets

Par défaut, Trackio génère un nom pour identifier chaque exécution. Nous recommandons toutefois vivement de définir un run_name descriptif afin de faciliter l’organisation des expériences. Par exemple :

from trl import SFTConfig

training_args = SFTConfig(
    ...,
    report_to="trackio",
    run_name="sft_qwen3-4b_lr2e-5_bs128",  # descriptive run name
)

Vous pouvez également regrouper les expériences connexes par projet en définissant la variable d’environnement suivante :

export TRACKIO_PROJECT="my_project"

Héberger vos journaux sur 🤗 Spaces

Trackio adopte une conception local-first, ce qui signifie que vos journaux restent sur votre machine. Si vous souhaitez les héberger et déployer un tableau de bord sur 🤗 Spaces, définissez :

export TRACKIO_SPACE_ID="username/space_id"

Exécuter l'exemple suivant :

import os
from trl import SFTConfig, SFTTrainer
from datasets import load_dataset

os.environ["TRACKIO_SPACE_ID"] = "trl-lib/trackio"
os.environ["TRACKIO_PROJECT"] = "trl-documentation"

trainer = SFTTrainer(
    model="Qwen/Qwen3-0.6B",
    train_dataset=load_dataset("trl-lib/Capybara", split="train"),
    args=SFTConfig(
        report_to="trackio",
        run_name="sft_qwen3-0.6b_capybara",
    ),
)
trainer.train()

vous donnera un tableau de bord hébergé sur https://huggingface.co/spaces/trl-lib/trackio.