huggingface-trackio

Навык huggingface-trackio предназначен для отслеживания и визуализации экспериментов машинного обучения с библиотекой Trackio. Его область — запись метрик во время обучения, диагностические оповещения и получение либо анализ уже записанных метрик. В исходном SKILL.md перечислены три интерфейса: Python API для логирования и alerts, а также CLI для чтения результатов и работы с dashboard. Навык находится в официальном репозитории Hugging Face Skills; README репозитория содержит его в списке доступных навыков и описывает общий способ установки навыков в совместимые coding agents. Для записи метрик используется import trackio. Базовая последовательность включает trackio.init(), вызовы trackio.log() с наборами значений и trackio.finish(). В качестве проекта можно передать имя эксперимента, а для удалённого или облачного обучения — space_id, чтобы метрики синхронизировались с Hugging Face Space и сохранились после завершения вычислительного экземпляра. Исходник специально предупреждает, что автоматически создаваемые Spaces публичны по умолчанию; если результаты не должны быть открыты, в trackio.init нужно передать private=True. Это не второстепенная настройка, а ограничение модели публикации, которое следует проверить до отправки метрик. Trackio поддерживает интеграцию с TRL через report_to="trackio". Для ручной записи используются trackio.log() и завершение через trackio.finish(). Вторая часть Python API — trackio.alert(). Оповещение можно создать с заголовком и уровнем, а три уровня называются INFO, WARN и ERROR. По документации alert выводится в терминал, хранится в базе, отображается в dashboard и при соответствующей настройке может отправляться через webhook в Slack или Discord. Это позволяет отмечать события, которые важны для диагностики: скачок loss, NaN-градиенты, низкую точность или остановку прогресса. Навык не утверждает, что такие условия определяются автоматически: их нужно явно добавить в код обучения. Для чтения результатов используется команда trackio. Она умеет перечислять проекты, запуски и метрики, получать конкретную метрику, показывать dashboard и синхронизировать данные. Для автоматизации рекомендуется добавлять --json к командам list и get, чтобы агент получал структурированный вывод. Минимальный сценарий чтения включает trackio list projects --json и trackio get metric с проектом, запуском и именем метрики. Для alerts предусмотрен запрос списка с проектом и, при необходимости, фильтром since. Такой интерфейс подходит для автономного цикла: настроить обучение с alerts, запустить процесс, опрашивать новые alerts, читать метрики, остановить проблемный запуск, изменить параметры и повторить эксперимент. Практический сценарий зависит от режима работы. Для локального обучения можно записывать метрики в обычный проект и смотреть их через CLI или dashboard. Для удалённого запуска следует заранее определить Space и его видимость, потому что без space_id данные могут не пережить завершение экземпляра. Для фоновых процессов удобнее CLI с JSON и периодический polling, тогда как для интерактивной сессии подходят terminal и dashboard. Навык не заменяет систему управления экспериментами и не делает выводы о качестве модели сам по себе: он предоставляет запись, поиск, визуализацию и сигнализацию, а смысл метрик, пороги alerts, приватность Space и решение о повторном запуске остаются ответственностью проекта. Дополнительное ограничение задаёт сам формат источника: подробности отдельных операций вынесены в references/logging_metrics.md, references/alerts.md и references/retrieving_metrics.md, поэтому перед сложным сценарием нужно свериться с соответствующим разделом, а не расширять API догадками.