英伟达 LocateAnything 结合 SAM2，开发者 5 天打造全自动 YOLO 标注流水线

近日，一位独立开发者在 GitHub 上开源了名为“VLM-AutoYOLO”的项目。受到英伟达最新发布的 LocateAnything 视觉大模型启发，该开发者在 AI 辅助下仅用 5 天时间，构建了一套全自动化的数据标注工具。项目核心逻辑结合了 Meta 开源的 SAM2 模型与英伟达的 LocateAnything：首先通过输入文本描述（如“有划痕的零件”）利用 LocateAnything 进行目标粗定位，随后调用 SAM2 进行像素级的边缘吸附与精准抠图，最终自动打包生成标准的 YOLO 数据集格式，可直接用于训练 YOLOv8 或 v11 等轻量级模型。技术实现上，该项目采用 FastAPI 和 PyTorch 作为后端，React 和 UnoCSS 构建前端，设计为 100% 本地运行以确保数据隐私。开发者在配备 M4 Pro 芯片的 MacBook Pro 上进行了实测，开启 Apple MPS 加速后，处理单张高清图片耗时约 4 秒，系统内存占用稳定在 12GB 左右。目前该项目尚处于初版阶段，受限于单机算力，处理超大规模数据集时速度较慢，且环境依赖涉及 PyTorch 与 Ultralytics 等多个库，配置较为复杂，后续计划支持多卡并行及 Docker 部署。

事件分析

💡 核心观点：视觉大模型将数据标注从“劳动密集型”转化为“自然语言指令型”，极大加速了垂类 AI 模型的迭代周期。