VLM-AutoYOLO

VLM 自动画框，一键训出 YOLO 检测模型

VLM-AutoYOLO 是一个面向目标检测的端到端自动标注与 YOLO 训练平台。它想解决的问题是：做目标检测时，人工画框标注图片和视频极其耗时，且标注完还要单独写脚本训练模型，流程割裂。项目用视觉语言模型 NVIDIA LocateAnything-3B 自动生成候选框，支持人工微调修正，然后一键启动 YOLO 训练，还提供视频关键帧抽取和模型验证功能，图片和视频都能处理。核心能力包括：VLM 驱动的自动标注、标注结果人工精修、一键式 YOLO 训练流水线、视频关键帧提取、训练后模型验证。整体用 Python 编写，后端基于 FastAPI，把标注、训练、验证串成一条流水线，适合想快速搭建自有检测数据集并训练模型的开发者，能显著减少从原始素材到可用模型之间的手工操作。

开源 free 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 241

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类计算机视觉

开发团队Somnusochi

所属国家

官网地址

GitHubhttps://github.com/Somnusochi/VLM-AutoYOLO

定价模式free

价格说明开源项目，免费使用，需自行部署

访问状态

是否开源是

开源协议AGPL-3.0

主要语言Python

技术栈/模型auto-labeling,computer-vision,data-annotation,deep-learning,fastapi,locate-anything,machine-learning,nvidia,object-detection,pytorch,react,ultralytics,video-annotation,vlm,yolo,yolo-training

GitHub 星标★ 241

30天Star增速

HF 下载量

上线时间2026-06-02 00:00:00

最近更新2026-09-19 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-20

浏览次数0

使用教程

核心亮点

用 NVIDIA LocateAnything-3B 做自动标注，减少人工画框工作量
标注、训练、验证串成一条流水线，不用在多个工具间来回切换
同时支持图片和视频，视频可抽关键帧再标注

不足之处

依赖 NVIDIA LocateAnything-3B，对显存和运行环境有要求
星标 241，属早期项目，文档和社区生态还在积累

适用场景

为自有业务快速构建目标检测数据集并训练模型
把已有视频素材抽帧后自动标注、训练检测模型
教学或原型验证中演示从标注到 YOLO 训练的完整流程

替代项目

Label Studio、autodistill、Ultralytics YOLO

项目介绍

VLM-AutoYOLO 是一个计算机视觉领域的开源项目，官方简介：AI Auto Annotation & YOLO Training Pipeline, End-to-end object detection auto-labeling and YOLO training platform. VLM-powered annotation with NVIDIA LocateAnything-3B, manual refinement, one-click YOLO training, video keyframe extraction, and model validation. Supports image and video.。项目使用 Python 开发，在 GitHub 上获得 241 星标。

上一篇：GaussianPretrain

下一篇：没有了！