SAM 3 + YOLO 自托管工业缺陷标注，DefectMark 提速方案

做工业表面检测的人应该深有体会：在金属件、PCB 和电池上标注缺陷，才是真正的磨人环节。产线拍回来的图片，划痕、脏污、焊点、色差，都要一张张画框、描 mask。

商用标注平台功能齐全，但价格不便宜，数据还得上传云端，很多工厂自然会有顾虑。自己搭一套更麻烦，标注、管理、导出训练集，每个环节都要单独开发一遍。标注效率一旦跟不上，模型迭代的节奏也会被拖住。

最近看到一个开源项目，恰好把这条流水线完整做了出来：DefectMark，一个从原始图片到训练集的 AI 标注工作台。

底层用 SAM 3 做自动分割，YOLO 负责标注复核。前端是 Vue3，后端是 ASP.NET Core，推理服务走 FastAPI。整个服务打包进容器，用 Docker Compose 一条命令就能启动。

上传图片、AI 分割、人工确认、导出训练集，全部在同一个界面里完成。以前要在多个软件之间来回切换的工作，现在一套流程就能做完，数据也一直留在内网。

下面具体拆开看看功能。

SAM 3 点提示分割，点几下就把缺陷抠出来

这是工作台的主干功能。点击目标处会自动生成 mask，分错的地方补一个负样本点就能修正。一张图里有多个目标时也可以一起确认，不用一张张慢慢抠。除了点提示之外，还能用文本提示：输入“划痕”，模型会自动去定位区域。

模型权重走 Meta 官方渠道，SAM 3 的分割精度已经处在第一梯队，边缘贴合比老版本稳定很多。

过去要沿着边缘一点一点描的活儿，现在点一下就能完成。

YOLO 自动标注 + 人工复核，漏检错检一眼扫出来

AI 先出一版检测框，全部列出来，人工逐条确认。漏检就手动画框补上，错检直接删掉。标签类别、颜色、备注都可以配置，每张图的复核状态直接显示，标到哪一步一目了然。

复核过的标注会自动进入最终数据集，不需要再单独导出。还可以筛选出低置信度的异常框，进行重点关注。多张图片可以一起复核，翻图、确认、下一张，几步就结束，速度能提升不少。

AI 出结果，人只负责纠错，标注工作量自然会减很多。

导出就是训练集，train/val/test 自动划分好

支持 YOLO 检测、YOLO 分割、分类裁剪三种导出格式。选择格式之后直接导出，train、val、test 文件夹会自动创建出来。导出的目录结构可以直接用来训练 YOLO，不需要写脚本转换格式。以前导数据要折腾半天的活，现在点两下就完成。

标注好之后，训练数据也就差不多齐全了。

项目级图片管理，批量上传、状态一目了然

图片按项目统一管理，支持批量上传、下载、删除。每张图片走到哪一步，任务进度、AI 额度、项目统计都清清楚楚。不同的缺陷类型拆成不同项目，每个项目只管理自己的图片和标签集，修改时不会互相影响。

图片存放在 MinIO 对象存储中，数据库记录项目和标注的信息，几千张图片的数据量也撑得住。

自托管部署，Docker Compose 一把拉起来

Vue 前端、.NET API、FastAPI 推理、MySQL、MinIO 全部用容器实现，一条命令拉起整个服务。Web 默认开在 3000 端口，API 在 8000，推理在 8001，MinIO 管理面在 9001。

前端、后端、推理三者相互独立，单独改哪一块都容易。后端自带 Swagger，接口文档直接就能看。改动只影响自己那一层，排错也快，哪个容器出问题看哪个容器的日志就行。

生产部署还给了检查清单：换密钥、配 CORS、加 TLS 反代，照着一项项做就行。

docker compose up -d --build

想装上试试？

git clone https://github.com/agentthink/defect-mark.git
cd defect-mark
cp .env.example .env
mkdir -p 资源/模型
docker compose up -d --build

启动之后，浏览器打开 3000 端口就可以上传图片开始标注。开局就这么几步，剩下的就是传图、点鼠标。

第一次上手可以先拿小批量图片跑通流程，确认导出格式没问题，再正式铺开。感兴趣的朋友可以抓紧试一试。

开源地址：https://github.com/agentthink/defect-mark