摘要
一年没用 YOLO，再上手已经更新到 YOLO26。本文记录一次 YOLO26 复习实战：从 SAM3 标注软件、WSL 部署，到大肥鱼写标注工具，再到 118 张训练集取得不错效果。顺便聊聊 SAM3 开放语言的能力。
正文
上次用 YOLO 还是一年前，没想到现在都已经更新到 YOLO26 了。想着以后大概率还能用到，便打算复习一下 YOLO 的用法。时间无情，很多东西真的说忘就忘。
数据标注：从期待到翻车
数据集的准备依然让我头皮发麻。之前刷抖音时看到一款基于 SAM3 的标注软件，本来算是圆了我上次没搞定标注的遗憾，但它居然要求 Docker 部署。这让我很崩溃，只好去装 WSL。
经历九九八十一难后，我满怀期待地打开软件，结果吃到了巧克力味的 💩。打开一看，竟然是 vibe coding 的产物：UI 一堆 bug，整体体验一言难尽，README 倒是写得花团锦簇。😡
无奈之下，我给大肥鱼买了 10 块钱的饭，请他写一个标注软件。在我反复提示、烧了 5 米（API 费用）之后，才做出一个勉强能用的版本。感觉不是 AI 替代程序员，而是先把程序员气死。
SAM3 预处理与 YOLO26 训练
在 SAM3 的预处理帮助下，数据集很快搞定了。只有 118 张训练集，就取得了不错的效果，新一代模型确实强劲。
SAM3 也很强：没有单独训练过 MC 玩家，也能通过自然语言识别处理。
“MC 玩家”其实是一个复合语义概念：
- 方块形状
- 人形结构
- 像素渲染风格
- 皮肤 / 盔甲特征
预训练时，模型已经单独学到了这些底层语义对应的视觉向量，所以组合起来也能有不错的识别表现。
小结
这次复习 YOLO26，最大的感受有两点：一是数据标注依旧是最折磨人的环节；二是 SAM3 + YOLO26 的组合确实能明显降低数据集准备和训练门槛。虽然标注工具折腾得够呛，但 118 张训练集能有这个效果，还是值得记录一下。
