Ultralytics YOLO27#
تخضع نماذج YOLO27 للمراحل النهائية من البحث والتطوير (R&D)، ومن المتوقع إطلاقها في وقت لاحق من هذا العام. النماذج غير متاحة بعد، ولم يُحدَّد موعد لإطلاقها. تعرض هذه الصفحة معاينة للنماذج القادمة؛ وقد تتغير الميزات والنتائج المعيارية قبل الإصدار. أمثلة التعليمات البرمجية أدناه مخصصة للاستخدام بعد إصدار النماذج ودعم الحزمة لها، ولن تعمل مع الحزمة العامة الحالية. لن تُصدر أوزان النماذج وملفات التكوين وشيفرة التنفيذ في الوقت الحالي. انضم إلى قائمة انتظار YOLO27 لتكون أول من يعلم بموعد إطلاقه.
نظرة عامة#
تُعدّ Ultralytics YOLO27 عائلة من نماذج الرؤية الآنية، وتستخدم نماذج الكشف فيها تصميمين متكاملين: بنية CNN مبسطة للطرازين الصغيرين N وS، وبنية قائمة على الاستعلامات وخالية من NMS للطرازين الأكبر M وL. يُنشر التصميمان عبر الواجهة نفسها. تستخدم نماذج الكشف N وS افتراضيًا رأسًا أحاديًا إلى متعدد مع NMS؛ استخدم nms=False لاختيار الرأس الخالي من NMS.
YOLO27 هي عائلة النماذج القادمة ضمن سلسلة Ultralytics YOLO، وتخلف YOLO26. تتوفر بأربعة أحجام — N وS وM وL — وتدعم كشف الكائنات، وتقسيم المثيلات، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعية، وكشف الكائنات الموجّهة. ينطبق تقسيم التصميمين على الكشف؛ أما المهام الأخرى فتستخدم بنية CNN.
عبر مقاييس الكشف الأربعة، يحقق YOLO27 قيمة 42.6-60.5 mAP على COCO بزمن استجابة 0.44-1.86 ms على NVIDIA RTX PRO 6000، وتصل القيمة إلى 61.4 mAP مع YOLO27l عند استخدام مدخل أكبر بحجم 800 بكسل. ويُعد YOLO27l أول نموذج من Ultralytics يتجاوز 60 mAP على COCO، بينما يحسّن YOLO27n/s المدمج دقة YOLO26n/s مع سرعة مماثلة إلى حد كبير.
from ultralytics import YOLO
model = YOLO("yolo27n.pt") # تحميل نموذج YOLO27n مُدرّب مسبقًا
results = model("path/to/bus.jpg") # تشغيل الاستدلالالميزات الرئيسية#
-
الكشف ثنائي المقياس تتنبأ الكواشف التقليدية بالكائنات على ثلاث خرائط للميزات — دقيقة ومتوسطة وخشنة. يستغني YOLO27 N وS عن الخريطة المتوسطة، ويتنبآن فقط على خريطة دقيقة (للكائنات الصغيرة) وخريطة خشنة (للكائنات الكبيرة)، مع ضبط ثابت للمقياس على الميزات المدمجة للحفاظ على توازن المقياسين. يؤدي ذلك إلى إزالة جزء كبير من عمليات رأس الكشف، ما يجعل النماذج أسرع مع بقائها موثوقة بالقدر نفسه أثناء التدريب مقارنةً بالتصميم الكامل ذي المقاييس الثلاثة.
-
تعزيز اكتشاف الأجسام الصغيرة تُوسَّع مرحلة الميزات المبكرة عالية الدقة لالتقاط مزيد من التفاصيل الدقيقة. وبالاقتران مع خريطة التنبؤ الدقيقة المتبقية، يحسّن ذلك تحديد المواقع والانحدار للأجسام الصغيرة، وهي الفئة الأصعب على النماذج المدمجة.
-
الإشراف على محاذاة المقدّمة أثناء التدريب، يتعلم فرع إضافي خفيف التمييز بين «الجسم» و«الخلفية» في كل موضع. صُمم هذا الفرع لسد الفجوة بين الإشراف الأكثر كثافة من نوع واحد إلى متعدد المستخدم أثناء التدريب والرأس من نوع واحد إلى واحد الذي ينتج التنبؤات النهائية، ما يقلّص فجوة الدقة من 0.9/0.8 mAP في YOLO26n/s إلى 0.4 mAP فقط في YOLO27n/s، بحيث يحتفظ الرأس المنشور من نوع واحد إلى واحد بمعظم دقة التدريب. يُستخدم هذا الفرع أثناء التدريب فقط، ويُزال عند الاستدلال والتصدير، لذا لا يضيف أي تكلفة عند النشر.
-
اكتشاف قائم على الاستعلامات من دون NMS تستبدل النماذج الأكبر التنبؤ الكثيف بمفكك ترميز Transformer يصقل مجموعة ثابتة من استعلامات الأجسام ويُخرج الاكتشافات النهائية مباشرةً، من دون الحاجة إلى المعالجة اللاحقة المتمثلة في كبت غير الأقصى. يجمع YOLO27m هذا المفكك مع العمود الفقري الالتفافي المُثبت بأسلوب YOLO26، بينما يحتفظ YOLO27l برقبة FPN/PAN نفسها ويستبدل العمود الفقري بـ UltraViT، الذي يستخدم الانتباه الذاتي في أعمق مراحله لالتقاط السياق العام.
-
واجهة واحدة بسيطة تُستخدم كلتا البنيتين عبر واجهة Python نفسها في
YOLO. يُختار مسار التدريب والتحقق والتنبؤ والتصدير المناسب تلقائيًا استنادًا إلى النموذج، لذا يعمل الرمز المكتوب لأحد مقاييس YOLO27 مع المقاييس الأخرى دون أي تغيير.
أي نموذج YOLO27 ينبغي أن أستخدم؟#
الإرشادات التالية مخصصة لاختيار نموذج بعد إصدار YOLO27. أما للمشاريع الحالية، فاستخدم YOLO26.
- YOLO27n / YOLO27s — الأجهزة الطرفية والطائرات المسيّرة والفيديو في الزمن الحقيقي: أسرع النماذج في العائلة، مع تحسين اكتشاف الأجسام الصغيرة بفضل التصميم ذي المقياسين. راجع NVIDIA Jetson وRaspberry Pi لمعرفة تفاصيل النشر الخاصة بكل جهاز.
- YOLO27m — التوازن الأمثل بين الدقة والسرعة على وحدات GPU: يتفوق في الدقة على YOLO26m مع زمن استجابة مماثل، ما يجعله الخيار الافتراضي لـالنشر على GPU في بيئات الإنتاج.
- YOLO27l — للتطبيقات التي تتطلب دقة عالية: أول نموذج من Ultralytics يتجاوز 60 mAP على COCO، إذ يحقق 61.4 mAP بحجم مدخل أكبر، مع الحفاظ على الأداء الفوري على GPU.
للمقارنة مع عائلات أخرى، راجع جميع نماذج Ultralytics. ولقياس المفاضلة بين الدقة والسرعة على أجهزتك بدلًا من أجهزتنا، راجع وضع قياس الأداء.
المهام والأوضاع المدعومة#
يستعرض الجدول التالي الدعم المخطط للمهام والأوضاع عبر مقاييس نماذج YOLO27 الأربعة. تشير علامات الاختيار إلى الدعم المزمع عند الإصدار، وليس إلى التوفر العام حاليًا؛ فجميع ملفات النماذج المدرجة لم تُصدر بعد.
| النموذج | أسماء الملفات | المهمة | التدريب | التحقق | الاستدلال | التصدير |
|---|---|---|---|---|---|---|
| YOLO27 | yolo27n.pt yolo27s.pt yolo27m.pt yolo27l.pt | الكشف | ✅ | ✅ | ✅ | ✅ |
| YOLO27-seg | yolo27n-seg.pt yolo27s-seg.pt yolo27m-seg.pt yolo27l-seg.pt | تجزئة الكائنات | ✅ | ✅ | ✅ | ✅ |
| YOLO27-sem | yolo27n-sem.pt yolo27s-sem.pt yolo27m-sem.pt yolo27l-sem.pt | التجزئة الدلالية | ✅ | ✅ | ✅ | ✅ |
| YOLO27-depth | yolo27n-depth.pt yolo27s-depth.pt yolo27m-depth.pt yolo27l-depth.pt | تقدير العمق | ✅ | ✅ | ✅ | ✅ |
| YOLO27-cls | yolo27n-cls.pt yolo27s-cls.pt yolo27m-cls.pt yolo27l-cls.pt | التصنيف | ✅ | ✅ | ✅ | ✅ |
| YOLO27-pose | yolo27n-pose.pt yolo27s-pose.pt yolo27m-pose.pt yolo27l-pose.pt | الوضعية/النقاط المفتاحية | ✅ | ✅ | ✅ | ✅ |
| YOLO27-obb | yolo27n-obb.pt yolo27s-obb.pt yolo27m-obb.pt yolo27l-obb.pt | الكشف الموجّه | ✅ | ✅ | ✅ | ✅ |
تعمل نماذج YOLO27 للكشف والتجزئة والوضعية وOBB أيضًا مع وضع التتبع، الذي يعمل فوق وضع التنبؤ لتتبع كائنات متعددة عبر إطارات الفيديو.
يستخدم الكشف في YOLO27 تصميمين عبر واجهة واحدة: يعتمد المقياسان N وS على بنية CNN مبسطة، بينما يعتمد المقياسان M وL على بنية قائمة على الاستعلامات ولا تستخدم NMS. وتستخدم جميع المهام الأخرى بنية CNN.
مقاييس الأداء#
تُعرض دقة الكشف على مجموعة التحقق من COCO. راجع مقاييس أداء YOLO للاطّلاع على شرح mAP والدقة والاستدعاء. ولمعرفة الدقة خارج COCO، راجع معيار Ultralytics، الذي يقيس macro mAP50-95 عبر 37 مجموعة بيانات للكشف في العالم الحقيقي، تشمل التصوير الطبي والاستشعار عن بُعد والصناعة والتجزئة وغيرها. يُقاس زمن الاستدلال على NVIDIA RTX PRO 6000 (TensorRT 11، FP16) لـ GPU، وعلى AMD EPYC 9655 (ONNX Runtime، FP32) لـ CPU. بعد الإصدار، يمكن إعادة إنتاج أرقام الدقة باستخدام yolo val model=yolo27n.pt data=coco.yaml.
قد تتغير نتائج الأبحاث هذه خلال مراحل البحث والتطوير النهائية. وستُرفق الأوزان العامة وتعليمات إعادة الإنتاج بالإصدار.
راجع وثائق الكشف للاطلاع على أمثلة استخدام هذه النماذج المدرّبة على COCO، والتي تتضمن 80 فئة مدرّبة مسبقًا. يستخدم الجدول إدخالًا بحجم 640 بكسل؛ كما يعرض القسم العام نتائج YOLO27l عند 800 بكسل.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة RTX PRO 6000 TensorRT11 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO27n | 640 | 42.6 | 16.1 ± 1.6 | 0.44 ± 0.00 | 3.0 | 7.2 |
| YOLO27s | 640 | 50.1 | 33.2 ± 0.1 | 0.64 ± 0.00 | 11.8 | 28.2 |
| YOLO27m | 640 | 56.1 | 74.8 ± 0.5 | 1.01 ± 0.00 | 22.8 | 65.0 |
| YOLO27l | 640 | 60.5 | 149.6 ± 1.4 | 1.86 ± 0.00 | 72.3 | 165.3 |
قيم Params وFLOPs خاصة بالنموذج المدمج بعد طي Conv/BatchNorm وإزالة فرع الكشف غير المستخدم. بالنسبة إلى الكشف، تختار قياسات السرعة الرأس الخالي من NMS باستخدام nms=False؛ وتعتمد دقة N/S على الرأس المحدد. تحتفظ نقاط التحقق المدرّبة مسبقًا ببنية التدريب الكاملة، وقد تُظهر أعدادًا أعلى.
أمثلة الاستخدام#
يقدّم هذا القسم أمثلة بسيطة على تدريب YOLO27 والاستدلال به. للاطلاع على الوثائق الكاملة لهذه الأوضاع وغيرها، راجع صفحات التوثيق الخاصة بـ التنبؤ والتدريب والتحقق والتصدير. أما مجموعات البيانات المخصصة، فراجع نصائح لتحقيق أفضل نتائج التدريب ودليل ضبط المعلمات الفائقة.
يُرجى ملاحظة أن المثال أدناه مخصص لنماذج YOLO27 للكشف عن الأجسام. للاطلاع على المهام الأخرى المدعومة، راجع وثائق التجزئة والتصنيف.
يمكن تمرير نماذج *.pt المدربة مسبقًا باستخدام PyTorch، بالإضافة إلى ملفات الإعداد *.yaml، إلى الفئة YOLO() لإنشاء مثيل نموذج في Python:
from ultralytics import YOLO
# تحميل نموذج YOLO27n مدرّب مسبقًا على COCO
model = YOLO("yolo27n.pt")
# تشغيل الاستدلال بنموذج YOLO27n على الصورة 'bus.jpg'
results = model("path/to/bus.jpg")
# تدريب النموذج على مجموعة بيانات المثال COCO8 لمدة 100 حقبة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)الأسئلة الشائعة#
- الكشف ثنائي المقياس (N/S): يستغني عن خريطة التنبؤ متوسطة الحجم لتوفير رأس أسرع بدقة تنافسية
- تحسين الكشف عن الأجسام الصغيرة (N/S): تحسّن مرحلة الميزات المبكرة الأوسع نطاقًا تحديد مواقع الأجسام الصغيرة
- الإشراف على محاذاة المقدمة (N/S): يقلّص فجوة الدقة بين واحد إلى متعدد وواحد إلى واحد من 0.9/0.8 mAP في YOLO26n/s إلى 0.4 mAP في YOLO27n/s، دون أي تكلفة للاستدلال
- كشف قائم على الاستعلامات وخالٍ من NMS (M/L): ينتج مفكّك ترميز Transformer عمليات الكشف النهائية مباشرةً
- واجهة موحّدة وبسيطة: تعمل كلتا البنيتين عبر الفئة نفسها
YOLO
ليس بعد — لم يُصدر YOLO27 بعد. واصل استخدام YOLO26 في مشاريعك الحالية. تُظهر النتائج الأولية تحسنًا في الدقة عبر أحجام النماذج، مع تجاوز YOLO27l قيمة 60 mAP على COCO. قيّم النماذج النهائية الصادرة وفقًا لعبء العمل لديك قبل الانتقال إليها.
بعد الإصدار، يُعتزم أن يستخدم YOLO27 الفئة
YOLOنفسها وواجهة API نفسها للتدريب والتحقق والتنبؤ والتصدير التي يستخدمها YOLO26 — ويُختار المسار الصحيح (CNN أو القائم على الاستعلامات) تلقائيًا استنادًا إلى النموذج. ويُعد استبدالyolo26n.ptبـyolo27n.ptالتغيير المقصود لاختيار النموذج عند توفر دعم YOLO27 وأوزانه.تتنبأ معظم الكواشف باستخدام ثلاث خرائط ميزات بدقات مختلفة. يحتفظ YOLO27 N وS بالخريطة الدقيقة التي تعتمد عليها الأجسام الصغيرة، والخريطة الخشنة التي تحتاج إليها الأجسام الكبيرة، ويتجاوزان الخريطة متوسطة الحجم. وهذا يقلّص جزءًا كبيرًا من العمليات الحسابية لرأس الكشف، كما تحافظ تحسينات التدريب المذكورة أعلاه على تنافسية المفاضلة بين الدقة وزمن الاستجابة.
YOLO27l هو أول نموذج من Ultralytics يتجاوز 60 mAP على COCO، إذ يحقق 60.5 mAP عند إدخال بحجم 640 بكسل (1.9 ms على NVIDIA RTX PRO 6000) و61.4 mAP عند إدخال بحجم 800 بكسل (2.4 ms). ويجمع بين البنية الأساسية UltraViT ودمج الميزات متعددة المقاييس وكاشف قائم على الاستعلامات ينتج عمليات الكشف النهائية مباشرةً دون NMS.
يخضع YOLO27 للمرحلة النهائية من البحث والتطوير، ومن المتوقع إطلاقه في وقت لاحق من هذا العام. لم يُحدّد موعد للإطلاق. أوزان النموذج ورمز التنفيذ غير متاحين للعامة بعد.
بعد إصدار YOLO27، راجع البدء السريع لتثبيت حزمة
ultralyticsأو تحديثها، ثم حمّل نموذجًا كما هو موضح أدناه. هذا المثال مخصص للاستخدام بعد الإصدار:from ultralytics import YOLO # تحميل نموذج YOLO27 nano مدرّب مسبقًا model = YOLO("yolo27n.pt") # تشغيل الاستدلال على صورة results = model("image.jpg")راجع أمثلة الاستخدام للاطلاع على أمثلة التدريب والاستدلال، أو دليلي Val وExport الخاصين بهذين الوضعين.