تخضع نماذج YOLO27 لمراحل البحث والتطوير النهائية، ومن المتوقع إطلاقها في وقت لاحق من هذا العام. النماذج غير متوفرة بعد، ولم يتم تحديد تاريخ للإطلاق. تعرض هذه الصفحة المعاينة للنماذج القادمة؛ وقد تتغير الميزات والمعايير قبل الإصدار. أمثلة الكود أدناه مخصصة للاستخدام بمجرد إصدار النماذج ودعم الحزم، ولن تعمل مع الحزمة العامة الحالية. لا يتم إصدار أوزان النماذج، والتكوينات، وكود التنفيذ في الوقت الحالي.
Ultralytics YOLO27#
نظرة عامة#
Ultralytics YOLO27 هي عائلة من نماذج الرؤية في الوقت الفعلي والتي تستخدم نماذج الكشف الخاصة بUltralytics YOLO27 تصميمين متكاملين: بنية شبكة عصبية تلافيفية مبسطة للنموذجين المدمجين N وS، وبنية قائمة على الاستعلامات وخالية من قمع الحد الأقصى غير الضروري للنموذجين الأكبر M وL. كلا التصميمين من البداية إلى النهاية ويتم نشرهما من خلال نفس الواجهة.
YOLO27 هو عائلة النماذج القادمة في سلسلة Ultralytics YOLO، وهو خلف لYOLO26. يأتي YOLO27 بأربعة أحجام — N وS وM وL — ويدعم اكتشاف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعية، واكتشاف الكائنات الموجهة. ينطبق تقسيم التصميمين على الاكتشاف؛ بينما تستخدم جميع المهام الأخرى بنية الشبكة العصبية التلافيفية.
عبر مقاييس الكشف الأربعة الخاصة بYOLO27، يصل YOLO27 إلى 42.3-60.4 متوسط دقة متوسطة (mAP) على مجموعة بيانات COCO عند زمن استجابة 0.62-2.32 مللي ثانية على وحدة معالجة رسوميات NVIDIA RTX PRO 6000 — وحتى 61.2 متوسط دقة متوسطة (mAP) مع YOLO27l عند إدخال أكبر بحجم 800 بكسل. يعد YOLO27l أول نموذج من Ultralytics يتجاوز 60 متوسط دقة متوسطة (mAP) على مجموعة بيانات COCO، بينما تعمل النماذج المدمجة YOLO27n/s على تحسين دقة YOLO26n/s بنفس السرعة تقريبًا.
from ultralytics import YOLO
model = YOLO("yolo27n.pt") # load a pretrained YOLO27n model
results = model("path/to/bus.jpg") # run inferenceالميزات الرئيسية#
-
الكشف ثنائي النطاق تتنبأ أجهزة الكشف القياسية بالكائنات على ثلاث خرائط ميزات — دقيقة، ومتوسطة، وخشنة. يتخلى YOLO27 N وS عن الخريطة المتوسطة ويتنبأان فقط على خريطة دقيقة (للصغيرات) وخريطة خشنة (للكبيرات)، مع تحجيم ثابت على الميزات المدمجة للحفاظ على توازن النطاقين. هذا يزيل جزءًا كبيرًا من حسابات رأس الكشف، مما يجعل النماذج أسرع مع التدريب بموثوقية تعادل تصميم النطاقات الثلاثة الكامل.
-
اكتشاف أقوى للكائنات الصغيرة تم توسيع مرحلة الميزات المبكرة وعالية الدقة لتمكينها من التقاط تفاصيل أكثر دقة. واقترانًا بخريطة التنبؤ الدقيقة المتبقية، يؤدي ذلك إلى تحسين التوطين والانحدار للكائنات الصغيرة — وهي الفئة الأصعب للنماذج المدمجة.
-
إشراف محاذاة المقدمة أثناء التدريب، يتعلم فرع إضافي خفيف الوزن التمييز بين "الكائن" و"الخلفية" في كل موقع. تم تصميم هذا الفرع لتقليص الفجوة بين الإشراف الكثيف من واحد إلى متعدد المستخدم أثناء التدريب والرأس من واحد إلى واحد الذي ينتج التنبؤات النهائية — مما يقلل فجوة الدقة من 0.9/0.8 متوسط دقة متوسطة (mAP) على YOLO26n/s إلى 0.4 متوسط دقة متوسطة (mAP) فقط على YOLO27n/s، بحيث يحتفظ رأس واحد لواحد المنشور بكل دقة وقت التدريب تقريبًا. يُستخدم الفرع أثناء التدريب فقط ويتم إزالته للاستدلال والتصدير، لذلك فهو لا يكلف شيئًا عند النشر.
-
الكشف القائم على الاستعلام بدون قمع الحد الأقصى غير الضروري (NMS) تستبدل النماذج الأكبر التنبؤ الكثيف بفك تشفير المحول (Transformer) الذي ينقح مجموعة ثابتة من استعلامات الكائنات ويخرج عمليات الكشف النهائية مباشرة — دون الحاجة إلى المعالجة اللاحقة لقمع الحد الأقصى غير الضروري (NMS). يقرن YOLO27m فك التشفير هذا بالهيكل الفقري التلافيفي المثبت بأسلوب YOLO26، بينما يحتفظ YOLO27l بنفس عنق هرم ميزات الميزات (FPN)/شبكة هرم الميزات العكسية (PAN) ويستبدل بهيكلاً فقرياً من طراز UltraViT يستخدم الانتباه الذاتي في أعمق مراحله لالتقاط السياق العالمي.
-
واجهة بسيطة واحدة يتم استخدام كلا البنيتين من خلال نفس
YOLOواجهة بايثون (Python). يتم تحديد خطوط الأنابيب الصحيحة للتدريب والتحقق والتنبؤ والتصدير تلقائيًا من النموذج، بحيث يعمل الكود المكتوب لمقياس YOLO27 واحد دون تغيير لبقية المقاييس.
أي نموذج YOLO27 يجب أن أستخدم؟#
التوجيه التالي مخصص لاختيار نموذج بمجرد إصدار YOLO27. للمشاريع الحالية، استخدم YOLO26.
- YOLO27n / YOLO27s — الأجهزة الطرفية، والطائرات بدون طيار، والفيديو في الوقت الفعلي: أسرع النماذج في العائلة، مع تحسين اكتشاف الكائنات الصغيرة من التصميم ثنائي النطاق. راجع NVIDIA Jetson وRaspberry Pi للنشر الخاص بالأجهزة.
- YOLO27m — النقطة المثالية للدقة والسرعة على وحدات معالجة الرسوميات: يحسن YOLO26m بمقدار 3.2 متوسط دقة متوسطة (mAP) عند نفس زمن الاستجابة، مما يجعله الخيار الافتراضي لنشر وحدة معالجة الرسوميات (GPU deployment) للإنتاج.
- YOLO27l — التطبيقات الحرجة للدقة: أول نموذج من Ultralytics يتجاوز 60 متوسط دقة متوسطة (mAP) على مجموعة بيانات COCO، ليصل إلى 61.2 متوسط دقة متوسطة (mAP) بحجم إدخال أكبر مع البقاء في الوقت الفعلي على وحدة معالجة الرسوميات.
للمقارنة مع العائلات الأخرى، راجع جميع نماذج Ultralytics. لقياس مقايضة الدقة والسرعة على الأجهزة الخاصة بك بدلاً من أجهزتنا، راجع وضع المعيار (Benchmark mode).
المهام والأوضاع المدعومة#
يعرض الجدول التالي معاينة للدعم المخطط للمهام والأوضاع عبر مقاييس نماذج YOLO27 الأربعة. تشير علامات الاختيار إلى الدعم المقصود عند الإصدار، وليس التوفر العام الحالي؛ وجميع ملفات النماذج المدرجة غير مُصْدَرة.
| 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 | تقسيم الكائنات | ✅ | ✅ | ✅ | ✅ |
| YOLO27-sem | yolo27n-sem.pt yolo27s-sem.pt yolo27m-sem.pt yolo27l-sem.pt | التقسيم الدلالي | ✅ | ✅ | ✅ | ✅ |
| 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 الرئيسية | ✅ | ✅ | ✅ | ✅ |
| YOLO27-obb | yolo27n-obb.pt yolo27s-obb.pt yolo27m-obb.pt yolo27l-obb.pt | الكشف الموجّه | ✅ | ✅ | ✅ | ✅ |
تعمل نماذج YOLO27 الخاصة بالكشف، والتجزئة، والوضعية، والكشف الموجه أيضًا مع وضع التتبع (Track mode)، والذي يعمل أعلى وضع التنبؤ لتتبع متعدد الكائنات عبر إطارات الفيديو.
يستخدم اكتشاف YOLO27 تصميمين تحت واجهة واحدة: تستخدم المقاييس N وS بنية الشبكة العصبية التلافيفية المبسطة، بينما تستخدم المقاييس M وL البنية القائمة على الاستعلامات وخالية من قمع الحد الأقصى غير الضروري (NMS). تستخدم جميع المهام الأخرى بنية الشبكة العصبية التلافيفية.
مقاييس الأداء#
يتم الإبلاغ عن دقة الكشف على مجموعة التحقق من الصحة لCOCO. راجع مقاييس أداء YOLO للحصول على توضيحات حول متوسط الدقة المتوسطة (mAP)، والدقة (precision)، والارتجاع (recall). يتم قياس سرعة الاستلاستدلال على وحدة معالجة رسوميات NVIDIA RTX PRO 6000 باستخدام (TensorRT 11، FP16) لوحدة معالجة الرسوميات ووحدة معالجة مركزية AMD EPYC 9655 باستخدام (ONNX Runtime، FP32) لوحدة المعالجة المركزية. بعد الإصدار، يمكن إعادة إنتاج أرقام الدقة باستخدام yolo val model=yolo27n.pt data=coco.yaml.
قد تتغير نتائج الأبحاث هذه أثناء مراحل البحث والتطوير النهائية. سترافق الأوزان العامة وتتعليمات إعادة الإنتاج عملية الإصدار.
راجع مستندات الكشف للحصول على أمثلة للاستخدام مع هذه النماذج المدربة على COCO، والتي تتضمن 80 فئة مدربة مسبقًا. يستخدم الجدول إدخالاً بحجم 640 بكسل؛ ويوضح النظرة العامة أيضًا نموذج YOLO27l عند حجم 800 بكسل.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة RTX PRO 6000 TensorRT11 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO27n | 640 | 42.3 | 16.1 ± 1.6 | 0.62 ± 0.00 | 3.0 | 7.2 |
| YOLO27s | 640 | 49.6 | 33.2 ± 0.1 | 0.79 ± 0.00 | 11.8 | 28.2 |
| YOLO27m | 640 | 55.8 | 67.2 ± 0.3 | 1.39 ± 0.00 | 22.8 | 65.0 |
| YOLO27l | 640 | 60.4 | 149.6 ± 1.4 | 2.32 ± 0.00 | 72.3 | 165.3 |
قيم المعلمات وعدد العمليات في الثانية (FLOPs) مخصصة للنموذج المدمج بعد طي العمليات Conv/BatchNorm وإزالة فرع الكشف غير المستخدم. تحدد قياسات السرعة الرأس الخالي من قمع الحد الأقصى (NMS) مع nms=False. تحتفظ نقاط التحقق المدربة مسبقاً ببنية التدريب الكاملة وقد تظهر أعداداً أعلى.
أمثلة على الاستخدام#
توضح هذه الأمثلة واجهة برمجة التطبيقات (API) المقصودة لYOLO27 بمجرد إصدار أوزان النماذج ودعم الحزم. لا يمكن تشغيلها باستخدام حزمة ultralytics العامة الحالية.
يوفر هذا القسم أمثلة بسيطة للتدريب والاستدلال لYOLO27. للحصول على الوثائق الكاملة حول هذه الأوضاع وغيرها، راجع صفحات مستندات التنبؤ (Predict)، والتدريب (Train)، والتحقق (Val)، والتصدير (Export). لمجموعات البيانات المخصصة، راجع نصائح لتحقيق أفضل نتائج التدريب ودليل ضبط المعلمات الفائقة.
لاحظ أن المثال أدناه مخصص لنماذج الكشف (Detect) الخاصة بYOLO27 لاكتشاف الكائنات. للتعرف على المهام المدعومة الإضافية، راجع مستندات التجزئة (Segment) والتصنيف (Classify).
يمكن تمرير نماذج *.pt المدربة مسبقًا بPyTorch بالإضافة إلى ملفات تكوين *.yaml إلى فئة YOLO() لإنشاء مثيل نموذج في بايثون (Python):
from ultralytics import YOLO
# Load a COCO-pretrained YOLO27n model
model = YOLO("yolo27n.pt")
# Run inference with the YOLO27n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)فقط معاينة الوثائق هذه متاحة الآن. تظل أوزان نماذج YOLO27، والتكوينات، وكود التنفيذ غير مُصْدَرة. ستتم إضافة تعليمات الإصدار إلى هذه الصفحة عندما تصبح النماذج متاحة.
الأسئلة الشائعة#
- الكشف ثنائي النطاق (N/S): يتخلى عن خريطة التنبؤ المتوسطة للحصول على رأس أسرع بدقة تنافسية
- اكتشاف أقوى للكائنات الصغيرة (N/S): مرحلة ميزات مبكرة أوسع تحسن توطين الكائنات الصغيرة
- إشراف محاذاة المقدمة (N/S): يقلل فجوة الدقة بين من واحد إلى متعدد ومن واحد إلى واحد من 0.9/0.8 متوسط دقة متوسطة (mAP) على YOLO26n/s إلى 0.4 متوسط دقة متوسطة (mAP) على YOLO27n/s، بتكلفة استدلال صفرية
- الكشف القائم على الاستعلام بدون قمع الحد الأقصى غير الضروري (NMS) (M/L): يخرج فك تشفير المحول (Transformer) عمليات الكشف النهائية مباشرة
- واجهة بسيطة واحدة: تعمل كلتا البنيتين من خلال نفس فئة
YOLO
ليس بعد — YOLO27 لم يتم إصداره بعد. استمر في استخدام YOLO26 للمشاريع الحالية. تُظهر النتائج الأولية تحسن الدقة عبر أحجام النماذج، حيث يتجاوز YOLO27l 60 متوسط دقة متوسطة (mAP) على مجموعة بيانات COCO. قم بتقييم النماذج النهائية الصادرة لعبء العمل الخاص بك قبل الانتقال.
بعد الإصدار، يُقصد بYOLO27 استخدام نفس فئة
YOLOونفس واجهة برمجة التطبيقات (API) للتدريب/التحقق/التنبؤ/التصدير مثل YOLO26 — حيث يتم اختيار خط الأنابيب الصحيح (الشبكة العصبية التلافيفية أو القائم على الاستعلام) تلقائيًا من النموذج. يعد تبديلyolo26n.ptبyolo27n.ptهو تغيير اختيار النموذج المقصود بمجرد توفر دعم وأوزان YOLO27.تتنبأ معظم أجهزة الكشف على ثلاث خرائط ميزات بدقة مختلفة. يحتفظ YOLO27 N وS بالخريطة الدقيقة التي تعتمد عليها الكائنات الصغيرة والخريطة الخشنة التي تحتاجها الكائنات الكبيرة، ويتخطيان الخريطة المتوسطة. هذا يقلل حصة كبيرة من حسابات رأس الكشف، وتُبقي تحسينات التدريب المذكورة أعلاه مقايضة الدقة مقابل زمن الاستجابة تنافسية.
يعد YOLO27l أول نموذج من Ultralytics يتجاوز 60 متوسط دقة متوسطة (mAP) على مجموعة بيانات COCO، ليصل إلى 60.4 متوسط دقة متوسطة (mAP) عند إدخال بحجم 640 بكسل (2.3 مللي ثانية على وحدة معالجة رسوميات NVIDIA RTX PRO 6000) و61.2 متوسط دقة متوسطة (mAP) عند إدخال بحجم 800 بكسل (2.9 مللي ثانية). يجمع هذا النموذج بين الهيكل الفقري من طراز UltraViT، ودمج الميزات متعددة المقاييس، وكاشف قائم على الاستعلام ينتج عمليات الكشف النهائية مباشرة، دون قمع الحد الأقصى غير الضروري (NMS).
يخضع YOLO27 لمراحل البحث والتطوير النهائية، ومن المتوقع إطلاقه في وقت لاحق من هذا العام. لم يتم تحديد تاريخ للإطلاق. أوزان النماذج وكود التنفيذ غير متوفرة للعامة بعد.
بمجرد إصدار YOLO27، راجع البدء السريع لتثبيت أو تحديث حزمة
ultralytics، ثم قم بتحميل النموذج كما هو موضح أدناه. هذا المثال مخصص للاستخدام بعد الإصدار:from ultralytics import YOLO # Load a pretrained YOLO27 nano model model = YOLO("yolo27n.pt") # Run inference on an image results = model("image.jpg")راجع قسم أمثلة الاستخدام للحصول على إرشادات التدريب والتحقق والتصدير.