Ultralytics YOLO27:

Ultralytics YOLO27#

قريبًا: YOLO27

تخضع نماذج YOLO27 للمراحل النهائية من البحث والتطوير، ومن المتوقع إطلاقها في وقت لاحق من هذا العام. النماذج غير متاحة بعد، ولم يُحدَّد موعد لإطلاقها. تعرض هذه الصفحة لمحة عن النماذج المرتقبة؛ وقد تتغير الميزات ونتائج المعايير قبل الإصدار. أمثلة التعليمات البرمجية أدناه مخصصة للاستخدام بعد إصدار النماذج ودعم الحزمة لها، ولن تعمل مع الحزمة العامة الحالية. لن تُصدر أوزان النماذج وإعداداتها ورمز تنفيذها في الوقت الحالي. انضم إلى قائمة انتظار YOLO27 لتكون أول من يعرف موعد إطلاقه.

نظرة عامة#

تضم Ultralytics YOLO27 عائلة من نماذج الرؤية الآنية، وتستخدم نماذج الكشف فيها تصميمين متكاملين: بنية CNN مبسطة للطرازين المدمجين N وS، وبنية قائمة على الاستعلامات ولا تستخدم NMS للطرازين الأكبر M وL. ويمكن نشر كلا التصميمين عبر الواجهة نفسها. تستخدم نماذج الكشف N وS افتراضيًا رأسًا واحدًا إلى متعدد مع NMS؛ استخدم nms=False لاختيار الرأس الخالي من NMS.

YOLO27 هي عائلة النماذج المرتقبة في سلسلة Ultralytics YOLO، وتأتي بعد YOLO26. تتوفر بأربعة أحجام — N وS وM وL — وتدعم كشف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعية، وكشف الكائنات الموجّهة. وينطبق تقسيم التصميمين على الكشف؛ أما جميع المهام الأخرى فتستخدم بنية CNN.

عبر مقاييس الكشف الأربعة، يحقق YOLO27 قيمة 42.3-60.4 mAP على COCO بزمن استجابة يبلغ 0.62-2.32 ms على NVIDIA RTX PRO 6000 — ويصل إلى 61.2 mAP مع YOLO27l عند إدخال أكبر بحجم 800 بكسل. ويُعد YOLO27l أول نموذج من Ultralytics يتجاوز 60 mAP على COCO، بينما يتفوق YOLO27n/s المدمجان على YOLO26n/s من حيث الدقة بسرعة مماثلة إلى حد كبير.

البدء السريع (بعد الإصدار)
from ultralytics import YOLO

model = YOLO("yolo27n.pt")  # ⁨تحميل نموذج YOLO27n مدرَّب مسبقًا⁩
results = model("path/to/bus.jpg")  # ⁨إجراء الاستدلال⁩

الميزات الرئيسية#

  • الكشف بمقياسين تتنبأ كواشف الكائنات القياسية بوجود الكائنات على ثلاث خرائط ميزات — دقيقة ومتوسطة وخشنة. يستغني YOLO27 N وS عن الخريطة المتوسطة، ولا يتنبآن إلا على خريطة دقيقة (للكائنات الصغيرة) وخريطة خشنة (للكائنات الكبيرة)، مع تطبيق تحجيم ثابت على الميزات المدمجة للحفاظ على التوازن بين المقياسين. ويزيل ذلك جزءًا كبيرًا من العمليات الحسابية في رأس الكشف، ما يجعل النماذج أسرع مع الحفاظ على موثوقية التدريب نفسها التي يوفرها التصميم الكامل ذي المقاييس الثلاثة.

  • تحسين كشف الكائنات الصغيرة تم توسيع مرحلة الميزات المبكرة عالية الدقة لالتقاط مزيد من التفاصيل الدقيقة. وبالاقتران مع خريطة التنبؤ الدقيقة المتبقية، يحسن ذلك تحديد المواقع والانحدار للكائنات الصغيرة — وهي الفئة الأصعب بالنسبة إلى النماذج المدمجة.

  • الإشراف على محاذاة المقدمة أثناء التدريب، يتعلم فرع إضافي خفيف الوزن التمييز بين «الكائن» و«الخلفية» في كل موضع. وقد صُمم لتقليص الفجوة بين الإشراف الأكثر كثافة من واحد إلى متعدد المستخدم أثناء التدريب والرأس من واحد إلى واحد الذي يُنتج التنبؤات النهائية — إذ يخفض فجوة الدقة من 0.9/0.8 mAP في YOLO26n/s إلى 0.4 mAP فقط في YOLO27n/s، وبذلك يحافظ الرأس المنشور من واحد إلى واحد على معظم دقة التدريب. يُستخدم هذا الفرع أثناء التدريب فقط، ويُزال للاستدلال والتصدير، لذا لا يترتب عليه أي تكلفة عند النشر.

  • الكشف القائم على الاستعلامات دون NMS تستبدل النماذج الأكبر التنبؤ الكثيف بمفكك ترميز Transformer يعمل على تحسين مجموعة ثابتة من استعلامات الكائنات، ويُخرج الكشوف النهائية مباشرة — دون الحاجة إلى معالجة لاحقة باستخدام قمع غير القيم العظمى. يجمع YOLO27m هذا المفكك مع العمود الفقري الالتفافي المجرب بأسلوب YOLO26، بينما يحتفظ YOLO27l برقبة FPN/PAN نفسها ويستبدل العمود الفقري بآخر من UltraViT يستخدم الانتباه الذاتي في أعمق مراحله لالتقاط السياق العام.

  • واجهة واحدة بسيطة تُستخدم البنيتان عبر واجهة YOLO الخاصة بـ Python نفسها. ويُختار تلقائيًا مسار التدريب والتحقق والتنبؤ والتصدير المناسب بحسب النموذج، لذا يعمل الرمز المكتوب لأحد مقاييس YOLO27 مع المقاييس الأخرى دون أي تغيير.

أي طراز من YOLO27 أختار؟#

الإرشادات التالية مخصصة لاختيار نموذج بعد إصدار YOLO27. أما للمشروعات الحالية، فاستخدم YOLO26.

  • YOLO27n / YOLO27s — للأجهزة الطرفية والطائرات المسيّرة والفيديو الآني: أسرع النماذج في العائلة، مع تحسين كشف الكائنات الصغيرة بفضل التصميم ذي المقياسين. راجع NVIDIA Jetson وRaspberry Pi لمعرفة تفاصيل النشر الخاصة بكل جهاز.
  • YOLO27m — الخيار الأمثل لتحقيق التوازن بين الدقة والسرعة على وحدات GPU: يحسن دقة YOLO26m بزمن استجابة مماثل، ما يجعله الخيار الافتراضي لنشر الإنتاج على GPU.
  • YOLO27l — للتطبيقات التي تتطلب دقة عالية: أول نموذج من Ultralytics يتجاوز 60 mAP على COCO، إذ يحقق 61.2 mAP عند حجم إدخال أكبر مع الحفاظ على الأداء الآني على GPU.

للمقارنة مع العائلات الأخرى، راجع جميع نماذج Ultralytics. ولقياس المفاضلة بين الدقة والسرعة على أجهزتك بدلًا من أجهزتنا، راجع وضع المعايير.

المهام والأوضاع المدعومة#

يعرض الجدول التالي معاينة للدعم المخطط للمهام والأوضاع عبر مقاييس نماذج YOLO27 الأربعة. تشير علامات الصح إلى الدعم المستهدف عند الإصدار، وليس إلى التوفر العام الحالي؛ فجميع ملفات النماذج المدرجة لم تصدر بعد.

النموذجأسماء الملفاتالمهمةالتدريبالتحققالاستدلالالتصدير
YOLO27yolo27n.pt yolo27s.pt yolo27m.pt yolo27l.ptالكشف✅✅✅✅
YOLO27-segyolo27n-seg.pt yolo27s-seg.pt yolo27m-seg.pt yolo27l-seg.ptتجزئة المثيلات✅✅✅✅
YOLO27-semyolo27n-sem.pt yolo27s-sem.pt yolo27m-sem.pt yolo27l-sem.ptالتجزئة الدلالية✅✅✅✅
YOLO27-depthyolo27n-depth.pt yolo27s-depth.pt yolo27m-depth.pt yolo27l-depth.ptتقدير العمق✅✅✅✅
YOLO27-clsyolo27n-cls.pt yolo27s-cls.pt yolo27m-cls.pt yolo27l-cls.ptالتصنيف✅✅✅✅
YOLO27-poseyolo27n-pose.pt yolo27s-pose.pt yolo27m-pose.pt yolo27l-pose.ptالوضعية/النقاط المفتاحية✅✅✅✅
YOLO27-obbyolo27n-obb.pt yolo27s-obb.pt yolo27m-obb.pt yolo27l-obb.ptالكشف الموجّه✅✅✅✅

تعمل نماذج YOLO27 للكشف والتجزئة والوضعية وOBB أيضًا مع وضع التتبّع، الذي يعمل فوق وضع التنبؤ لتتبّع كائنات متعددة عبر إطارات الفيديو.

مساران للبنية

يستخدم الكشف في YOLO27 تصميمين عبر واجهة واحدة: يستخدم المقياسان N وS بنية CNN المبسطة، بينما يستخدم المقياسان M وL البنية القائمة على الاستعلامات والخالية من NMS. وتستخدم جميع المهام الأخرى بنية CNN.

مقاييس الأداء#

تُبلّغ دقة الكشف على مجموعة التحقق COCO. راجع مقاييس أداء YOLO للاطلاع على شرح mAP والدقة والاستدعاء. وتُقاس سرعة الاستدلال على NVIDIA RTX PRO 6000 (TensorRT 11، FP16) لوحدة GPU، وعلى AMD EPYC 9655 (ONNX Runtime، FP32) لوحدة CPU. وبعد الإصدار، يمكن إعادة إنتاج أرقام الدقة باستخدام yolo val model=yolo27n.pt data=coco.yaml.

نتائج أولية

قد تتغير هذه النتائج البحثية خلال المراحل النهائية من البحث والتطوير. وستُرفق الأوزان العامة وتعليمات إعادة الإنتاج بالإصدار.

الأداء

راجع وثائق الكشف للاطلاع على أمثلة الاستخدام لهذه النماذج المدرَّبة على COCO، والتي تتضمن 80 فئة مدرَّبة مسبقًا. يستخدم الجدول إدخالًا بحجم 640 بكسل؛ كما تعرض النظرة العامة نتائج YOLO27l عند 800 بكسل.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(ms)		السرعة
RTX PRO 6000 TensorRT11
(ms)		المعلمات
(M)		FLOPs
(B)
YOLO27n64042.316.1 ± 1.60.62 ± 0.003.07.2
YOLO27s64049.633.2 ± 0.10.79 ± 0.0011.828.2
YOLO27m64055.867.2 ± 0.31.39 ± 0.0022.865.0
YOLO27l64060.4149.6 ± 1.42.32 ± 0.0072.3165.3

تخص قيمتا Params وFLOPs النموذجَ المدمج بعد طيّ Conv/BatchNorm وإزالة فرع الكشف غير المستخدم. في 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#

يقدم هذا القسم أمثلة بسيطة على تدريب YOLO27 والاستدلال به. للاطلاع على الوثائق الكاملة لهذه الأوضاع وغيرها، راجع صفحات وثائق الأوضاع: التنبؤ، والتدريب، والتحقق، والتصدير. بالنسبة إلى مجموعات البيانات المخصصة، راجع نصائح للحصول على أفضل نتائج التدريب ودليل ضبط المعلمات الفائقة.

لاحظ أن المثال أدناه مخصص لنماذج YOLO27 الكشف عن الأجسام. للاطلاع على المهام الأخرى المدعومة، راجع وثائق التجزئة والتصنيف.

التدريب والاستدلال (بعد الإصدار)

يمكن تمرير نماذج *.pt المدرّبة مسبقًا باستخدام PyTorch، وكذلك 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")

# ⁨إجراء الاستدلال باستخدام نموذج YOLO27n على الصورة 'bus.jpg'⁩
results = model("path/to/bus.jpg")

# ⁨تدريب النموذج على مجموعة البيانات COCO8 النموذجية 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 الدقة لتوفير رأس أسرع بدقة تنافسية
    • تحسين الكشف عن الأجسام الصغيرة (N/S): تحسّن مرحلة مبكرة موسّعة للميزات تحديد مواقع الأجسام الصغيرة
    • الإشراف على محاذاة المقدّمة (N/S): يقلّص فجوة الدقة بين التنبؤ الواحد إلى متعدد والتنبؤ الواحد إلى واحد من 0.9/0.8 mAP في YOLO26n/s إلى 0.4 mAP في YOLO27n/s، دون أي كلفة للاستدلال
    • كشف خالٍ من NMS قائم على الاستعلامات (M/L): ينتج مفكّك ترميز Transformer الكشوف النهائية مباشرةً
    • واجهة موحّدة وبسيطة: تعمل البنيتان عبر الفئة نفسها YOLO

  • ليس بعد — لم يُطرح YOLO27. واصل استخدام YOLO26 في المشاريع الحالية. تُظهر النتائج الأولية تحسّنًا في الدقة عبر أحجام النماذج، إذ يتجاوز YOLO27l قيمة 60 mAP على COCO. قيّم النماذج النهائية بعد إصدارها وفقًا لعبء العمل لديك قبل الانتقال إليها.

  • بعد الإصدار، من المخطط أن يستخدم YOLO27 الفئة نفسها YOLO وواجهة API نفسها للتدريب/التحقق/التنبؤ/التصدير المستخدمة في YOLO26 — ويُحدّد النموذج تلقائيًا خط الأنابيب المناسب (CNN أو القائم على الاستعلامات). ويُعد استبدال yolo26n.pt بـ yolo27n.pt التغيير المقصود لاختيار النموذج عند توفر دعم YOLO27 وأوزانه.

  • تُصدر معظم كواشف الأجسام تنبؤات على ثلاث خرائط ميزات بدقات مختلفة. يحتفظ YOLO27 N وS بالخريطة الدقيقة التي تعتمد عليها الأجسام الصغيرة، وبالخريطة الخشنة التي تحتاج إليها الأجسام الكبيرة، ويتجاوزان الخريطة متوسطة الدقة. وهذا يقلّص جزءًا كبيرًا من عمليات حساب رأس الكشف، كما تحافظ تحسينات التدريب المذكورة أعلاه على توازن تنافسي بين الدقة وزمن الاستجابة.

  • YOLO27l هو أول نموذج من Ultralytics يتجاوز 60 mAP على COCO، إذ يحقق 60.4 mAP عند إدخال بدقة 640 بكسل (2.3 مللي ثانية على NVIDIA RTX PRO 6000) و61.2 mAP عند إدخال بدقة 800 بكسل (2.9 مللي ثانية). ويجمع بين العمود الفقري UltraViT، ودمج الميزات متعددة المقاييس، وكاشف قائم على الاستعلامات ينتج الكشوف النهائية مباشرةً دون NMS.

  • يخضع YOLO27 للمراحل النهائية من البحث والتطوير، ومن المتوقع إطلاقه في وقت لاحق من هذا العام. لم يُحدَّد موعد للإطلاق. أوزان النموذج وشيفرة التنفيذ غير متاحة للعامة بعد.

  • بعد إصدار YOLO27، راجع [دليل البدء السريع](https://ultralytics-translation-0.invalid لتثبيت حزمة ultralytics أو 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")

# ⁨إجراء الاستدلال على صورة⁩
results = model("image.jpg")

    راجع أمثلة الاستخدام للاطلاع على أمثلة التدريب والاستدلال، أو دليلي التحقق والتصدير الخاصين بهذين الوضعين.

المساهمون
GLglenn-jocher3RAraimbekovm1

التعليقات