Ultralytics YOLO27

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 المرتقبة في سلسلة Ultralytics YOLO، وتأتي خلف YOLO26. تتوفر بأربعة أحجام — N وS وM وL — وتدعم اكتشاف الكائنات، تجزئة المثيلات، التجزئة الدلالية، تقدير العمق، التصنيف، تقدير الوضعية واكتشاف الكائنات الموجّهة. ينطبق تقسيم التصميمين على اكتشاف الكائنات وتجزئة المثيلات وتقدير الوضعية. أما التجزئة الدلالية وتقدير العمق والتصنيف واكتشاف الكائنات الموجّهة 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 الاستدلال⁩

الميزات الرئيسية#

• الكشف ثنائي المقياس تتنبأ الكواشف القياسية بالأجسام على ثلاث خرائط سمات: دقيقة ومتوسطة وخشنة. يتخلى YOLO27 N وS عن الخريطة المتوسطة، ويتنبآن باستخدام خريطة دقيقة فقط (للأجسام الصغيرة) وخريطة خشنة (للأجسام الكبيرة)، مع تحجيم ثابت للسمات المدمجة يحافظ على توازن المقياسين. يقلل هذا جزءًا كبيرًا من العمليات الحسابية لرأس الكشف، ما يجعل النماذج أسرع مع الحفاظ على موثوقية التدريب نفسها التي يوفرها التصميم 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 دون NMS تستبدل النماذج الأكبر التنبؤ الكثيف بـمحوّل يفرز مجموعة ثابتة من استعلامات الكائنات ويُخرج الاكتشافات النهائية مباشرةً — دون الحاجة إلى معالجة لاحقة عبر الإخماد غير الأقصى. يجمع YOLO27m وYOLO27l بين هذا المحوّل وعمود فقري UltraViT يستخدم الانتباه الذاتي في أعمق مراحله لالتقاط السياق العام، تليه وصلة FPN/ PAN ‏FPN/PAN.

• 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.

تعمل نماذج YOLO27 للكشف والتقسيم والوضعية وOBB أيضًا مع وضع التتبع، الذي يعمل فوق وضع التنبؤ لتتبع أجسام متعددة عبر إطارات الفيديو.

مقاييس الأداء#

تُعرض دقة الاكتشاف على مجموعة التحقق COCO. راجع مقاييس أداء YOLO للاطلاع على شروح mAP والدقة والاستدعاء. ولقياس الدقة خارج COCO، راجع معيار Ultralytics، الذي يقيس متوسط mAP_50-95 عبر 37 مجموعة بيانات لاكتشاف الكائنات في العالم الواقعي، تشمل التصوير الطبي والاستشعار عن بُعد والقطاعات الصناعية وتجارة التجزئة وغيرها. تُقاس سرعة الاستدلال على NVIDIA RTX PRO 6000 (TensorRT 11، FP16) لوحدة GPU، وعلى AMD EPYC 9655 (ONNX Runtime، FP32) لوحدة CPU. بعد الإصدار، يمكن إعادة إنتاج أرقام الدقة باستخدام yolo val model=yolo27n.pt data=coco.yaml imgsz=640 nms=False save_json=True. تستخدم جداول اكتشاف الكائنات وتجزئة المثيلات وتقدير الوضعية الرأس الخالي من NMS وتقييم COCO. يستخدم التحقق من وضعية N/S دفعات مستطيلة (rect=True).

قيم Params وFLOPs تخص النموذج المدمج بعد طي Conv/BatchNorm وإزالة فرع الاكتشاف غير المستخدم. تختار قياسات اكتشاف الكائنات وتجزئة المثيلات وتقدير الوضعية الرأس الخالي من NMS باستخدام nms=False؛ وتعتمد دقة N/S على الرأس المحدد. تشمل FLOPs عمليات ضرب مصفوفات الانتباه في وحدة فك الترميز. تحتفظ نقاط التحقق المدربة مسبقًا ببنية التدريب كاملةً، وقد تُظهر أعدادًا أعلى.

أمثلة الاستخدام#

يقدم هذا القسم أمثلة بسيطة على التدريب والاستدلال باستخدام YOLO27. لمجموعات البيانات المخصصة، راجع نصائح لتحقيق أفضل نتائج التدريب ودليل ضبط المعلمات الفائقة.

المثال أدناه مخصص لنماذج YOLO27 للكشف من أجل كشف الأجسام.

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#