Ultralytics YOLO27#

Übersicht#

Ultralytics YOLO27 ist eine Familie von Echtzeit-Vision-Modellen. Die Erkennungsmodelle verwenden zwei sich ergänzende Entwürfe: eine schlanke CNN-Architektur für die kompakten Modelle N und S sowie eine abfragebasierte, NMS-freie Architektur für die größeren Modelle M und L. Beide Entwürfe lassen sich über dieselbe Schnittstelle bereitstellen. Bei den Erkennungsmodellen N und S ist standardmäßig der One-to-Many-Kopf mit NMS aktiviert; verwende nms=False, um den NMS-freien Kopf auszuwählen.

YOLO27 ist die kommende Modellfamilie der Ultralytics-YOLO-Reihe und folgt auf YOLO26. Sie umfasst vier Größen – N, S, M und L – und unterstützt Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und Erkennung orientierter Objekte. Die Aufteilung auf zwei Entwürfe gilt für die Erkennung; alle anderen Aufgaben verwenden die CNN-Architektur.

Über seine vier Erkennungsskalen hinweg erreicht YOLO27 42.6-60.5 mAP auf COCO bei einer Latenz von 0.44-1.86 ms auf einer NVIDIA RTX PRO 6000 – und mit YOLO27l bei einer größeren Eingabegröße von 800 Pixeln bis zu 61.4 mAP. YOLO27l ist das erste Ultralytics Modell, das auf COCO mehr als 60 mAP erreicht, während die kompakten Modelle YOLO27n/s die Genauigkeit von YOLO26n/s bei praktisch gleicher Geschwindigkeit übertreffen.

from ultralytics import YOLO

model = YOLO("yolo27n.pt")  # Ein vortrainiertes YOLO27n-Modell laden
results = model("path/to/bus.jpg")  # Inferenz ausführen

Wichtige Funktionen#

• Erkennung mit zwei Skalen Standarddetektoren erkennen Objekte auf drei Merkmalskarten: einer feinen, einer mittleren und einer groben. YOLO27 N und S lassen die mittlere Karte weg und sagen Objekte nur anhand einer feinen Karte (für kleine Objekte) und einer groben Karte (für große Objekte) voraus. Eine feste Skalierung der zusammengeführten Merkmale sorgt für ein ausgewogenes Verhältnis zwischen den beiden Skalen. Dadurch entfällt ein großer Teil der Berechnungen im Erkennungskopf. Die Modelle sind dadurch schneller und lassen sich ebenso zuverlässig trainieren wie das vollständige Design mit drei Skalen.

• Verbesserte Erkennung kleiner Objekte Die frühe Feature-Stufe mit hoher Auflösung wird verbreitert, damit sie mehr feine Details erfassen kann. Zusammen mit der erhaltenen feinen Vorhersagekarte verbessert dies die Lokalisierung und Regression kleiner Objekte – der schwierigsten Kategorie für kompakte Modelle.

• Überwachung der Vordergrundausrichtung Während des Trainings lernt ein zusätzlicher, leichtgewichtiger Zweig, an jeder Position zwischen „Objekt“ und „Hintergrund“ zu unterscheiden. Er soll die Lücke zwischen der dichteren Many-to-one-Überwachung während des Trainings und dem One-to-one-Kopf schließen, der die endgültigen Vorhersagen erzeugt. Dadurch sinkt die Genauigkeitslücke von 0.9/0.8 mAP bei YOLO26n/s auf nur 0.4 mAP bei YOLO27n/s, sodass der bereitgestellte One-to-one-Kopf nahezu die gesamte Trainingsgenauigkeit beibehält. Der Zweig wird nur während des Trainings verwendet und für Inferenz und Export entfernt, sodass er im Einsatz keine Kosten verursacht.

• Abfragebasierte Erkennung ohne NMS Die größeren Modelle ersetzen die dichte Vorhersage durch einen Transformer-Decoder, der eine feste Menge von Objektabfragen verfeinert und die endgültigen Erkennungen direkt ausgibt – eine Nachbearbeitung per nicht-maximaler Unterdrückung ist nicht erforderlich. YOLO27m kombiniert diesen Decoder mit dem bewährten Faltungs-Backbone im Stil von YOLO26, während YOLO27l denselben FPN/PAN-Neck beibehält und ein UltraViT-Backbone verwendet, das in seiner tiefsten Stufe Selbstaufmerksamkeit einsetzt, um den globalen Kontext zu erfassen.

• Eine einfache Schnittstelle Beide Architekturen werden über dieselbe YOLO Python-Schnittstelle verwendet. Die passende Pipeline für Training, Validierung, Vorhersage und Export wird automatisch anhand des Modells ausgewählt, sodass Code für eine YOLO27-Größenstufe unverändert auch für die anderen funktioniert.

Welches YOLO27 sollte ich verwenden?#

Die folgenden Empfehlungen helfen dir bei der Auswahl eines Modells nach der Veröffentlichung von YOLO27. Verwende für aktuelle Projekte YOLO26.

• YOLO27n / YOLO27s — Edge-Geräte, Drohnen und Echtzeitvideo: die schnellsten Modelle der Familie, mit verbesserter Erkennung kleiner Objekte dank des dualen Maßstabsdesigns. Informationen zur gerätespezifischen Bereitstellung findest du für NVIDIA Jetson und Raspberry Pi.
• YOLO27m — der ideale Kompromiss zwischen Genauigkeit und Geschwindigkeit auf GPUs: höhere Genauigkeit als YOLO26m bei vergleichbarer Latenz, was es zur Standardwahl für die produktive GPU-Bereitstellung macht.
• YOLO27l – für Anwendungen, bei denen Genauigkeit entscheidend ist: das erste Ultralytics-Modell mit mehr als 60 mAP auf COCO. Es erreicht bei einer größeren Eingabegröße 61.4 mAP und bleibt auf der GPU echtzeitfähig.

Einen Vergleich mit anderen Modellfamilien findest du unter Alle Ultralytics-Modelle. Informationen dazu, wie du den Kompromiss zwischen Genauigkeit und Geschwindigkeit auf deiner eigenen Hardware statt auf unserer misst, findest du unter Benchmark-Modus.

Unterstützte Aufgaben und Modi#

Die folgende Tabelle gibt einen Ausblick auf die geplante Unterstützung von Aufgaben und Modi für die vier YOLO27-Modellgrößen. Häkchen kennzeichnen die geplante Unterstützung zum Veröffentlichungszeitpunkt, nicht die aktuelle öffentliche Verfügbarkeit; alle aufgeführten Modelldateien sind noch nicht veröffentlicht.

Die YOLO27-Modelle für Erkennung, Segmentierung, Pose und OBB funktionieren auch mit dem Track-Modus, der auf predict aufsetzt, um mehrere Objekte über Videobilder hinweg zu verfolgen.

Leistungskennzahlen#

Die Erkennungsgenauigkeit wird auf dem COCO-Validierungsdatensatz angegeben. In YOLO-Leistungsmetriken findest du Erläuterungen zu mAP, Präzision und Trefferquote. Für die Genauigkeit über COCO hinaus siehe Ultralytics Benchmark. Dieser Benchmark misst den Makro-mAP50-95 über 37 praxisnahe Erkennungsdatensätze aus den Bereichen medizinische Bildgebung, Fernerkundung, Industrie, Einzelhandel und mehr. Die Inferenzgeschwindigkeit wird für die GPU auf einer NVIDIA RTX PRO 6000 (TensorRT 11, FP16) und für die CPU auf einem AMD EPYC 9655 (ONNX Runtime, FP32) gemessen. Nach der Veröffentlichung lassen sich die Genauigkeitswerte mit yolo val model=yolo27n.pt data=coco.yaml reproduzieren.

Die Werte für Parameter und FLOPs beziehen sich auf das fusionierte Modell nach dem Zusammenfassen von Conv/BatchNorm und dem Entfernen des nicht verwendeten Erkennungszweigs. Bei der Erkennung wird für die Geschwindigkeitsmessungen mit nms=False der Kopf ohne NMS ausgewählt; die Genauigkeit von N/S hängt vom ausgewählten Kopf ab. Vortrainierte Checkpoints behalten die vollständige Trainingsarchitektur bei und können daher höhere Werte aufweisen.

Anwendungsbeispiele#

Dieser Abschnitt enthält einfache Beispiele für das Training und die Inferenz mit YOLO27. Die vollständige Dokumentation zu diesen und weiteren Modi findest du auf den Dokumentationsseiten zu Predict, Train, Val und Export. Für benutzerdefinierte Datensätze findest du unter Tipps für optimale Trainingsergebnisse und im Leitfaden zur Hyperparameteroptimierung weitere Informationen.

Das folgende Beispiel bezieht sich auf YOLO27-Modelle zur Erkennung von Objekten. Weitere unterstützte Aufgaben findest du in der Dokumentation zu Segment und Classify.

from ultralytics import YOLO

# Ein mit COCO vortrainiertes YOLO27n-Modell laden
model = YOLO("yolo27n.pt")

# Mit dem YOLO27n-Modell eine Inferenz auf dem Bild 'bus.jpg' ausführen
results = model("path/to/bus.jpg")

# Das Modell 100 Epochen lang mit dem COCO8-Beispieldatensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Häufig gestellte Fragen#