Ultralytics YOLO27#

Überblick#

Ultralytics YOLO27 ist eine Familie von Echtzeit-Vision-Modellen, deren Detektionsmodelle zwei sich ergänzende Designs verwenden: 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 Designs lassen sich über dieselbe Schnittstelle bereitstellen. Bei den Detektionsmodellen N und S ist standardmäßig der One-to-many-Head mit NMS aktiviert; verwende nms=False, um den NMS-freien Head auszuwählen.

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

Über die vier Detektionsgrößen hinweg erreicht YOLO27 42.3-60.4 mAP auf COCO bei einer Latenz von 0.62-2.32 ms auf einer NVIDIA RTX PRO 6000 — und mit YOLO27l bei einer größeren Eingabegröße von 800 Pixeln bis zu 61.2 mAP. YOLO27l ist das erste Ultralytics- Modell mit mehr als 60 mAP auf COCO, während die kompakten Modelle YOLO27n/s die Genauigkeit von YOLO26n/s bei nahezu gleicher Geschwindigkeit verbessern.

from ultralytics import YOLO

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

Wichtige Funktionen#

• Detektion mit zwei Maßstäben Herkömmliche Detektoren sagen Objekte auf drei Feature-Maps voraus — einer feinen, einer mittleren und einer groben. YOLO27 N und S lassen die mittlere Map weg und sagen Objekte nur auf einer feinen Map (für kleine Objekte) und einer groben Map (für große Objekte) voraus. Eine feste Skalierung der zusammengeführten Merkmale sorgt dafür, dass die beiden Maßstäbe ausgewogen bleiben. Dadurch entfällt ein großer Teil der Berechnungen im Detektions-Head, was die Modelle schneller macht, während das Training ebenso zuverlässig wie mit dem vollständigen Design mit drei Maßstäben bleibt.

• Verbesserte Erkennung kleiner Objekte Die frühe Feature-Stufe mit hoher Auflösung wird verbreitert, damit sie mehr feine Details erfassen kann. Zusammen mit der beibehaltenen feinen Vorhersage-Map 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 One-to-many-Überwachung während des Trainings und dem One-to-one-Head schließen, der die endgültigen Vorhersagen erzeugt — und verringert diese Genauigkeitslücke bei YOLO26n/s von 0.9/0.8 mAP auf nur 0.4 mAP bei YOLO27n/s, sodass der bereitgestellte One-to-one-Head nahezu die gesamte Trainingsgenauigkeit beibehält. Der Zweig wird nur während des Trainings verwendet und für Inferenz und Export entfernt, sodass beim Bereitstellen keine zusätzlichen Kosten anfallen.

• Abfragebasierte Detektion ohne NMS Die größeren Modelle ersetzen die dichte Vorhersage durch einen Transformer- Decoder, der eine feste Anzahl von Objektabfragen verfeinert und die endgültigen Detektionen direkt ausgibt — eine Nachverarbeitung durch Non-Maximum Suppression ist nicht erforderlich. YOLO27m kombiniert diesen Decoder mit dem bewährten Convolutional Backbone im Stil von YOLO26, während YOLO27l denselben FPN/PAN-Neck beibehält und stattdessen ein UltraViT-Backbone verwendet, das in seiner tiefsten Stufe Self-Attention nutzt, um 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-Größe unverändert mit den anderen funktioniert.

Welches YOLO27-Modell sollte ich verwenden?#

Die folgenden Empfehlungen helfen dir bei der Wahl eines Modells, sobald YOLO27 veröffentlicht ist. Verwende für aktuelle Projekte YOLO26.

• YOLO27n / YOLO27s — Edge-Geräte, Drohnen und Echtzeitvideo: die schnellsten Modelle der Familie mit verbesserter Erkennung kleiner Objekte dank des Designs mit zwei Maßstäben. Informationen zur gerätespezifischen Bereitstellung findest du für NVIDIA Jetson und Raspberry Pi.
• YOLO27m — der optimale Kompromiss zwischen Genauigkeit und Geschwindigkeit auf GPUs: verbessert die Genauigkeit von YOLO26m bei vergleichbarer Latenz und ist damit die Standardwahl für die produktive GPU-Bereitstellung.
• YOLO27l — für Anwendungen mit besonders hohen Genauigkeitsanforderungen: das erste Ultralytics-Modell mit mehr als 60 mAP auf COCO; es erreicht 61.2 mAP bei einer größeren Eingabegröße und bleibt dabei auf der GPU echtzeitfähig.

Zum Vergleich mit anderen Familien findest du alle Ultralytics-Modelle. Um den Kompromiss zwischen Genauigkeit und Geschwindigkeit auf deiner eigenen Hardware statt auf unserer zu messen, verwende den Benchmark-Modus.

Unterstützte Aufgaben und Modi#

Die folgende Tabelle gibt einen Überblick über die geplante Unterstützung von Aufgaben und Modi für die vier YOLO27-Modellgrößen. Häkchen kennzeichnen die für die Veröffentlichung vorgesehene Unterstützung, nicht die derzeitige öffentliche Verfügbarkeit; alle aufgeführten Modelldateien sind noch nicht veröffentlicht.

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

Leistungskennzahlen#

Die Detektionsgenauigkeit wird auf dem COCO-Validierungsdatensatz angegeben. Erläuterungen zu mAP, Precision und Recall findest du unter YOLO-Leistungskennzahlen. Die Inferenzgeschwindigkeit wird auf einer NVIDIA RTX PRO 6000 (TensorRT 11, FP16) für die GPU und einem AMD EPYC 9655 (ONNX Runtime, FP32) für die CPU gemessen. Nach der Veröffentlichung lassen sich die Genauigkeitswerte mit yolo val model=yolo27n.pt data=coco.yaml reproduzieren.

Die Werte für Params und FLOPs beziehen sich auf das fusionierte Modell nach dem Falten von Conv/BatchNorm und dem Entfernen des nicht verwendeten Erkennungszweigs. Für die Erkennung werden bei den Geschwindigkeitsmessungen der NMS-freie Kopf mit nms=False ausgewählt; die Genauigkeit von N/S hängt vom ausgewählten Kopf ab. Vortrainierte Checkpoints behalten die vollständige Trainingsarchitektur bei und können höhere Werte aufweisen.

Anwendungsbeispiele#

Dieser Abschnitt enthält einfache Beispiele für das Training und die Inferenz mit YOLO27. Die vollständige Dokumentation zu diesen und anderen Modi findest du auf den Dokumentationsseiten zu Predict, Train, Val und Export. Hinweise zu benutzerdefinierten Datensätzen findest du unter Tipps für optimale Trainingsergebnisse und im Leitfaden zur Hyperparameteroptimierung.

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#