Ultralytics YOLO27#

Descripción general#

Ultralytics YOLO27 es una familia de modelos de visión en tiempo real cuyos modelos de detección usan dos diseños complementarios: una arquitectura CNN simplificada para los modelos compactos N y S, y una arquitectura basada en consultas y sin NMS para los modelos M y L, de mayor tamaño. Ambos diseños se implementan con la misma interfaz. Los modelos de detección N y S usan de forma predeterminada la cabeza de detección uno a muchos con NMS; usa nms=False para seleccionar su cabeza sin NMS.

YOLO27 es la próxima familia de modelos de la serie Ultralytics YOLO y sucede a YOLO26. Está disponible en cuatro tamaños —N, S, M y L— y admite detección de objetos, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación, estimación de pose y detección de objetos orientados. La división en dos diseños se aplica a la detección; las demás tareas usan la arquitectura CNN.

En sus cuatro escalas de detección, YOLO27 alcanza 42.6-60.5 mAP en COCO con una latencia de 0.44-1.86 ms en una NVIDIA RTX PRO 6000; con YOLO27l llega hasta 61.4 mAP con una entrada mayor de 800 píxeles. YOLO27l es el primer modelo de Ultralytics que supera los 60 mAP en COCO, mientras que YOLO27n/s mejora la precisión de YOLO26n/s con prácticamente la misma velocidad.

from ultralytics import YOLO

model = YOLO("yolo27n.pt")  # carga un modelo YOLO27n preentrenado
results = model("path/to/bus.jpg")  # ejecuta la inferencia

Características principales#

• Detección a dos escalas Los detectores estándar predicen objetos en tres mapas de características: fino, medio y grueso. YOLO27 N y S descartan el mapa medio y predicen solo en un mapa fino (para objetos pequeños) y otro grueso (para objetos grandes), con un escalado fijo de las características fusionadas que mantiene equilibradas ambas escalas. Esto elimina gran parte del cálculo de la cabeza de detección, lo que acelera los modelos sin restar fiabilidad al entrenamiento frente al diseño completo de tres escalas.

• Mejor detección de objetos pequeños Se amplía la primera etapa de características, de alta resolución, para capturar más detalles precisos. Combinada con el mapa de predicción fina que se conserva, mejora la localización y la regresión de objetos pequeños, la categoría más difícil para los modelos compactos.

• Supervisión de alineación del primer plano Durante el entrenamiento, una rama ligera adicional aprende a distinguir entre «objeto» y «fondo» en cada ubicación. Está diseñada para cerrar la brecha entre la supervisión más densa de uno a muchos utilizada durante el entrenamiento y la cabeza de uno a uno que genera las predicciones finales: reduce esa diferencia de precisión de 0,9/0,8 mAP en YOLO26n/s a solo 0,4 mAP en YOLO27n/s, de modo que la cabeza de uno a uno desplegada conserva casi toda la precisión obtenida durante el entrenamiento. La rama solo se utiliza durante el entrenamiento y se elimina para la inferencia y la exportación, por lo que no tiene ningún coste en el despliegue.

• Detección basada en consultas sin NMS Los modelos más grandes sustituyen la predicción densa por un decodificador Transformer que refina un conjunto fijo de consultas de objetos y genera directamente las detecciones finales, sin necesidad de posprocesamiento de supresión no máxima. YOLO27m combina este decodificador con la probada arquitectura troncal convolucional de estilo YOLO26, mientras que YOLO27l conserva la misma capa intermedia FPN/PAN y la sustituye por una arquitectura troncal UltraViT que utiliza autoatención en su etapa más profunda para capturar el contexto global.

• Una interfaz sencilla Ambas arquitecturas se utilizan mediante la misma interfaz de Python YOLO. La canalización adecuada de entrenamiento, validación, predicción y exportación se selecciona automáticamente en función del modelo, por lo que el código escrito para una escala de YOLO27 funciona sin cambios con las demás.

¿Qué YOLO27 debería usar?#

Las siguientes recomendaciones sirven para elegir un modelo cuando se lance YOLO27. Para los proyectos actuales, utiliza YOLO26.

• YOLO27n / YOLO27s — dispositivos periféricos, drones y vídeo en tiempo real: los modelos más rápidos de la familia, con una mejor detección de objetos pequeños gracias al diseño de doble escala. Consulta NVIDIA Jetson y Raspberry Pi para obtener información sobre el despliegue específico en cada dispositivo.
• YOLO27m — el equilibrio ideal entre precisión y velocidad en GPU: mejora la precisión de YOLO26m con una latencia comparable, por lo que es la opción predeterminada para el despliegue en GPU en producción.
• YOLO27l — para aplicaciones donde la precisión es fundamental: el primer modelo de Ultralytics que supera los 60 mAP en COCO, con 61.4 mAP con un tamaño de entrada mayor y manteniendo la velocidad en tiempo real en GPU.

Para comparar con otras familias, consulta todos los modelos de Ultralytics. Para medir el equilibrio entre precisión y velocidad en tu propio hardware y no en el nuestro, consulta el modo Benchmark.

Tareas y modos compatibles#

La siguiente tabla ofrece un anticipo de la compatibilidad prevista con tareas y modos en las cuatro escalas del modelo YOLO27. Las marcas de verificación indican la compatibilidad prevista para el lanzamiento, no la disponibilidad pública actual; ninguno de los archivos de modelo enumerados se ha publicado todavía.

Los modelos YOLO27 Detect, Segment, Pose y OBB también funcionan con el modo Track, que se ejecuta sobre predict para realizar el seguimiento de varios objetos a lo largo de los fotogramas de vídeo.

Métricas de rendimiento#

La precisión de detección se mide en el conjunto de validación de COCO. Consulta Métricas de rendimiento de YOLO para ver explicaciones de mAP, precisión y exhaustividad. Para evaluar la precisión más allá de COCO, consulta Ultralytics Benchmark, que mide el mAP50-95 macro en 37 conjuntos de datos de detección del mundo real de ámbitos como la imagen médica, la teledetección, la industria y el comercio minorista. La velocidad de inferencia se mide en una NVIDIA RTX PRO 6000 (TensorRT 11, FP16) para GPU y en un AMD EPYC 9655 (ONNX Runtime, FP32) para CPU. Tras el lanzamiento, puedes reproducir las cifras de precisión con yolo val model=yolo27n.pt data=coco.yaml.

Los valores de parámetros y FLOPs corresponden al modelo fusionado tras plegar Conv/BatchNorm y eliminar la rama de detección no utilizada. Para la detección, las mediciones de velocidad seleccionan la cabeza sin NMS con nms=False; la precisión de N/S depende de la cabeza seleccionada. Los puntos de control preentrenados conservan toda la arquitectura de entrenamiento y pueden mostrar recuentos más altos.

Ejemplos de uso#

Esta sección ofrece ejemplos sencillos de entrenamiento e inferencia con YOLO27. Para consultar la documentación completa sobre estos y otros modos, consulta las páginas de documentación de Predicción, Entrenamiento, Validación y Exportación. Para trabajar con conjuntos de datos personalizados, consulta Consejos para obtener los mejores resultados de entrenamiento y la Guía de ajuste de hiperparámetros.

Ten en cuenta que el ejemplo siguiente es para modelos YOLO27 de detección de objetos. Para consultar otras tareas compatibles, echa un vistazo a la documentación de Segmentación y Clasificación.

from ultralytics import YOLO

# Carga un modelo YOLO27n preentrenado con COCO
model = YOLO("yolo27n.pt")

# Ejecuta la inferencia con el modelo YOLO27n en la imagen «bus.jpg»
results = model("path/to/bus.jpg")

# Entrena el modelo durante 100 épocas con el conjunto de datos de ejemplo COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Preguntas frecuentes#