Ultralytics YOLO27#

Descripción general#

Ultralytics YOLO27 es una familia de modelos de visión en tiempo real cuyos modelos de detección utilizan dos diseños complementarios: una arquitectura CNN optimizada para los modelos compactos N y S, y una arquitectura basada en consultas y sin NMS para los modelos más grandes M y L. Ambos diseños son de extremo a extremo y se implementan a través de la misma interfaz.

YOLO27 es la próxima familia de modelos de la serie Ultralytics YOLO, que sucede a YOLO26. Se presenta en cuatro tamaños —N, S, M y L— y es compatible con la detección de objetos, la segmentación de instancias, la segmentación semántica, la estimación de profundidad, la clasificación, la estimación de postura y la detección de objetos orientados. La división de dos diseños se aplica a la detección; todas las demás tareas utilizan la arquitectura CNN.

En sus cuatro escalas de detección, YOLO27 alcanza 42.3-60.4 mAP en COCO con una latencia de 0.62-2.32 ms en una NVIDIA RTX PRO 6000, y hasta 61.2 mAP con YOLO27l a una entrada mayor de 800 píxeles. YOLO27l es el primer modelo de Ultralytics en superar los 60 mAP en COCO, mientras que los modelos compactos YOLO27n/s mejoran la precisión de YOLO27n/s a prácticamente la misma velocidad.

from ultralytics import YOLO

model = YOLO("yolo27n.pt")  # load a pretrained YOLO27n model
results = model("path/to/bus.jpg")  # run inference

Características principales#

• Detección a doble escala Los detectores estándar predicen objetos en tres mapas de características: fino, medio y grueso. YOLO27 N y S eliminan el mapa medio y predicen únicamente en un mapa fino (para objetos pequeños) y un mapa grueso (para objetos grandes), con un escalado fijo en las características fusionadas que mantiene ambas escalas equilibradas. Esto elimina una gran parte del cálculo de la cabeza de detección, haciendo que los modelos sean más rápidos a la vez que entrenan con la misma fiabilidad que el diseño completo de tres escalas.

• Detección más sólida de objetos pequeños La etapa de características iniciales de alta resolución se amplía para poder capturar detalles más granulares. Combinada con el mapa de predicción fino restante, esto mejora la localización y la regresión para objetos pequeños, la categoría más difícil para los modelos compactos.

• Supervisión de alineación de primer plano Durante el entrenamiento, una rama ligera adicional aprende a distinguir "objeto" de "fondo" en cada ubicación. Está diseñada para cerrar la brecha entre la supervisión de uno a muchos, más densa, utilizada durante el entrenamiento y la cabeza de uno a uno que produce las predicciones finales, reduciendo esa brecha 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 implementada conserva casi toda la precisión del tiempo de entrenamiento. La rama se utiliza únicamente durante el entrenamiento y se elimina para la inferencia y la exportación, por lo que no cuesta nada en el momento de la implementación.

• Detección basada en consultas sin NMS Los modelos más grandes reemplazan la predicción densa con un decodificador Transformer que refina un conjunto fijo de consultas de objetos y genera directamente las detecciones finales, sin necesidad de posprocesamiento de supresión de no máximos. YOLO27m combina este decodificador con el probado dorso convolucional de estilo YOLO26, mientras que YOLO27l mantiene el mismo cuello FPN/PAN e incorpora un dorso UltraViT que utiliza autoatención en su etapa más profunda para capturar el contexto global.

• One simple interface Both architectures are used through the same YOLO Python interface. The right training, validation, prediction, and export pipeline is selected automatically from the model, so code written for one YOLO27 scale works unchanged for the others.

¿Qué YOLO27 debería usar?#

La siguiente guía es para elegir un modelo una vez que se lance YOLO27. Para proyectos actuales, usa YOLO26.

• YOLO27n / YOLO27s: dispositivos de borde, drones y vídeo en tiempo real; los modelos más rápidos de la familia, con una detección mejorada de objetos pequeños gracias al diseño de doble escala. Consulta NVIDIA Jetson y Raspberry Pi para obtener información sobre la implementación específica en dispositivos.
• YOLO27m: el punto óptimo entre precisión y velocidad en GPU; mejora a YOLO26m en 3.2 mAP con la misma latencia, lo que lo convierte en la opción predeterminada para la implementación en GPU de producción.
• YOLO27l: aplicaciones críticas en cuanto a precisión; el primer modelo de Ultralytics por encima de 60 mAP en COCO, que alcanza 61.2 mAP con un tamaño de entrada mayor mientras se mantiene en tiempo real en GPU.

Para comparar con otras familias, consulta todos los modelos de Ultralytics. Para medir la compensación entre precisión y velocidad en tu propio hardware en lugar del nuestro, consulta el modo Benchmark.

Tareas y modos compatibles#

La siguiente tabla muestra una vista previa de la compatibilidad prevista con tareas y modos en las cuatro escalas del modelo YOLO27. Las marcas de verificación indican la compatibilidad prevista en el lanzamiento, no la disponibilidad pública actual; todos los archivos de modelos enumerados no han sido lanzados.

Los modelos de detección, segmentación, postura y OBB de YOLO27 también funcionan con el modo Track, que se ejecuta sobre el modo de predicción para el seguimiento de múltiples objetos en fotogramas de vídeo.

Métricas de rendimiento#

La precisión de detección se informa en el conjunto de validación de COCO. Consulta las métricas de rendimiento de YOLO para obtener explicaciones sobre mAP, precisión y recuperación. 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. Después del lanzamiento, los números de precisión se pueden reproducir con yolo val model=yolo27n.pt data=coco.yaml.

Los valores de parámetros y FLOPs corresponden al modelo fusionado tras el plegado de Conv/BatchNorm y la eliminación de la rama de detección no utilizada. Las mediciones de velocidad seleccionan la cabeza sin NMS con nms=False. Los puntos de control preentrenados conservan la arquitectura de entrenamiento completa y pueden mostrar recuentos superiores.

Ejemplos de uso#

Esta sección proporciona ejemplos sencillos de entrenamiento e inferencia con YOLO27. Para obtener la documentación completa sobre estos y otros modos, consulta las páginas de documentación de Predict, Train, Val y Export. Para conjuntos de datos personalizados, consulta los consejos para obtener los mejores resultados de entrenamiento y la guía de ajuste de hiperparámetros.

Ten en cuenta que el siguiente ejemplo es para los modelos Detect de YOLO27 para la detección de objetos. Para ver otras tareas compatibles adicionales, consulta la documentación de Segment y Classify.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO27n model
model = YOLO("yolo27n.pt")

# Run inference with the YOLO27n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Actualmente solo está disponible esta vista previa de la documentación. Los pesos de los modelos YOLO27, las configuraciones y el código de implementación siguen sin publicarse. Las instrucciones de lanzamiento se añadirán a esta página cuando los modelos estén disponibles.

Preguntas frecuentes#