Ultralytics YOLO27#

Présentation#

Ultralytics YOLO27 est une famille de modèles de vision en temps réel dont les modèles de détection utilisent deux architectures complémentaires : une architecture CNN rationalisée pour les modèles compacts N et S, et une architecture sans NMS fondée sur des requêtes pour les modèles plus grands M et L. Les deux architectures se déploient via la même interface. Par défaut, les modèles de détection N et S utilisent une tête one-to-many avec NMS ; utilise nms=False pour sélectionner leur tête sans NMS.

YOLO27 est la prochaine famille de modèles de la série Ultralytics YOLO, après YOLO26. Elle comprend quatre formats — N, S, M et L — et prend en charge la détection d’objets, la segmentation d’instances, la segmentation sémantique, l’estimation de la profondeur, la classification, l’estimation de pose et la détection d’objets orientés. Les deux architectures s’appliquent à la détection ; toutes les autres tâches utilisent l’architecture CNN.

Sur ses quatre échelles de détection, YOLO27 atteint 42.3-60.4 mAP sur COCO avec une latence de 0.62-2.32 ms sur un NVIDIA RTX PRO 6000 — et jusqu’à 61.2 mAP avec YOLO27l à une résolution d’entrée supérieure de 800 pixels. YOLO27l est le premier modèle Ultralytics à dépasser 60 mAP sur COCO, tandis que les modèles compacts YOLO27n/s améliorent la précision de YOLO26n/s à une vitesse pratiquement identique.

from ultralytics import YOLO

model = YOLO("yolo27n.pt")  # charger un modèle YOLO27n préentraîné
results = model("path/to/bus.jpg")  # lancer l’inférence

Fonctionnalités clés#

• Détection à deux échelles Les détecteurs standard prédisent les objets sur trois cartes de caractéristiques — fine, moyenne et grossière. YOLO27 N et S éliminent la carte moyenne et effectuent les prédictions uniquement sur une carte fine (pour les petits objets) et une carte grossière (pour les grands objets), avec une mise à l’échelle fixe des caractéristiques fusionnées qui équilibre les deux échelles. Cela élimine une grande partie du calcul de la tête de détection, ce qui accélère les modèles tout en conservant un entraînement aussi fiable que celui de l’architecture complète à trois échelles.

• Détection améliorée des petits objets La première étape de caractéristiques, à haute résolution, est élargie afin de capturer davantage de détails fins. Associée à la carte de prédiction fine conservée, cette modification améliore la localisation et la régression pour les petits objets — la catégorie la plus difficile pour les modèles compacts.

• Supervision de l'alignement de l'avant-plan Pendant l'entraînement, une branche légère supplémentaire apprend à distinguer les « objets » de l'« arrière-plan » à chaque emplacement. Elle est conçue pour réduire l'écart entre la supervision plus dense many-to-one utilisée pendant l'entraînement et la tête one-to-one qui produit les prédictions finales — ramenant cet écart de précision de 0.9/0.8 mAP pour YOLO26n/s à seulement 0.4 mAP pour YOLO27n/s, afin que la tête one-to-one déployée conserve presque toute la précision obtenue pendant l'entraînement. Cette branche est utilisée uniquement pendant l'entraînement et est supprimée pour l'inférence et l'exportation : elle n'entraîne donc aucun coût au déploiement.

• Détection par requêtes sans NMS Les modèles plus grands remplacent la prédiction dense par un décodeur Transformer qui affine un ensemble fixe de requêtes d'objets et produit directement les détections finales — sans post-traitement par suppression non maximale. YOLO27m associe ce décodeur au backbone convolutionnel éprouvé de type YOLO26, tandis que YOLO27l conserve le même neck FPN/PAN et adopte un backbone UltraViT qui utilise l'auto-attention dans son étape la plus profonde pour capturer le contexte global.

• Une interface simple Les deux architectures s'utilisent avec la même interface Python YOLO. Le pipeline d'entraînement, de validation, de prédiction et d'exportation approprié est sélectionné automatiquement en fonction du modèle, de sorte que le code écrit pour une échelle YOLO27 fonctionne sans modification avec les autres.

Quel YOLO27 choisir ?#

Les recommandations suivantes t'aideront à choisir un modèle une fois YOLO27 sorti. Pour tes projets actuels, utilise YOLO26.

• YOLO27n / YOLO27s — appareils Edge, drones et vidéo en temps réel : les modèles les plus rapides de la famille, avec une détection améliorée des petits objets grâce à l'architecture à double échelle. Consulte NVIDIA Jetson et Raspberry Pi pour le déploiement adapté à chaque appareil.
• YOLO27m — le meilleur compromis précision-vitesse sur GPU : sa précision dépasse celle de YOLO26m pour une latence comparable, ce qui en fait le choix par défaut pour le déploiement sur GPU en production.
• YOLO27l — applications où la précision est essentielle : le premier modèle Ultralytics à dépasser 60 mAP sur COCO, avec 61.2 mAP à une résolution d'entrée supérieure, tout en restant en temps réel sur GPU.

Pour comparer avec d'autres familles, consulte tous les modèles Ultralytics. Pour mesurer le compromis précision-vitesse sur ton matériel plutôt que sur le nôtre, consulte le mode Benchmark.

Tâches et modes pris en charge#

Le tableau suivant présente la prise en charge prévue des tâches et des modes pour les quatre échelles de modèles YOLO27. Les coches indiquent la prise en charge prévue à la sortie, et non la disponibilité publique actuelle ; tous les fichiers de modèles répertoriés ne sont pas encore publiés.

Les modèles YOLO27 Detect, Segment, Pose et OBB fonctionnent aussi avec le mode Track, qui s'exécute par-dessus predict pour le suivi multi-objets d'une image vidéo à l'autre.

Indicateurs de performance#

La précision de détection est évaluée sur l'ensemble de validation COCO. Consulte Indicateurs de performance YOLO pour en savoir plus sur mAP, la précision et le rappel. La vitesse d'inférence est mesurée sur un NVIDIA RTX PRO 6000 (TensorRT 11, FP16) pour le GPU et sur un AMD EPYC 9655 (ONNX Runtime, FP32) pour le CPU. Après la sortie, tu pourras reproduire les chiffres de précision avec yolo val model=yolo27n.pt data=coco.yaml.

Les valeurs Params et FLOPs concernent le modèle fusionné après le pliage Conv/BatchNorm et la suppression de la branche de détection inutilisée. Pour la détection, les mesures de vitesse sélectionnent la tête sans NMS avec nms=False ; la précision de N/S dépend de la tête sélectionnée. Les points de contrôle préentraînés conservent l'architecture d'entraînement complète et peuvent afficher des valeurs plus élevées.

Exemples d'utilisation#

Cette section présente des exemples simples d'entraînement et d'inférence avec YOLO27. Pour consulter la documentation complète sur ces modes et les autres modes, consulte les pages de documentation Predict, Train, Val et Export. Pour les jeux de données personnalisés, consulte les Conseils pour obtenir les meilleurs résultats d'entraînement et le Guide de réglage des hyperparamètres.

Note que l'exemple ci-dessous concerne les modèles YOLO27 Detect pour la détection d'objets. Pour découvrir les autres tâches prises en charge, consulte la documentation Segment et Classify.

from ultralytics import YOLO

# Charger un modèle YOLO27n préentraîné sur COCO
model = YOLO("yolo27n.pt")

# Effectuer une inférence avec le modèle YOLO27n sur l'image 'bus.jpg'
results = model("path/to/bus.jpg")

# Entraîner le modèle sur le jeu de données d'exemple COCO8 pendant 100 époques
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

FAQ#