Ultralytics YOLO27#

Présentation#

Ultralytics YOLO27 est une famille de modèles de vision en temps réel dont les modèles de détection utilisent deux conceptions complémentaires : une architecture CNN rationalisée pour les modèles compacts N et S, et une architecture basée sur des requêtes et sans NMS pour les modèles plus grands M et L. Les deux conceptions sont de bout en bout et se déploient via la même interface.

YOLO27 est la prochaine famille de modèles de la série Ultralytics YOLO, succédant à YOLO26. Elle se décline en quatre tailles — N, S, M et L — et prend en charge la détection d'objets, la segmentation d'instances, la segmentation sémantique, l'estimation de profondeur, la classification, l'estimation de pose et la détection d'objets orientés. La division en deux conceptions s'applique à la détection ; toutes les autres tâches utilisent l'architecture CNN.

À travers 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 pour une plus grande entrée 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 YOLO27n/s à une vitesse pratiquement identique.

from ultralytics import YOLO

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

Fonctionnalités clés#

• Détection à double échelle Les détecteurs standard prédisent les objets sur trois cartes de caractéristiques — fine, moyenne et grossière. YOLO27 N et S suppriment la carte moyenne et prédisent uniquement sur une carte fine (pour les petits objets) et une carte grossière (pour les grands objets), avec une mise à l'échelle fixe sur les caractéristiques fusionnées maintenant l'équilibre entre les deux échelles. Cela élimine une grande partie du calcul de la tête de détection, rendant les modèles plus rapides tout en s'entraînant de manière aussi fiable que la conception complète à trois échelles.

• Détection renforcée des petits objets L'étape de caractéristiques initiale à haute résolution est élargie pour pouvoir capturer des détails plus fins. Combinée avec la carte de prédiction fine restante, cela améliore la localisation et la régression pour les petits objets — la catégorie la plus difficile pour les modèles compacts.

• Supervision de l'alignement du premier plan Pendant l'entraînement, une branche légère supplémentaire apprend à distinguer l'« objet » de l'« arrière-plan » à chaque emplacement. Elle est conçue pour combler l'écart entre la supervision un-à-plusieurs plus dense utilisée pendant l'entraînement et la tête un-à-un qui produit les prédictions finales — réduisant cet écart de précision de 0,9/0,8 mAP sur YOLO26n/s à seulement 0,4 mAP sur YOLO27n/s, afin que la tête un-à-un déployée conserve presque toute la précision du temps d'entraînement. La branche est utilisée uniquement pendant l'entraînement et est supprimée pour l'inférence et l'exportation, ce qui ne coûte rien au déploiement.

• Détection basée sur des 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 dédictions finales — aucun post-traitement par suppression non maximale n'est nécessaire. YOLO27m associe ce décodeur au backbone convolutionnel éprouvé de style YOLO26, tandis que YOLO27l conserve le même col FPN/PAN et y intègre 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 via la même interface Python YOLO. Le bon pipeline d'entraînement, de validation, de prédiction et d'exportation est sélectionné automatiquement à partir du modèle, de sorte que le code écrit pour une échelle YOLO27 fonctionne sans modification pour les autres.

Quel YOLO27 dois-je utiliser ?#

Les conseils suivants s'appliquent au choix d'un modèle une fois que YOLO27 sera sorti. Pour les projets actuels, utilise YOLO26.

• YOLO27n / YOLO27s — appareils de périphérie, drones et vidéo en temps réel : les modèles les plus rapides de la famille, avec une détection des petits objets améliorée grâce à la conception à double échelle. Consulte NVIDIA Jetson et Raspberry Pi pour un déploiement spécifique à l'appareil.
• YOLO27m — le compromis idéal entre précision et vitesse sur GPU : améliore YOLO26m de 3,2 mAP à la même latence, ce qui en fait le choix par défaut pour le déploiement sur GPU en production.
• YOLO27l — applications exigeantes en matière de précision : le premier modèle Ultralytics dépassant 60 mAP sur COCO, atteignant 61,2 mAP à une taille d'entrée plus grande 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 propre matériel plutôt que sur le nôtre, consulte le mode Benchmark.

Tâches et modes pris en charge#

Le tableau suivant présente un aperçu du support prévu pour les tâches et les modes à travers les quatre échelles de modèles YOLO27. Les cochettes indiquent le support prévu lors de la sortie, et non la disponibilité publique actuelle ; tous les fichiers de modèles répertoriés ne sont pas sortis.

Les modèles YOLO27 de détection, de segmentation, de pose et d'OBB fonctionnent également avec le mode Track, qui s'exécute par-dessus la prédiction pour le suivi multi-objets à travers les images vidéo.

Métriques de performance#

La précision de détection est rapportée sur l'ensemble de validation COCO. Consulte les métriques de performance YOLO pour les explications concernant le 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 un AMD EPYC 9655 (ONNX Runtime, FP32) pour le CPU. Après la sortie, les chiffres de précision pourront être reproduits avec yolo val model=yolo27n.pt data=coco.yaml.

Les valeurs des paramètres et des FLOPs concernent le modèle fusionné après le repliement Conv/BatchNorm et la suppression de la branche de détection inutilisée. Les mesures de vitesse sélectionnent la tête sans NMS avec nms=False. Les points de contrôle pré-entraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Exemples d’utilisation#

Cette section fournit des exemples simples d'entraînement et d'inférence pour YOLO27. Pour une documentation complète sur ces modes et d'autres, consulte les pages de documentation de Predict, Train, Val et Export. Pour les jeux de données personnalisés, consulte les conseils pour de 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 les tâches prises en charge supplémentaires, consulte la documentation de Segment et de 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)

Seul cet aperçu de la documentation est disponible pour le moment. Les poids des modèles YOLO27, les configurations et le code d'implémentation restent inédits. Des instructions de sortie seront ajoutées à cette page lorsque les modèles seront disponibles.

FAQ#