Ultralytics YOLO27#

Panoramica#

Ultralytics YOLO27 è una famiglia di modelli di visione in tempo reale i cui modelli di rilevamento adottano due architetture complementari: un’architettura CNN semplificata per i modelli compatti N e S e un’architettura basata su query e senza NMS per i modelli più grandi M e L. Entrambe le architetture vengono distribuite tramite la stessa interfaccia. Per impostazione predefinita, i modelli di rilevamento N e S usano la testa one-to-many con NMS; usa nms=False per selezionare la testa senza NMS.

YOLO27 è la prossima famiglia di modelli della serie Ultralytics YOLO e succede a YOLO26. È disponibile in quattro dimensioni — N, S, M e L — e supporta il rilevamento di oggetti, la segmentazione delle istanze, la segmentazione semantica, la stima della profondità, la classificazione, la stima della posa e il rilevamento di oggetti orientati. La distinzione tra le due architetture riguarda il rilevamento; per tutte le altre attività si usa l’architettura CNN.

Sulle sue quattro scale di rilevamento, YOLO27 raggiunge 42.3-60.4 mAP su COCO con una latenza di 0.62-2.32 ms su NVIDIA RTX PRO 6000 — e arriva fino a 61.2 mAP con YOLO27l usando un input più grande da 800 pixel. YOLO27l è il primo modello Ultralytics a superare 60 mAP su COCO, mentre YOLO27n/s, più compatti, migliorano la precisione di YOLO26n/s mantenendo una velocità pressoché identica.

from ultralytics import YOLO

model = YOLO("yolo27n.pt")  # carica un modello YOLO27n pretrained
results = model("path/to/bus.jpg")  # esegui l’inferenza

Funzionalità principali#

• Rilevamento a doppia scala I rilevatori standard individuano gli oggetti su tre mappe di caratteristiche: fine, media e grossolana. YOLO27 N e S eliminano la mappa media e fanno previsioni solo su una mappa fine (per gli oggetti piccoli) e una grossolana (per gli oggetti grandi), mantenendo bilanciate le due scale grazie a un ridimensionamento fisso delle caratteristiche fuse. In questo modo si riduce notevolmente il calcolo della testa di rilevamento e i modelli sono più veloci, pur mantenendo un addestramento affidabile quanto quello dell’architettura completa a tre scale.

• Rilevamento più efficace degli oggetti piccoli La fase iniziale delle caratteristiche ad alta risoluzione viene ampliata per acquisire dettagli più fini. In combinazione con la mappa di previsione fine mantenuta, questo migliora la localizzazione e la regressione degli oggetti piccoli, la categoria più difficile per i modelli compatti.

• Supervisione per l’allineamento dello sfondo Durante l’addestramento, un ramo leggero aggiuntivo impara a distinguere "oggetto" da "sfondo" in ogni posizione. È progettato per colmare il divario tra la supervisione one-to-many più densa usata durante l’addestramento e la testa one-to-one che produce le previsioni finali: il divario di precisione passa da 0.9/0.8 mAP per YOLO26n/s a soli 0.4 mAP per YOLO27n/s, così la testa one-to-one distribuita mantiene quasi tutta la precisione raggiunta durante l’addestramento. Il ramo viene usato solo durante l’addestramento e viene rimosso per l’inferenza e l’esportazione, quindi non comporta costi in fase di distribuzione.

• Rilevamento basato su query senza NMS I modelli più grandi sostituiscono la previsione densa con un decoder transformer che affina un insieme fisso di query sugli oggetti e restituisce direttamente i rilevamenti finali, senza necessità di post-elaborazione con soppressione dei non massimi. YOLO27m abbina questo decoder alla collaudata rete backbone convoluzionale in stile YOLO26, mentre YOLO27l mantiene lo stesso collo FPN/PAN e adotta una rete backbone UltraViT che usa l’attenzione di sé nel suo stadio più profondo per acquisire il contesto globale.

• Un’unica interfaccia semplice Entrambe le architetture si usano tramite la stessa interfaccia Python YOLO. La pipeline appropriata per addestramento, convalida, previsione ed esportazione viene selezionata automaticamente in base al modello, quindi il codice scritto per una scala YOLO27 funziona senza modifiche anche con le altre.

Quale YOLO27 dovrei usare?#

Le indicazioni seguenti servono a scegliere un modello una volta rilasciato YOLO27. Per i progetti attuali, usa YOLO26.

• YOLO27n / YOLO27s — dispositivi edge, droni e video in tempo reale: i modelli più veloci della famiglia, con un rilevamento degli oggetti piccoli migliorato grazie all’architettura a doppia scala. Consulta le informazioni su NVIDIA Jetson e Raspberry Pi per la distribuzione specifica per dispositivo.
• YOLO27m — il miglior compromesso tra precisione e velocità su GPU: migliora la precisione di YOLO26m con una latenza comparabile, diventando la scelta predefinita per la distribuzione su GPU in produzione.
• YOLO27l — applicazioni in cui la precisione è fondamentale: il primo modello Ultralytics a superare 60 mAP su COCO, raggiungendo 61.2 mAP con una dimensione di input maggiore e mantenendo la velocità necessaria per l’elaborazione in tempo reale su GPU.

Per un confronto con altre famiglie, consulta tutti i modelli Ultralytics. Per misurare il compromesso tra precisione e velocità sul tuo hardware, anziché sul nostro, consulta la modalità Benchmark.

Attività e modalità supportate#

La tabella seguente presenta in anteprima il supporto previsto per attività e modalità nelle quattro scale dei modelli YOLO27. I segni di spunta indicano il supporto previsto al momento del rilascio, non la disponibilità pubblica attuale; tutti i file dei modelli elencati non sono ancora stati rilasciati.

I modelli YOLO27 Detect, Segment, Pose e OBB funzionano anche con la modalità Track, che si basa su predict per eseguire il tracciamento di più oggetti tra i fotogrammi video.

Metriche di prestazione#

La precisione del rilevamento viene misurata sul set di convalida COCO. Consulta Metriche di prestazione di YOLO per le spiegazioni di mAP, precisione e richiamo. La velocità di inferenza viene misurata su una NVIDIA RTX PRO 6000 (TensorRT 11, FP16) per la GPU e su un AMD EPYC 9655 (ONNX Runtime, FP32) per la CPU. Dopo il rilascio, i valori di precisione possono essere riprodotti con yolo val model=yolo27n.pt data=coco.yaml.

I valori di Params e FLOPs si riferiscono al modello fuso dopo la fusione di Conv/BatchNorm e la rimozione del ramo di rilevamento inutilizzato. Per il rilevamento, le misurazioni della velocità selezionano la head senza NMS con nms=False; la precisione di N/S dipende dalla head selezionata. I checkpoint preaddestrati mantengono l'architettura completa di addestramento e possono mostrare valori più elevati.

Esempi di utilizzo#

Questa sezione presenta semplici esempi di addestramento e inferenza con YOLO27. Per la documentazione completa su queste e altre modalità, consulta le pagine della documentazione Predict, Train, Val ed Export. Per i dataset personalizzati, consulta Suggerimenti per ottenere i migliori risultati di addestramento e la Guida alla regolazione degli iperparametri.

Nota che l'esempio seguente riguarda i modelli YOLO27 Detect per il rilevamento di oggetti. Per altre attività supportate, consulta la documentazione di Segment e Classify.

from ultralytics import YOLO

# Carica un modello YOLO27n preaddestrato su COCO
model = YOLO("yolo27n.pt")

# Esegui l'inferenza con il modello YOLO27n sull'immagine 'bus.jpg'
results = model("path/to/bus.jpg")

# Addestra il modello sul dataset di esempio COCO8 per 100 epoche
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Domande frequenti#