Ultralytics YOLO27#

Panoramica#

Ultralytics YOLO27 è una famiglia di modelli di visione in tempo reale i cui modelli di rilevamento utilizzano due progetti complementari: un'architettura CNN snella per i modelli compatti N e S e un'architettura basata su query e priva di NMS per i modelli più grandi M e L. Entrambi i progetti sono end-to-end e vengono distribuiti tramite la stessa interfaccia.

YOLO27 è la prossima famiglia di modelli della serie Ultralytics YOLO, che succede a YOLO26. È disponibile in quattro taglie — N, S, M e L — e supporta object detection, instance segmentation, semantic segmentation, depth estimation, classification, pose estimation e oriented object detection. La suddivisione in due progetti si applica al rilevamento; tutte le altre attività utilizzano l'architettura CNN.

Nelle sue quattro scale di rilevamento, YOLO27 raggiunge 42,3-60,4 mAP su COCO a 0,62-2,32 ms di latenza su NVIDIA RTX PRO 6000 e fino a 61,2 mAP con YOLO27l a un input più ampio di 800 pixel. YOLO27l è il primo modello Ultralytics a superare i 60 mAP su COCO, mentre i compatti YOLO27n/s migliorano la precisione di YOLO26n/s praticamente alla stessa velocità.

from ultralytics import YOLO

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

Funzionalità principali#

• Rilevamento a doppia scala I rilevatori standard prevedono gli oggetti su tre mappe di feature: fine, media e grossolana. YOLO27 N e S eliminano quella media e prevedono solo su una mappa fine (per piccoli oggetti) e una mappa grossolana (per grandi oggetti), con un ridimensionamento fisso sulle feature fuse che mantiene bilanciate le due scale. Ciò rimuove gran parte del calcolo della testa di rilevamento, rendendo i modelli più veloci e consentendo al contempo un addestramento affidabile quanto il design completo a tre scale.

• Rilevamento di piccoli oggetti più forte La fase di feature iniziale e ad alta risoluzione è ampliata in modo da poter catturare dettagli più fini. Combinata con la mappa di predizione fine superstite, questa migliora la localizzazione e la regressione per i piccoli oggetti, la categoria più difficile per i modelli compatti.

• Supervisione dell'allineamento del primo piano 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 più densa da uno a molti utilizzata durante l'addestramento e la testa da uno a uno che produce le previsioni finali, riducendo tale divario di precisione da 0,9/0,8 mAP su YOLO26n/s a solo 0,4 mAP su YOLO27n/s, in modo che la testa da uno a uno distribuita mantenga quasi tutta la precisione del tempo di addestramento. Il ramo viene utilizzato solo durante l'addestramento e viene rimosso per l'inferenza e l'esportazione, quindi non comporta alcun costo al momento della distribuzione.

• Rilevamento basato su query senza NMS I modelli più grandi sostituiscono la predizione densa con un transformer decoder che perfeziona un set fisso di query di oggetti ed emette direttamente i rilevamenti finali, senza bisogno di post-elaborazione di non-maximum suppression. YOLO27m abbina questo decoder al collaudato backbone convoluzionale in stile YOLO26, mentre YOLO27l mantiene lo stesso collo FPN/PAN e inserisce un backbone UltraViT che utilizza l'auto-attenzione nella sua fase più profonda per catturare il contesto globale.

• Un'unica semplice interfaccia Entrambe le architetture vengono utilizzate tramite la stessa YOLO Python interface. La pipeline corretta di training, validation, prediction ed export viene selezionata automaticamente dal modello, in modo che il codice scritto per una scala YOLO27 funzioni senza modifiche per le altre.

Quale YOLO27 dovrei usare?#

La guida seguente serve a scegliere un modello una volta rilasciato YOLO27. Per i progetti odierni, usa YOLO26.

• YOLO27n / YOLO27s — dispositivi edge, droni e video in tempo reale: i modelli più veloci della famiglia, con rilevamento migliorato dei piccoli oggetti grazie al design a doppia scala. Vedi NVIDIA Jetson e Raspberry Pi per la distribuzione specifica del dispositivo.
• YOLO27m — il perfetto equilibrio tra precisione e velocità sulle GPU: migliora YOLO26m di 3,2 mAP alla stessa latenza, rendendolo la scelta predefinita per la GPU deployment in produzione.
• YOLO27l — applicazioni in cui la precisione è critica: il primo modello Ultralytics superiore a 60 mAP su COCO, che raggiunge 61,2 mAP a una dimensione di input maggiore pur rimanendo in tempo reale su GPU.

Per un confronto con altre famiglie, vedi all Ultralytics models. Per misurare il compromesso tra precisione e velocità sul tuo hardware anziché sul nostro, vedi Benchmark mode.

Attività e modalità supportate#

La seguente tabella offre un'anteprima del supporto pianificato per attività e modalità tra le quattro scale dei modelli YOLO27. I segni di spunta indicano il supporto previsto al rilascio, non l'attuale disponibilità pubblica; tutti i file di modello elencati non sono rilasciati.

I modelli YOLO27 Detect, Segment, Pose e OBB funzionano anche con la Track mode, che viene eseguita sopra predict per il tracciamento multi-oggetto tra i fotogrammi video.

Metriche delle prestazioni#

La precisione del rilevamento è riportata sul set di validazione COCO. Vedi YOLO Performance Metrics per le spiegazioni di mAP, precision e recall. La velocità di inferenza è misurata su un NVIDIA RTX PRO 6000 (TensorRT 11, FP16) per GPU e un AMD EPYC 9655 (ONNX Runtime, FP32) per CPU. Dopo il rilascio, i dati di precisione potranno essere riprodotti con yolo val model=yolo27n.pt data=coco.yaml.

I valori di parametri e FLOPs si riferiscono al modello fuso dopo il folding di Conv/BatchNorm e la rimozione del ramo di rilevamento non utilizzato. Le misurazioni della velocità selezionano la testa senza NMS con nms=False. I checkpoint pre-addestrati conservano l'intera architettura di addestramento e potrebbero mostrare conteggi superiori.

Esempi di utilizzo#

Questa sezione fornisce semplici esempi di addestramento e inferenza con YOLO27. Per la documentazione completa su queste e altre modes, consulta le pagine di documentazione Predict, Train, Val ed Export. Per i dataset personalizzati, consulta Tips for Best Training Results e Hyperparameter Tuning Guide.

Nota che l'esempio seguente è per i modelli YOLO27 Detect per object detection. Per ulteriori attività supportate, consulta la documentazione Segment e 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)

Al momento è disponibile solo questa anteprima della documentazione. I pesi dei modelli YOLO27, le configurazioni e il codice di implementazione rimangono inediti. Le istruzioni di rilascio verranno aggiunte a questa pagina quando i modelli saranno disponibili.

FAQ#