Ultralytics YOLO27#

Panoramica#

Ultralytics YOLO27 è una famiglia di modelli di visione in tempo reale i cui modelli di rilevamento utilizzano due architetture complementari: un'architettura CNN snella per i modelli compatti N e S e un'architettura basata su query, senza NMS, per i modelli più grandi M e L. Entrambe le architetture si distribuiscono 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 loro testa senza NMS.

YOLO27 è la prossima famiglia di modelli della serie Ultralytics YOLO, dopo YOLO26. È disponibile in quattro dimensioni — N, S, M e L — e supporta il rilevamento degli 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; tutte le altre attività usano l'architettura CNN.

Sulle sue quattro scale di rilevamento, YOLO27 raggiunge 42.6-60.5 mAP su COCO con una latenza di 0.44-1.86 ms su NVIDIA RTX PRO 6000 — e arriva fino a 61.4 mAP con YOLO27l usando un input più grande da 800 pixel. YOLO27l è il primo modello Ultralytics a superare 60 mAP su COCO, mentre i modelli compatti YOLO27n/s migliorano la precisione di YOLO26n/s mantenendo una velocità pressoché identica.

from ultralytics import YOLO

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

Funzionalità principali#

• Rilevamento a due scale I rilevatori standard prevedono gli oggetti su tre mappe di caratteristiche: fine, media e grossolana. YOLO27 N e S eliminano quella media e prevedono gli oggetti solo su una mappa fine (per gli oggetti piccoli) e una grossolana (per gli oggetti grandi); un fattore di scala fisso applicato alle caratteristiche fuse mantiene bilanciate le due scale. In questo modo si riduce notevolmente il calcolo della testa di rilevamento, rendendo i modelli più veloci e mantenendo un'affidabilità di addestramento paragonabile a quella dell'architettura completa a tre scale.

• Rilevamento migliorato degli oggetti piccoli Lo stadio iniziale delle feature ad alta risoluzione viene ampliato per acquisire dettagli più fini. In combinazione con la mappa di predizione fine mantenuta, questo migliora la localizzazione e la regressione degli oggetti piccoli, la categoria più difficile per i modelli compatti.

• Supervisione di 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 più densa uno-a-molti usata durante l'addestramento e la testa uno-a-uno che genera le predizioni finali, riducendo il divario di accuratezza da 0.9/0.8 mAP su YOLO26n/s a soli 0.4 mAP su YOLO27n/s, così la testa uno-a-uno distribuita mantiene quasi tutta l'accuratezza ottenuta durante l'addestramento. Il ramo viene usato solo durante l'addestramento e viene rimosso per l'inferenza e l'esportazione, quindi non comporta alcun costo in fase di distribuzione.

• Rilevamento basato su query senza NMS I modelli più grandi sostituiscono la predizione densa con un decoder Transformer che perfeziona un insieme fisso di query di oggetti e genera direttamente i rilevamenti finali, senza bisogno di post-elaborazione con soppressione dei non massimi. YOLO27m abbina questo decoder al collaudato backbone convoluzionale in stile YOLO26, mentre YOLO27l mantiene lo stesso neck FPN/PAN e adotta un backbone UltraViT che usa la self-attention nello 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 corretta per l'addestramento, la validazione, la predizione e l'esportazione viene selezionata automaticamente in base al modello, così il codice scritto per una scala YOLO27 funziona senza modifiche anche con le altre.

Quale YOLO27 dovrei usare?#

Le seguenti indicazioni 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 migliorato degli oggetti piccoli grazie al design a doppia scala. Consulta NVIDIA Jetson e Raspberry Pi per la distribuzione specifica sui dispositivi.
• YOLO27m — il giusto equilibrio tra accuratezza e velocità su GPU: migliora l'accuratezza di YOLO26m con una latenza comparabile, diventando la scelta predefinita per la distribuzione su GPU in produzione.
• YOLO27l — per applicazioni in cui la precisione è fondamentale: il primo modello Ultralytics a superare 60 mAP su COCO, raggiungendo 61.4 mAP con una dimensione di input maggiore e mantenendo prestazioni in tempo reale su GPU.

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

Attività e modalità supportate#

La tabella seguente mostra in anteprima il supporto previsto per attività e modalità nelle quattro scale del modello YOLO27. I segni di spunta indicano il supporto previsto al 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 il tracciamento di più oggetti nei fotogrammi video.

Metriche di prestazione#

La precisione di rilevamento è riportata sul set di validazione COCO. Consulta Metriche delle prestazioni YOLO per spiegazioni di mAP, precisione e richiamo. Per valutare la precisione oltre COCO, consulta Ultralytics Benchmark, che misura la macro mAP50-95 su 37 dataset di rilevamento del mondo reale in ambiti quali imaging medico, telerilevamento, industria, vendita al dettaglio e altri. La velocità di inferenza è misurata su NVIDIA RTX PRO 6000 (TensorRT 11, FP16) per GPU e su AMD EPYC 9655 (ONNX Runtime, FP32) per CPU. Dopo il rilascio, puoi riprodurre i risultati di precisione con yolo val model=yolo27n.pt data=coco.yaml.

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

Esempi d'uso#

Questa sezione fornisce semplici esempi di training 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 training e la Guida alla regolazione degli iperparametri.

Nota che l'esempio seguente riguarda i modelli YOLO27 Detect per il rilevamento 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#