Ultralytics YOLO27#

概要#

Ultralytics YOLO27 はリアルタイムビジョンモデルのファミリーであり、その検出モデルは2つの補完的な設計を採用しています。コンパクトな N および S モデル向けには効率的な CNN アーキテクチャ、より大型の M および L モデル向けにはクエリベースで NMS 不要のアーキテクチャを採用しています。どちらの設計もエンドツーエンドであり、同一のインターフェースを通じてデプロイされます。

YOLO27 は Ultralytics YOLO シリーズの次期モデルファミリーであり、YOLO26 の後継です。N、S、M、L の4つのサイズで提供され、object detection、instance segmentation、semantic segmentation、depth estimation、classification、pose estimation、および oriented object detection をサポートします。2つの設計の分割はオブジェクト検出に適用され、その他のすべてのタスクでは CNN アーキテクチャを使用します。

4つの検出スケール全体において、YOLO27 は NVIDIA RTX PRO 6000 上で 0.62〜2.32 ms のレイテンシで COCO の mAP 42.3〜60.4 を達成し、YOLO27l では 800 ピクセルの大型入力で 最大 61.2 mAP を達成します。YOLO27l は Ultralytics モデルとして初めて COCO で 60 mAP を突破 したモデルであり、一方コンパクトな YOLO27n/s は、ほぼ同等の速度で YOLO26n/s の精度を向上させています。

from ultralytics import YOLO

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

主な特徴#

• デュアルスケール検出 標準的な検出器は、高解像度、中解像度、低解像度の3つの特徴マップでオブジェクトを予測します。YOLO27 N および S では中解像度のマップを廃止し、高解像度マップ（小オブジェクト用）と低解像度マップ（大オブジェクト用）のみで予測を行い、統合された特徴に対して固定のスケーリングを適用して2つのスケールをバランスさせます。これにより、検出ヘッドの計算処理の大部分が削減され、フル3スケール設計と同等の信頼性を維持しつつモデルの高速化が図られています。

• 小オブジェクト検出の強化 初期の高解像度特徴ステージが拡張され、より詳細なディテールをキャプチャできるようになりました。残された高解像度予測マップとの組み合わせにより、コンパクトモデルにとって最も困難なカテゴリである小オブジェクトのローカリゼーションと回帰が改善されます。

• フォアグラウンド整合性監督 トレーニング中、追加の軽量ブランチがすべての位置で「オブジェクト」と「背景」を識別することを学習します。これは、トレーニング中に使用される高密度な1対多の監督と、最終的な予測を生成する1対1のヘッドとの間のギャップを埋めるように設計されており、YOLO26n/s で 0.9/0.8 mAP あった精度ギャップを YOLO27n/s ではわずか 0.4 mAP にまで削減します。これにより、デプロイされた1対1のヘッドはトレーニング時の精度をほぼ完全に維持します。このブランチはトレーニング時のみに使用され、推論およびエクスポート時には削除されるため、デプロイ時のコストはゼロになります。

• NMS を使用しないクエリベースの検出 大型モデルでは、高密度予測が、固定された一連のオブジェクトクエリをリファインして最終的な検出結果を直接出力する transformer デコーダーに置き換えられており、non-maximum suppression の後処理は不要です。YOLO27m はこのデコーダーを実績のある YOLO26 スタイルの畳み込みバックボーンと組み合わせ、一方 YOLO27l は同一の FPN/PAN ネックを維持しながら、最も深いステージで自己注意機構を使用してグローバルコンテキストをキャプチャする UltraViT バックボーンに切り替えています。

• 1つのシンプルなインターフェース どちらのアーキテクチャも、同じ YOLO Python interface を介して使用されます。トレーニング、検証、予測、およびエクスポートの適切なパイプラインがモデルから自動的に選択されるため、1つの YOLO27 スケール向けに記述されたコードは他のスケールでも変更なしで動作します。

どの YOLO27 を使用すべきか？#

以下のガイダンスは、YOLO27 のリリース後にモデルを選択するためのものです。現在のプロジェクトでは、YOLO26 を使用してください。

• YOLO27n / YOLO27s — エッジデバイス、ドローン、リアルタイムビデオ: ファミリーの中で最も高速なモデルであり、デュアルスケール設計により小オブジェクト検出が向上しています。デバイス固有のデプロイについては、NVIDIA Jetson および Raspberry Pi を参照してください。
• YOLO27m — GPU 上での精度と速度の最適バランス: 同じレイテンシで YOLO26m から 3.2 mAP 向上しており、本番環境での GPU deployment のデフォルトの選択肢となります。
• YOLO27l — 精度が重視されるアプリケーション: COCO で 60 mAP を超えた最初の Ultralytics モデルであり、より大きな入力サイズで 61.2 mAP に到達しつつ、GPU 上でリアルタイム動作を維持します。

他のファミリーとの比較については、all Ultralytics models を参照してください。私たちのものではなく、ご自身のハードウェアで精度と速度のトレードオフを測定するには、Benchmark mode を参照してください。

サポートされるタスクとモード#

次の表は、YOLO27 の4つのモデルスケールにおける、計画されているタスクおよびモードのサポート状況のプレビューです。チェックマークは、現在の一般公開を示すものではなく、リリース時のサポート予定を示しています。リストされているすべてのモデルファイルは未リリースです。

YOLO27 の Detect、Segment、Pose、および OBB モデルは、ビデオフレーム全体にわたるマルチオブジェクト追跡のために predict の上で実行される Track mode でも機能します。

性能指標#

検出精度は COCO 検証セットで報告されています。mAP、適合率、再現率の説明については、YOLO Performance Metrics を参照してください。推論速度は、GPU の場合は NVIDIA RTX PRO 6000（TensorRT 11、FP16）、CPU の場合は AMD EPYC 9655（ONNX Runtime、FP32）で測定されています。リリース後、精度数値は yolo val model=yolo27n.pt data=coco.yaml を使用して再現できます。

パラメータ数とFLOPsの値は、Conv/BatchNormの畳み込みおよび未使用の検出ブランチの削除後における、融合済みモデルのものです。速度測定では、nms=Falseを指定したNMSフリーヘッドを選択しています。事前学習済みチェックポイントは完全な学習アーキテクチャを保持しており、より高い数値を測る場合があります。

使用例#

このセクションでは、YOLO27 のトレーニングと推論の簡単な例を示します。これらおよびその他の modes に関する詳細なドキュメントについては、Predict、Train、Val、および Export のドキュメントページを参照してください。カスタムデータセットについては、Tips for Best Training Results および Hyperparameter Tuning Guide を参照してください。

以下の例は、object detection 用の YOLO27 Detect モデルに関するものであることに注意してください。サポートされているその他のタスクについては、Segment および Classify のドキュメントを参照してください。

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)

現在利用可能なのはこのドキュメントのプレビューのみです。YOLO27 のモデルの重み、設定、および実装コードは未リリースのままです。モデルが利用可能になったときに、このページにリリース手順が追加されます。

FAQ#