Ultralytics YOLO27#

개요#

Ultralytics YOLO27은 실시간 비전 모델 패밀리로, 탐지 모델에 컴팩트한 N 및 S 모델을 위한 간소화된 CNN 아키텍처와 더 큰 M 및 L 모델을 위한 쿼리 기반의 비최대 억제(NMS) 없는 아키텍처라는 두 가지 상호 보완적인 디자인을 적용합니다. 두 디자인 모두 엔드투엔드(end-to-end) 방식이며 동일한 인터페이스를 통해 배포됩니다.

YOLO27은 Ultralytics YOLO 시리즈의 차기 모델 패밀리이며 YOLO26의 후속 모델입니다. N, S, M, L의 4가지 크기로 제공되며 객체 탐지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, 지향성 객체 탐지를 지원합니다. 이 두 가지 디자인 분할은 객체 탐지에만 적용되며, 다른 모든 작업은 CNN 아키텍처를 사용합니다.

4가지 탐지 스케일에 걸쳐 YOLO27은 NVIDIA RTX PRO 6000에서 0.62-2.32ms의 지연 시간으로 COCO에서 42.3-60.4 mAP를 달성하며, 더 큰 800픽셀 입력 크기의 YOLO27l을 사용할 경우 최대 61.2 mAP를 기록합니다. YOLO27l은 Ultralytics 모델 최초로 COCO에서 60 mAP를 돌파한 모델이며, 컴팩트한 YOLO27n/s는 거의 동일한 속도에서 YOLO26n/s의 정확도를 향상시킵니다.

from ultralytics import YOLO

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

주요 기능#

• 이중 스케일 탐지 표준 탐지기는 미세, 중간, 조의 세 가지 피처 맵에서 객체를 예측합니다. YOLO27 N 및 S는 중간 피처 맵을 생략하고 미세 맵(작은 객체용)과 조 맵(큰 객체용)에서만 예측을 수행하며, 융합된 피처에 고정 스케일을 적용하여 두 스케일의 균형을 유지합니다. 이를 통해 탐지 헤드 연산의 상당 부분을 제거하여 완전한 삼중 스케일 디자인만큼 안정적으로 학습하면서도 모델의 속도를 더 빠르게 만듭니다.

• 더 강력한 소형 객체 탐지 초기 고해상도 피처 단계가 확장되어 더 세밀한 디테일을 캡처할 수 있습니다. 유지된 미세 예측 맵과 결합되어, 컴팩트 모델에게 가장 어려운 카테고리인 소형 객체의 지역화 및 회귀 성능이 향상됩니다.

• 전경 정렬 감독 학습 과정에서 추가적인 경량 분기가 모든 위치에서 "객체"와 "배경"을 구분하는 방법을 학습합니다. 이는 학습 중에 사용되는 밀집된 일대다 감독과 최종 예측을 생성하는 일대일 헤드 사이의 격차를 좁히도록 설계되었습니다. 이를 통해 YOLO26n/s의 0.9/0.8 mAP였던 정확도 격차를 YOLO27n/s에서는 단 0.4 mAP로 줄여 배포된 일대일 헤드가 학습 시간 정확도를 거의 온전히 유지하도록 합니다. 이 분기는 학습 중에만 사용되며 추론 및 내보내기 시에는 제거되므로 배포 시 비용이 발생하지 않습니다.

• NMS 없는 쿼리 기반 탐지 더 큰 모델들은 밀집 예측을 고정된 수의 객체 쿼리를 정제하고 최종 탐지 결과를 직접 출력하는 트랜스포머 디코더로 대체하며, 비최대 억제 후처리 과정이 필요하지 않습니다. YOLO27m은 이 디코더를 검증된 YOLO26 스타일의 컨볼루션 백본과 결합하고, YOLO27l은 동일한 FPN/PAN 넥을 유지하면서 가장 깊은 단계에서 셀프 어텐션을 사용하여 전역 컨텍스트를 캡처하는 UltraViT 백본으로 교체합니다.

• 간단한 하나의 인터페이스 두 아키텍처 모두 동일한 YOLO Python 인터페이스를 통해 사용됩니다. 모델에 따라 올바른 학습, 검증, 예측, 내보내기 파이프라인이 자동으로 선택되므로 하나의 YOLO27 스케일용으로 작성된 코드는 다른 스케일에서도 수정 없이 작동합니다.

어떤 YOLO27을 사용해야 할까요?#

다음 안내는 YOLO27이 출시된 후 모델을 선택할 때 적용됩니다. 현재 진행 중인 프로젝트에는 YOLO26을 사용하세요.

• YOLO27n / YOLO27s — 엣지 디바이스, 드론, 실시간 비디오: 이중 스케일 디자인으로 소형 객체 탐지 성능이 향상된 패밀리 내 최고 속도 모델입니다. 디바이스별 배포에 대해서는 NVIDIA Jetson 및 Raspberry Pi를 참조하세요.
• YOLO27m — GPU에서의 정확도-속도 최적점: 동일한 지연 시간에서 YOLO26m 대비 3.2 mAP 향상되어 프로덕션 GPU 배포의 기본 선택지가 됩니다.
• YOLO27l — 정확도가 중요한 애플리케이션: COCO에서 60 mAP를 넘어선 최초의 Ultralytics 모델로, 더 큰 입력 크기에서 61.2 mAP에 도달하면서도 GPU에서 실시간 성능을 유지합니다.

다른 패밀리와 비교하려면 모든 Ultralytics 모델을 참조하세요. 당사의 하드웨어가 아닌 사용자의 하드웨어에서 정확도와 속도의 절충안을 측정하려면 벤치마크 모드를 참조하세요.

지원되는 태스크 및 모드#

다음 표는 4가지 YOLO27 모델 스케일에 걸쳐 계획된 작업 및 모드 지원을 미리 보여줍니다. 체크 표시는 현재 공개된 가용성이 아니라 출시 시 지원될 예정인 항목을 나타내며, 나열된 모든 모델 파일은 미출시 상태입니다.

YOLO27 탐지(Detect), 분할(Segment), 포즈(Pose) 및 지향성 객체 탐지(OBB) 모델은 비디오 프레임 전체에서 다중 객체 추적을 위해 predict 상위에서 실행되는 트랙 모드(Track mode)에서도 작동합니다.

성능 지표#

탐지 정확도는 COCO 검증 세트를 기준으로 보고됩니다. mAP, 정밀도, 재현율에 대한 설명은 YOLO 성능 지표를 참조하세요. 추론 속도는 GPU의 경우 NVIDIA RTX PRO 6000(TensorRT 11, FP16)에서, CPU의 경우 AMD EPYC 9655(ONNX Runtime, FP32)에서 측정되었습니다. 출시 후 정확도 수치는 yolo val model=yolo27n.pt data=coco.yaml을 사용하여 재현할 수 있습니다.

파라미터 및 FLOPs 값은 Conv/BatchNorm 폴딩과 미사용 탐지 브랜치 제거 후 융합된 모델 기준입니다. 속도 측정은 nms=False을 사용하여 NMS 프리 헤드를 선택합니다. 사전 훈련된 체크포인트는 전체 훈련 아키텍처를 유지하므로 더 높은 수치를 나타낼 수 있습니다.

사용 예시#

이 섹션에서는 간단한 YOLO27 학습 및 추론 예시를 제공합니다. 이 모드 및 기타 모드에 대한 전체 문서는 예측(Predict), 학습(Train), 검증(Val) 및 내보내기(Export) 문서 페이지를 참조하세요. 커스텀 데이터셋의 경우 최적의 학습 결과를 위한 팁 및 하이퍼파라미터 튜닝 가이드를 참조하세요.

아래 예시는 객체 탐지를 위한 YOLO27 탐지(Detect) 모델을 위한 것입니다. 추가로 지원되는 작업은 분할(Segment) 및 분류(Classify) 문서를 참조하세요.

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)

현재는 이 문서 미리보기만 제공됩니다. YOLO27 모델 가중치, 설정, 구현 코드는 아직 출시되지 않았습니다. 모델이 사용 가능해지면 이 페이지에 출시 안내가 추가될 것입니다.

FAQ#