Ultralytics YOLO27#

개요#

Ultralytics YOLO27은 실시간 비전 모델 제품군으로, 탐지 모델에는 서로 보완적인 두 가지 설계가 적용됩니다. 소형 N 및 S 모델에는 간소화된 CNN 아키텍처를, 대형 M 및 L 모델에는 쿼리 기반의 NMS 없는 아키텍처를 사용합니다. 두 설계 모두 동일한 인터페이스로 배포할 수 있습니다. N 및 S 탐지 모델은 기본적으로 NMS를 사용하는 one-to-many 헤드를 사용합니다. NMS 없는 헤드를 선택하려면 nms=False을 사용하세요.

YOLO27은 Ultralytics YOLO 시리즈의 차기 모델 제품군으로, YOLO26의 후속 모델입니다. N, S, M, L의 네 가지 크기로 제공되며, 객체 탐지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 추정 및 방향성 객체 탐지를 지원합니다. 두 가지 설계 방식의 구분은 탐지에만 적용되며, 다른 모든 작업에는 CNN 아키텍처를 사용합니다.

YOLO27은 네 가지 탐지 규모 전반에서 COCO 기준 42.3~60.4 mAP를 달성하며, NVIDIA RTX PRO 6000에서 지연 시간은 0.62~2.32ms입니다. 입력 크기를 800픽셀로 늘린 YOLO27l은 최대 61.2 mAP를 달성합니다. YOLO27l은 COCO에서 60 mAP를 넘어선 최초의 Ultralytics 모델이며, 소형 YOLO27n/s는 거의 동일한 속도로 YOLO26n/s보다 정확도가 향상되었습니다.

from ultralytics import YOLO

model = YOLO("yolo27n.pt")  # 사전 학습된 YOLO27n 모델 로드
results = model("path/to/bus.jpg")  # 추론 실행

주요 기능#

• 이중 스케일 탐지 일반적인 탐지기는 세 가지 특징 맵, 즉 세밀한 맵, 중간 맵, 거친 맵에서 객체를 예측합니다. YOLO27 N 및 S는 중간 맵을 제거하고 세밀한 맵(작은 객체용)과 거친 맵(큰 객체용)에서만 예측하며, 융합된 특징에 고정 스케일링을 적용해 두 스케일 간 균형을 유지합니다. 이를 통해 탐지 헤드 연산의 상당 부분을 줄여 모델 속도를 높이면서도, 전체 3단계 스케일 설계만큼 안정적으로 학습합니다.

• 향상된 소형 객체 탐지 초기 고해상도 특징 단계의 폭을 넓혀 더 세밀한 정보를 포착할 수 있도록 합니다. 유지된 세밀한 예측 맵과 결합하면 소형 모델에서 가장 까다로운 범주인 작은 객체의 위치 추정과 회귀 성능이 향상됩니다.

• 전경 정렬 감독 학습 중 추가 경량 분기가 각 위치에서 "객체"와 "배경"을 구분하는 방법을 학습합니다. 이 분기는 학습 중 사용되는 더 조밀한 one-to-many 감독과 최종 예측을 생성하는 one-to-one 헤드 간 격차를 줄이도록 설계되었습니다. 그 결과 정확도 격차가 YOLO26n/s의 0.9/0.8 mAP에서 YOLO27n/s의 0.4 mAP로 줄어들어, 배포된 one-to-one 헤드가 학습 시 정확도를 거의 그대로 유지합니다. 이 분기는 학습 중에만 사용되고 추론 및 내보내기 시 제거되므로 배포 과정의 비용은 발생하지 않습니다.

• NMS 없는 쿼리 기반 탐지 대형 모델은 조밀한 예측 대신 트랜스포머 디코더를 사용해 고정된 객체 쿼리 세트를 정제하고 최종 탐지 결과를 직접 출력하므로 비최대 억제 후처리가 필요하지 않습니다. YOLO27m은 이 디코더를 검증된 YOLO26 스타일의 합성곱 백본과 결합하며, YOLO27l은 동일한 FPN/PAN 넥을 유지하면서 가장 깊은 단계에 셀프 어텐션을 적용해 전역 문맥을 포착하는 UltraViT 백본으로 교체합니다.

• 하나의 간편한 인터페이스 두 아키텍처 모두 동일한 YOLO Python 인터페이스를 통해 사용할 수 있습니다. 모델에 따라 적절한 학습, 검증, 예측 및 내보내기 파이프라인이 자동으로 선택되므로, 하나의 YOLO27 스케일을 대상으로 작성한 코드를 다른 스케일에서도 수정 없이 사용할 수 있습니다.

어떤 YOLO27을 사용해야 할까요?#

다음 안내는 YOLO27 출시 후 모델을 선택할 때 참고하시기 바랍니다. 현재 진행하는 프로젝트에는 YOLO26을 사용하세요.

• YOLO27n / YOLO27s — 엣지 디바이스, 드론 및 실시간 비디오에 적합합니다. 이 제품군에서 가장 빠른 모델이며, 이중 스케일 설계로 소형 객체 탐지 성능이 향상되었습니다. 디바이스별 배포에 대한 자세한 내용은 NVIDIA Jetson 및 Raspberry Pi를 참조하세요.
• YOLO27m — GPU에서 정확도와 속도의 균형이 가장 뛰어난 모델입니다. 비슷한 지연 시간에서 YOLO26m보다 정확도가 향상되어, 프로덕션 GPU 배포를 위한 기본 선택지입니다.
• YOLO27l — 정확도가 중요한 애플리케이션에 적합합니다. COCO에서 60 mAP를 넘어선 최초의 Ultralytics 모델로, 더 큰 입력 크기에서 61.2 mAP를 달성하면서도 GPU에서 실시간으로 동작합니다.

다른 모델 제품군과 비교하려면 전체 Ultralytics 모델을 참조하세요. 당사 하드웨어가 아닌 자체 하드웨어에서 정확도와 속도의 균형을 측정하려면 벤치마크 모드를 참조하세요.

지원 작업 및 모드#

다음 표는 YOLO27의 네 가지 모델 스케일에서 계획된 작업 및 모드 지원을 미리 보여줍니다. 체크 표시는 출시 시 지원 예정임을 의미하며 현재 공개적으로 사용할 수 있다는 뜻은 아닙니다. 나열된 모델 파일은 모두 아직 출시되지 않았습니다.

YOLO27 Detect, Segment, Pose 및 OBB 모델은 Track 모드에서도 사용할 수 있습니다. Track 모드는 predict를 기반으로 비디오 프레임 전반에서 다중 객체 추적을 수행합니다.

성능 지표#

탐지 정확도는 COCO 검증 세트에서 측정합니다. mAP, 정밀도 및 재현율에 대한 설명은 YOLO 성능 지표를 참조하세요. 추론 속도는 GPU의 경우 NVIDIA RTX PRO 6000(TensorRT 11, FP16), CPU의 경우 AMD EPYC 9655(ONNX Runtime, FP32)에서 측정합니다. 출시 후에는 yolo val model=yolo27n.pt data=coco.yaml을 사용해 정확도 수치를 재현할 수 있습니다.

Params와 FLOPs 값은 Conv/BatchNorm 폴딩과 사용되지 않는 탐지 분기를 제거한 후의 융합 모델 기준입니다. 탐지 속도 측정에서는 nms=False을 사용해 NMS가 필요 없는 헤드를 선택하며, N/S 정확도는 선택된 헤드에 따라 달라집니다. 사전 학습된 체크포인트에는 전체 학습 아키텍처가 포함되므로 값이 더 높게 나타날 수 있습니다.

사용 예시#

이 섹션에서는 YOLO27 학습 및 추론에 관한 간단한 예시를 제공합니다. 이 예시와 다른 모드에 관한 전체 문서는 Predict, Train, Val, Export 문서 페이지를 참조하세요. 사용자 지정 데이터셋에 대해서는 최상의 학습 결과를 위한 팁과 하이퍼파라미터 튜닝 가이드를 참조하세요.

아래 예시는 YOLO27 Detect 모델을 사용한 객체 탐지에 관한 것입니다. 추가로 지원되는 작업은 Segment 및 Classify 문서를 참조하세요.

from ultralytics import YOLO

# COCO 사전 학습 YOLO27n 모델 로드
model = YOLO("yolo27n.pt")

# 'bus.jpg' 이미지에서 YOLO27n 모델로 추론 실행
results = model("path/to/bus.jpg")

# COCO8 예제 데이터셋으로 100 epoch 동안 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

자주 묻는 질문#