Ultralytics YOLO27

개요#

Ultralytics YOLO27은 실시간 비전 모델 제품군으로, 감지 모델에 두 가지 상호 보완적인 설계를 사용합니다. 소형 N 및 S 모델에는 간소화된 CNN 아키텍처를, 대형 M 및 L 모델에는 쿼리 기반의 NMS-free 아키텍처를 적용합니다. 두 설계 모두 동일한 인터페이스로 배포할 수 있습니다. N 및 S 감지 모델은 기본적으로 NMS를 사용하는 one-to-many 헤드를 사용하며, NMS-free 헤드를 선택하려면 nms=False을 사용하세요.

YOLO27은 Ultralytics YOLO 시리즈의 출시 예정 모델 제품군으로, YOLO26의 후속 모델입니다. N, S, M, L의 네 가지 크기로 제공되며 객체 탐지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 자세 추정 및 방향성 객체 탐지를 지원합니다. 탐지, 인스턴스 분할 및 자세 추정에는 두 가지 설계가 적용됩니다. 시맨틱 분할, 깊이 추정, 분류 및 방향성 객체 탐지에는 CNN 아키텍처가 사용됩니다.

YOLO27은 네 가지 탐지 규모에서 NVIDIA RTX PRO 6000에서 0.44~1.86ms의 지연 시간으로 COCO에서 42.6~60.5 mAP를 달성하며, 더 큰 800픽셀 입력에서는 YOLO27l이 최대 61.4 mAP를 기록합니다. YOLO27l은 COCO에서 60 mAP를 넘은 최초의 Ultralytics 모델이며, 소형 YOLO27n/s는 거의 동일한 속도를 유지하면서 YOLO26n/s보다 정확도가 향상되었습니다.

from ultralytics import YOLO

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

주요 기능#

• 이중 스케일 감지 표준 감지기는 미세, 중간 및 거친 세 가지 특징 맵에서 객체를 예측합니다. YOLO27 N 및 S는 중간 맵을 제외하고 미세 맵(작은 객체용)과 거친 맵(큰 객체용)에서만 예측하며, 융합된 특징에 고정 스케일링을 적용해 두 스케일의 균형을 유지합니다. 이렇게 하면 감지 헤드 계산량을 상당 부분 줄일 수 있어, 세 스케일 설계와 동일한 학습 안정성을 유지하면서 모델을 더 빠르게 실행할 수 있습니다.

• 향상된 소형 객체 감지 초기 고해상도 특징 단계의 폭을 넓혀 더욱 세밀한 정보를 포착할 수 있습니다. 살아남은 세밀한 예측 맵과 결합하면 소형 모델에서 가장 어려운 범주인 소형 객체의 위치 지정과 회귀 성능이 향상됩니다.

• 전경 정렬 감독 학습 중에는 경량 브랜치가 추가되어 각 위치에서 "객체"와 "배경"을 구분하는 방법을 학습합니다. 이 브랜치는 학습 중 사용되는 고밀도 일대다 감독과 최종 예측을 생성하는 일대일 헤드 간의 격차를 줄이도록 설계되었습니다. 이에 따라 정확도 격차가 YOLO26n/s의 0.9/0.8 mAP에서 0.4 mAP로 줄어들어, 배포된 일대일 헤드가 학습 시 정확도를 거의 그대로 유지합니다. 이 브랜치는 학습 중에만 사용되고 추론 및 내보내기 시 제거되므로 배포 비용은 발생하지 않습니다.

• NMS가 필요 없는 쿼리 기반 탐지 대형 모델은 밀집 예측을 트랜스포머 디코더로 대체합니다. 이 디코더는 고정된 객체 쿼리 집합을 정제하고 최종 탐지 결과를 직접 출력하므로 비최대 억제 후처리가 필요하지 않습니다. YOLO27m과 YOLO27l은 가장 깊은 단계에서 셀프 어텐션을 사용해 전역 문맥을 포착하는 UltraViT 백본과 이 디코더를 결합하고, 그 뒤에 FPN/PAN 넥을 배치합니다.

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

어떤 YOLO27을 사용해야 할까요?#

다음 안내는 YOLO27 출시 후 모델을 선택할 때 참고할 내용입니다. 현재 진행 중인 프로젝트에는 YOLO26을 사용하세요.

• YOLO27n / YOLO27s — 엣지 디바이스, 드론, 실시간 비디오에 적합합니다. 듀얼 스케일 설계로 소형 객체 감지 성능을 개선했으며, 제품군에서 가장 빠른 모델입니다. 디바이스별 배포 방법은 NVIDIA Jetson 및 Raspberry Pi를 참조하세요.
• YOLO27m — GPU에서 정확도와 속도의 균형이 가장 적절한 모델입니다. 비슷한 지연 시간에서 YOLO26m보다 정확도가 높아 프로덕션 GPU 배포의 기본 선택지로 적합합니다.
• YOLO27l — 정확도가 중요한 애플리케이션에 적합합니다. COCO에서 60 mAP를 넘은 최초의 Ultralytics 모델로, 더 큰 입력 크기에서 61.4 mAP를 달성하면서 GPU에서 실시간 성능을 유지합니다.

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

지원 작업 및 모드#

다음 표는 네 가지 YOLO27 모델 스케일에서 계획된 작업 및 모드 지원을 미리 보여줍니다. 체크 표시는 출시 시 지원할 예정임을 나타내며, 현재 공개적으로 제공된다는 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 실행되어 비디오 프레임 전반에서 다중 객체를 추적합니다.

성능 지표#

탐지 정확도는 COCO 검증 세트에서 보고됩니다. mAP, 정밀도 및 재현율에 대한 설명은 YOLO 성능 지표를 참조하세요. COCO 외의 정확도는 의료 영상, 원격 감지, 산업, 소매업 등을 아우르는 37개의 실제 탐지 데이터셋에서 매크로 mAP_50-95를 측정하는 Ultralytics 벤치마크를 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.yaml imgsz=640 nms=False save_json=True을 사용해 정확도 수치를 재현할 수 있습니다. 탐지, 인스턴스 분할 및 자세 추정 표는 NMS가 필요 없는 헤드와 COCO 평가를 사용합니다. N/S 자세 추정 검증에는 직사각형 배치(rect=True)를 사용합니다.

매개변수 및 FLOPs 값은 Conv/BatchNorm 폴딩 후 사용되지 않는 탐지 분기를 제거한 융합 모델 기준입니다. 탐지, 인스턴스 분할 및 자세 추정 측정에는 nms=False을 사용해 NMS가 필요 없는 헤드를 선택합니다. N/S 정확도는 선택한 헤드에 따라 달라집니다. FLOPs에는 디코더 어텐션 행렬 곱셈이 포함됩니다. 사전 학습된 체크포인트는 전체 학습 아키텍처를 유지하므로 더 높은 수치를 보일 수 있습니다.

사용 예시#

이 섹션에서는 YOLO27 학습 및 추론의 간단한 예제를 제공합니다. 커스텀 데이터셋은 최상의 학습 결과를 위한 팁과 하이퍼파라미터 튜닝 가이드를 참조하세요.

아래 예제는 YOLO27 Detect 모델을 사용한 객체 감지를 다룹니다.

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 에포크 동안 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

자주 묻는 질문#