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 차기 모델 제품군으로, YOLO26의 후속 제품입니다. N, S, M, L의 네 가지 크기로 제공되며 객체 감지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 자세 추정, 방향성 객체 감지를 지원합니다. 두 가지 설계의 구분은 감지 작업에 적용되며, 그 외 모든 작업은 CNN 아키텍처를 사용합니다.

YOLO27은 네 가지 감지 규모에서 COCO 기준 42.3~60.4 mAP를 달성하며, NVIDIA RTX PRO 6000에서 지연 시간은 0.62~2.32ms입니다. 입력 크기를 800픽셀로 높이면 YOLO27l은 최대 61.2 mAP를 달성합니다. YOLO27l은 COCO에서 60 mAP를 넘은 최초의 Ultralytics 모델이며, 소형 YOLO27n/s는 거의 동일한 속도로 YOLO26n/s보다 높은 정확도를 제공합니다.

from ultralytics import YOLO

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

주요 기능#

• 이중 규모 감지 일반적인 감지기는 세 가지 피처 맵, 즉 세밀한 맵, 중간 맵, 거친 맵에서 객체를 예측합니다. YOLO27 N 및 S는 중간 맵을 제외하고 작은 객체를 위한 세밀한 맵과 큰 객체를 위한 거친 맵에서만 예측합니다. 융합된 피처에 고정 스케일링을 적용하여 두 규모의 균형을 유지합니다. 이를 통해 감지 헤드의 연산량을 크게 줄여, 전체 세 가지 규모 설계와 동일한 학습 안정성을 유지하면서 모델 속도를 높입니다.

• 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.

• NMS 없는 쿼리 기반 감지 대형 모델은 고밀도 예측을 transformer 디코더로 대체합니다. 디코더는 고정된 객체 쿼리 집합을 정제하고 최종 감지 결과를 직접 출력하므로 비최대 억제 후처리가 필요하지 않습니다. YOLO27m은 이 디코더를 검증된 YOLO26 방식의 컨볼루션 백본과 결합하며, YOLO27l은 동일한 FPN/PAN 넥을 유지하면서 가장 깊은 단계에 셀프 어텐션을 적용해 전역 컨텍스트를 포착하는 UltraViT 백본을 사용합니다.

• 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 넘는 최초의 Ultralytics 모델로, 더 큰 입력 크기에서 61.2 mAP를 달성하면서 GPU에서 실시간 속도를 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 추적 모드에서도 사용할 수 있습니다. 추적 모드는 predict를 기반으로 실행되어 비디오 프레임 전반에서 다중 객체 추적을 수행합니다.

성능 지표#

감지 정확도는 COCO 검증 세트에서 측정합니다. mAP, 정밀도, 재현율에 관한 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.

파라미터 및 FLOPs 값은 Conv/BatchNorm 폴딩 후 사용하지 않는 감지 브랜치를 제거한 융합 모델 기준입니다. 감지 속도 측정에는 nms=False을 사용해 NMS 없는 헤드를 선택합니다. N/S 정확도는 선택한 헤드에 따라 달라집니다. 사전 학습된 체크포인트에는 전체 학습 아키텍처가 유지되므로 더 높은 수치가 표시될 수 있습니다.

사용 예시#

이 섹션에서는 YOLO27 학습 및 추론의 간단한 예제를 제공합니다. 이러한 모드와 다른 모드에 대한 전체 문서는 Predict, Train, Val, Export 문서 페이지를 참조하세요. 사용자 지정 데이터셋에 대해서는 최상의 학습 결과를 위한 팁과 하이퍼파라미터 튜닝 가이드를 참조하세요.

아래 예제는 YOLO27 Detect 모델의 객체 탐지를 위한 것입니다. 지원되는 추가 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 에포크 동안 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

자주 묻는 질문#