Ultralytics YOLO27

Visão geral#

O Ultralytics YOLO27 é uma família de modelos de visão em tempo real cujos modelos de deteção usam dois designs complementares: uma arquitetura CNN simplificada para os modelos compactos N e S e uma arquitetura baseada em consultas, sem NMS, para os modelos maiores M e L. Ambos os designs são implementados através da mesma interface. Os modelos de deteção N e S usam por predefinição a cabeça one-to-many com NMS; usa nms=False para selecionar a cabeça sem NMS.

YOLO27 é a próxima família de modelos da série Ultralytics YOLO, sucedendo o YOLO26. Está disponível em quatro tamanhos — N, S, M e L — e oferece suporte a detecção de objetos, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose e detecção de objetos orientados. A divisão em dois projetos se aplica à detecção, à segmentação de instâncias e à estimativa de pose. A segmentação semântica, a estimativa de profundidade, a classificação e a detecção de objetos orientados usam a arquitetura CNN.

Nas suas quatro escalas de detecção, YOLO27 alcança 42.6-60.5 mAP no COCO com latência de 0.44-1.86 ms em uma NVIDIA RTX PRO 6000 — e até 61.4 mAP com YOLO27l em uma entrada maior, de 800 pixels. YOLO27l é o primeiro modelo da Ultralytics a superar 60 mAP no COCO, enquanto os modelos compactos YOLO27n/s superam a precisão de YOLO26n/s praticamente com a mesma velocidade.

from ultralytics import YOLO

model = YOLO("yolo27n.pt")  # carrega um modelo YOLO27n pré-treinado
results = model("path/to/bus.jpg")  # executa a inferência

Principais funcionalidades#

• Detecção em duas escalas Detectores padrão preveem objetos em três mapas de características — fino, médio e grosso. YOLO27 N e S descartam o mapa médio e fazem previsões apenas em um mapa fino (para objetos pequenos) e um mapa grosso (para objetos grandes), com uma escala fixa nas características combinadas que mantém as duas escalas equilibradas. Isso elimina uma parte substancial dos cálculos da cabeça de detecção, tornando os modelos mais rápidos e mantendo a confiabilidade do treinamento do design completo de três escalas.

• Detecção aprimorada de objetos pequenos O estágio inicial de alta resolução é ampliado para capturar mais detalhes refinados. Combinado com o mapa de predição fina preservado, isso melhora a localização e a regressão de objetos pequenos — a categoria mais difícil para modelos compactos.

• Supervisão de alinhamento do primeiro plano Durante o treinamento, um ramo leve adicional aprende a distinguir "objeto" de "plano de fundo" em cada localização. Ele foi projetado para reduzir a diferença entre a supervisão mais densa de muitos para um usada durante o treinamento e a cabeça de um para um que gera as predições finais — reduzindo essa diferença de precisão de 0.9/0.8 mAP no YOLO26n/s para apenas 0.4 mAP no YOLO27n/s, para que a cabeça de um para um implantada mantenha quase toda a precisão obtida durante o treinamento. O ramo é usado apenas durante o treinamento e é removido na inferência e na exportação, portanto não tem custo na implantação.

• Detecção baseada em consultas sem NMS Os modelos maiores substituem a predição densa por um decodificador transformer que refina um conjunto fixo de consultas de objetos e gera diretamente as detecções finais — sem necessidade de pós-processamento com supressão não máxima. YOLO27m e YOLO27l combinam esse decodificador com um backbone UltraViT que usa autoatenção no estágio mais profundo para capturar o contexto global, seguido por um pescoço FPN/PAN.

• Uma interface simples Ambas as arquiteturas são usadas pela mesma interface Python YOLO. O pipeline adequado de treinamento, validação, predição e exportação é selecionado automaticamente com base no modelo, então o código escrito para uma escala do YOLO27 funciona sem alterações nas demais.

Qual YOLO27 devo usar?#

As orientações a seguir servem para escolher um modelo quando o YOLO27 for lançado. Para projetos atuais, usa o YOLO26.

• YOLO27n / YOLO27s — dispositivos de borda, drones e vídeo em tempo real: os modelos mais rápidos da família, com detecção aprimorada de objetos pequenos graças ao design de escala dupla. Consulta NVIDIA Jetson e Raspberry Pi para ver as opções de implantação específicas de cada dispositivo.
• YOLO27m — o equilíbrio ideal entre precisão e velocidade em GPUs: supera a precisão do YOLO26m com latência comparável, sendo a opção padrão para implantação em GPU em produção.
• YOLO27l — aplicações em que a precisão é essencial: o primeiro modelo da Ultralytics acima de 60 mAP no COCO, alcançando 61.4 mAP com um tamanho de entrada maior e mantendo o desempenho em tempo real na GPU.

Para comparar com outras famílias, consulta todos os modelos da Ultralytics. Para medir o equilíbrio entre precisão e velocidade no teu próprio hardware, em vez de no nosso, consulta o modo Benchmark.

Tarefas e modos compatíveis#

A tabela a seguir apresenta uma prévia da compatibilidade planejada com tarefas e modos nas quatro escalas de modelos YOLO27. As marcas de seleção indicam a compatibilidade prevista no lançamento, não a disponibilidade pública atual; todos os arquivos de modelo listados ainda não foram lançados.

Os modelos YOLO27 Detect, Segment, Pose e OBB também funcionam com o modo Track, que é executado sobre o modo predict para rastrear vários objetos entre quadros de vídeo.

Métricas de desempenho#

A precisão da detecção é informada no conjunto de validação COCO. Consulte Métricas de desempenho do YOLO para ver explicações sobre mAP, precisão e revocação. Para avaliar a precisão além do COCO, consulte o Benchmark da Ultralytics, que mede o mAP_50-95 macro em 37 conjuntos de dados de detecção do mundo real, abrangendo imagens médicas, sensoriamento remoto, aplicações industriais, varejo e muito mais. A velocidade de inferência é medida em uma NVIDIA RTX PRO 6000 (TensorRT 11, FP16) para GPU e em um AMD EPYC 9655 (ONNX Runtime, FP32) para CPU. Após o lançamento, os valores de precisão podem ser reproduzidos com yolo val model=yolo27n.pt data=coco.yaml imgsz=640 nms=False save_json=True. As tabelas de detecção, segmentação de instâncias e pose usam o cabeçote sem NMS e a avaliação COCO. A validação de pose N/S usa lotes retangulares (rect=True).

Os valores de Params e FLOPs são referentes ao modelo fundido após a fusão de Conv/BatchNorm e a remoção do ramo de detecção não utilizado. As medições de detecção, segmentação de instâncias e pose selecionam o cabeçote sem NMS com nms=False; a precisão de N/S depende do cabeçote selecionado. Os FLOPs incluem multiplicações de matrizes de atenção do decodificador. Os checkpoints pré-treinados mantêm a arquitetura completa de treinamento e podem apresentar contagens maiores.

Exemplos de uso#

Esta seção apresenta exemplos simples de treinamento e inferência com YOLO27. Para conjuntos de dados personalizados, consulte as dicas para obter os melhores resultados de treinamento e o guia de ajuste de hiperparâmetros.

O exemplo abaixo é para modelos YOLO27 Detect de detecção de objetos.

from ultralytics import YOLO

# Carrega um modelo YOLO27n pré-treinado no COCO
model = YOLO("yolo27n.pt")

# Executa a inferência com o modelo YOLO27n na imagem 'bus.jpg'
results = model("path/to/bus.jpg")

# Treina o modelo no conjunto de dados de exemplo COCO8 durante 100 épocas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Perguntas frequentes#