Ultralytics YOLO27#

Visão geral#

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 e sem NMS para os modelos maiores M e L. Ambos os designs são de ponta a ponta e são implementados através da mesma interface.

O YOLO27 é a próxima família de modelos na série Ultralytics YOLO, sucedendo ao YOLO26. Está disponível em quatro tamanhos — N, S, M e L — e suporta deteção de objetos, segmentação de instâncias, segmentação semântica, estimação de profundidade, classificação, estimação de poses e deteção de objetos orientados. A divisão de dois designs aplica-se à deteção; todas as outras tarefas usam a arquitetura CNN.

Nas suas quatro escalas de deteção, o YOLO27 atinge 42,3-60,4 mAP no COCO com uma latência de 0,62-2,32 ms numa NVIDIA RTX PRO 6000 — e até 61,2 mAP com o YOLO27l a uma entrada maior de 800 pixéis. O YOLO27l é o primeiro modelo Ultralytics a ultrapassar 60 mAP no COCO, enquanto os modelos compactos YOLO27n/s melhoram a precisão do YOLO27n/s (nota: YOLO26n/s) essencialmente à mesma velocidade.

from ultralytics import YOLO

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

Principais funcionalidades#

• Deteção de escala dupla Os detetores padrão preveem objetos em três mapas de caraterísticas — fino, médio e grosso. O YOLO27 N e S removem o mapa médio e preveem apenas num mapa fino (para objetos pequenos) e num mapa grosso (para objetos grandes), com um dimensionamento fixo nas caraterísticas fundidas para manter as duas escalas equilibradas. Isto remove uma grande parte da computação da cabeça de deteção, tornando os modelos mais rápidos enquanto treinam de forma tão fiável quanto o design completo de três escalas.

• Deteção mais forte de objetos pequenos O estágio de caraterísticas inicial e de alta resolução é alargado para que possa capturar mais detalhes granulares. Combinado com o mapa de predição fino sobrevivente, isto melhora a localização e a regressão para objetos pequenos — a categoria mais difícil para modelos compactos.

• Supervisão de alinhamento de primeiro plano Durante o treino, um ramo leve extra aprende a distinguir "objeto" de "fundo" em cada localização. Foi concebido para fechar a lacuna entre a supervisão mais densa de um para muitos usada durante o treino e a cabeça de um para um que produz as previsões finais — reduzindo essa lacuna de precisão de 0,9/0,8 mAP no YOLO26n/s para apenas 0,4 mAP no YOLO27n/s, de modo que a cabeça de um para um implementada mantém quase toda a precisão do tempo de treino. O ramo é usado apenas durante o treino e é removido para inferência e exportação, pelo que não custa nada na implementação.

• Deteção baseada em consultas sem NMS Os modelos maiores substituem a predição densa por um descodificador transformer que refina um conjunto fixo de consultas de objetos e produz diretamente as deteções finais — sem necessidade de pós-processamento de supressão não máxima. O YOLO27m emparelha este descodificador com o comprovado tronco convolucional estilo YOLO26, enquanto o YOLO27l mantém a mesma estrutura FPN/PAN e troca por um tronco UltraViT que usa autoatenção no seu estágio mais profundo para capturar o contexto global.

• Uma interface simples Ambas as arquiteturas são usadas através da mesma YOLO interface Python. O pipeline correto de treino, validação, predição e exportação é selecionado automaticamente a partir do modelo, pelo que o código escrito para uma escala do YOLO27 funciona sem alterações para as outras.

Qual YOLO27 Devo Usar?#

A seguinte orientação destina-se a escolher um modelo assim que o YOLO27 for lançado. Para projetos atuais, usa o YOLO26.

• YOLO27n / YOLO27s — dispositivos de ponta, drones e vídeo em tempo real: os modelos mais rápidos da família, com deteção melhorada de objetos pequenos a partir do design de escala dupla. Consulta NVIDIA Jetson e Raspberry Pi para a implementação específica do dispositivo.
• YOLO27m — o ponto ideal de precisão-velocidade em GPUs: melhora o YOLO26m em 3,2 mAP à mesma latência, tornando-o a escolha predefinida para a implementação em GPU de produção.
• YOLO27l — aplicações críticas para a precisão: o primeiro modelo Ultralytics acima de 60 mAP no COCO, atingindo 61,2 mAP a um tamanho de entrada maior, enquanto permanece em tempo real em GPU.

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

Tarefas e modos suportados#

A tabela seguinte antecipa o suporte planeado de tarefas e modos nas quatro escalas do modelo YOLO27. As marcas de verificação indicam o suporte pretendido no lançamento, não a disponibilidade pública atual; todos os ficheiros de modelo listados não foram lançados.

Os modelos YOLO27 Detect, Segment, Pose e OBB também funcionam com o modo Track, que é executado em cima da predição para rastreio de múltiplos objetos em fotogramas de vídeo.

Métricas de desempenho#

A precisão da deteção é reportada no conjunto de validação do COCO. Consulta Métricas de Desempenho do YOLO para explicações sobre mAP, precisão e revocação. A velocidade de inferência é medida numa NVIDIA RTX PRO 6000 (TensorRT 11, FP16) para GPU e num AMD EPYC 9655 (ONNX Runtime, FP32) para CPU. Após o lançamento, os números de precisão podem ser reproduzidos com yolo val model=yolo27n.pt data=coco.yaml.

Os valores de parâmetros e FLOPs são para o modelo fundido após a dobra de Conv/BatchNorm e a remoção do ramo de deteção não utilizado. As medições de velocidade selecionam a cabeça sem NMS com nms=False. Os pontos de controlo pré-treinados retêm a arquitetura de treino completa e podem mostrar contagens mais altas.

Exemplos de utilização#

Esta seção fornece exemplos simples de treino e inferência do YOLO27. Para a documentação completa sobre estes e outros modos, consulta as páginas de documentação de Predict, Train, Val e Export. Para conjuntos de dados personalizados, consulta as Dicas para Melhores Resultados de Treino e o Guia de Ajuste de Hiperparâmetros.

Nota que o exemplo abaixo é para modelos Detect do YOLO27 para deteção de objetos. Para tarefas adicionais suportadas, consulta a documentação de Segment e Classify.

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)

Apenas esta pré-visualização da documentação está disponível de momento. Os pesos dos modelos, as configurações e o código de implementação do YOLO27 continuam por lançar. As instruções de lançamento serão adicionadas a esta página quando os modelos ficarem disponíveis.

Perguntas frequentes#