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. Por predefinição, os modelos de deteção N e S usam a cabeça one-to-many com NMS; usa nms=False para selecionar a cabeça sem NMS.

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

Nas suas quatro escalas de deteção, o YOLO27 alcança 42.3-60.4 mAP no COCO com 0.62-2.32 ms de latência numa NVIDIA RTX PRO 6000 — e até 61.2 mAP com o YOLO27l usando uma entrada maior, de 800 píxeis. O YOLO27l é o primeiro modelo Ultralytics a ultrapassar 60 mAP no COCO, enquanto o YOLO27n/s compacto supera a precisão do YOLO26n/s praticamente à mesma velocidade.

from ultralytics import YOLO

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

Principais funcionalidades#

• Deteção em duas escalas Os detetores padrão preveem objetos em três mapas de características — fino, médio e grosseiro. O YOLO27 N e S elimina o mapa médio e prevê apenas num mapa fino (para objetos pequenos) e num mapa grosseiro (para objetos grandes), com uma escala fixa nas características fundidas para manter as duas escalas equilibradas. Isto elimina uma grande parte dos cálculos da cabeça de deteção, tornando os modelos mais rápidos sem comprometer a fiabilidade do treino em comparação com o design completo de três escalas.

• Deteção melhorada de objetos pequenos A etapa inicial de características de alta resolução é alargada para captar mais detalhes. Em conjunto com o mapa de previsão fino que permanece, isto melhora a localização e a regressão de objetos pequenos — a categoria mais difícil para modelos compactos.

• Supervisão de alinhamento do primeiro plano Durante o treino, um ramo leve adicional aprende a distinguir "objeto" de "fundo" em cada localização. Foi concebido para reduzir a diferença entre a supervisão mais densa one-to-many usada durante o treino e a cabeça one-to-one que produz as previsões 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 one-to-one implementada mantenha praticamente toda a precisão obtida durante o treino. O ramo é usado apenas durante o treino e é removido na inferência e na exportação, pelo que não tem qualquer custo na implementação.

• Deteção baseada em consultas sem NMS Os modelos maiores substituem a previsão 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 combina este descodificador com a comprovada base convolucional ao estilo YOLO26, enquanto o YOLO27l mantém o mesmo pescoço FPN/PAN e integra uma base UltraViT, que usa autoatenção na sua etapa mais profunda para captar o contexto global.

• Uma interface simples Ambas as arquiteturas são utilizadas através da mesma interface Python YOLO. O pipeline de treino, validação, previsão e exportação adequado é selecionado automaticamente com base no modelo, pelo que o código escrito para uma escala do YOLO27 funciona sem alterações nas outras.

Que YOLO27 devo usar?#

As recomendações seguintes ajudam a escolher um modelo quando o YOLO27 for lançado. Para projetos atuais, usa o YOLO26.

• YOLO27n / YOLO27s — dispositivos de edge, drones e vídeo em tempo real: os modelos mais rápidos da família, com deteção melhorada de objetos pequenos graças ao design de duas escalas. Consulta NVIDIA Jetson e Raspberry Pi para obter informações de implementação específicas para cada dispositivo.
• YOLO27m — o melhor equilíbrio entre precisão e velocidade em GPUs: supera a precisão do YOLO26m com latência comparável, tornando-se a opção predefinida para a implementação em GPU em produção.
• YOLO27l — aplicações em que a precisão é essencial: o primeiro modelo Ultralytics acima de 60 mAP no COCO, alcançando 61.2 mAP com uma entrada maior e mantendo o desempenho em tempo real na GPU.

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

Tarefas e modos compatíveis#

A tabela seguinte apresenta uma prévia do suporte previsto a tarefas e modos nas quatro escalas de modelos YOLO27. As marcas de verificação indicam o suporte previsto para o lançamento, não a disponibilidade pública atual; nenhum dos ficheiros de modelo listados foi lançado.

Os modelos YOLO27 Detect, Segment, Pose e OBB também funcionam com o modo Track, que é executado sobre o modo predict para acompanhar vários objetos ao longo dos fotogramas do vídeo.

Métricas de desempenho#

A precisão da deteção é apresentada para o conjunto de validação COCO. Consulta Métricas de desempenho YOLO para obter 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 valores de precisão podem ser reproduzidos com yolo val model=yolo27n.pt data=coco.yaml.

Os valores de Params e FLOPs são do modelo fundido, após a fusão de Conv/BatchNorm e a remoção do ramo de detecção não utilizado. Para detecção, as medições de velocidade selecionam a cabeça sem NMS com nms=False; a precisão de N/S depende da cabeça selecionada. Os checkpoints pré-treinados mantêm a arquitetura completa de treinamento e podem apresentar contagens mais altas.

Exemplos de uso#

Esta seção apresenta exemplos simples de treinamento e inferência com YOLO27. Para ver a documentação completa sobre esses e outros modos, consulta as páginas de documentação de Predição, Treinamento, Validação e Exportação. Para conjuntos de dados personalizados, consulta Dicas para obter os melhores resultados de treinamento e o Guia de ajuste de hiperparâmetros.

Observa que o exemplo abaixo é para modelos YOLO27 de Detecção de objetos. Para ver outras tarefas compatíveis, consulta a documentação de Segmentação e Classificação.

from ultralytics import YOLO

# Carrega um modelo YOLO27n pré-treinado em 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 por 100 épocas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Perguntas frequentes#