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 ao YOLO26. Está disponível em quatro tamanhos — N, S, M e L — e é compatível com 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 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#

• Deteção em duas escalas Os detetores padrão preveem objetos em três mapas de características — fino, médio e grosso. YOLO27 N e S eliminam o mapa médio e fazem previsões apenas num mapa fino (para objetos pequenos) e num mapa grosso (para objetos grandes), com uma escala fixa nas características fundidas a manter o equilíbrio entre as duas escalas. Isto elimina uma grande parte dos cálculos da cabeça de deteção, tornando os modelos mais rápidos, mantendo a mesma fiabilidade de treino 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 de supressão não máxima. O YOLO27m combina esse decodificador com o backbone convolucional comprovado no estilo do YOLO26, enquanto o YOLO27l mantém o mesmo pescoço FPN/PAN e usa um backbone UltraViT que aplica atenção própria no estágio mais profundo para capturar o contexto global.

• 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 de rastreamento, que é executado sobre a predição para rastrear vários objetos ao longo dos quadros de vídeo.

Métricas de desempenho#

A precisão da detecção é apresentada com base 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 Ultralytics Benchmark, que mede o macro mAP50-95 em 37 conjuntos de dados de detecção do mundo real, abrangendo imagens médicas, sensoriamento remoto, indústria, varejo e outros domínios. 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, é possível reproduzir os valores de precisão com yolo val model=yolo27n.pt data=coco.yaml.

Os valores de Params e FLOPs referem-se ao 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 pontos de verificação pré-treinados mantêm a arquitetura completa de treinamento e podem apresentar contagens maiores.

Exemplos de uso#

Esta seção apresenta exemplos simples de treino e inferência com YOLO27. Para ver a documentação completa desses e de outros modos, consulta as páginas de documentação de Predict, Train, Val e Export. Para conjuntos de dados personalizados, consulta Dicas para obter os melhores resultados de treino e o Guia de ajuste de hiperparâmetros.

Nota que o exemplo abaixo é para modelos YOLO27 de Detect, destinados à deteção de objetos. Para ver outras tarefas compatíveis, consulta a documentação de Segment e Classify.

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#