Ultralytics YOLO27#

Обзор#

Ultralytics YOLO27 — это семейство моделей компьютерного зрения для работы в реальном времени. Модели для обнаружения объектов используют две взаимодополняющие архитектуры: компактную архитектуру CNN для моделей N и S и архитектуру без NMS на основе запросов для более крупных моделей M и L. Обе архитектуры развёртываются через один интерфейс. Для моделей обнаружения N и S по умолчанию используется голова «один ко многим» с NMS; укажи nms=False, чтобы выбрать голову без NMS.

YOLO27 — новое семейство моделей серии Ultralytics YOLO, пришедшее на смену YOLO26. В семейство входят четыре размера — N, S, M и L — и поддерживаются обнаружение объектов, сегментация экземпляров, семантическая сегментация, оценка глубины, классификация, оценка позы и обнаружение объектов с определением ориентации. Разделение на две архитектуры относится к обнаружению объектов; для всех остальных задач используется архитектура CNN.

В четырёх масштабах моделей для обнаружения объектов YOLO27 достигает 42.3–60.4 mAP на COCO при задержке 0.62–2.32 мс на NVIDIA RTX PRO 6000 — а YOLO27l достигает 61.2 mAP при большем размере входного изображения — 800 пикселей. YOLO27l — первая модель Ultralytics, превысившая 60 mAP на COCO, а компактные YOLO27n/s превосходят YOLO26n/s по точности практически при той же скорости.

from ultralytics import YOLO

model = YOLO("yolo27n.pt")  # загрузи предварительно обученную модель YOLO27n
results = model("path/to/bus.jpg")  # выполни инференс

Ключевые особенности#

• Обнаружение объектов на двух масштабах Стандартные детекторы предсказывают объекты на трёх картах признаков — мелкой, средней и крупной. В YOLO27 N и S средняя карта исключена: модели предсказывают объекты только на мелкой карте (для небольших объектов) и крупной карте (для больших объектов), а фиксированный коэффициент масштабирования объединённых признаков позволяет сбалансировать оба масштаба. Это значительно сокращает вычисления в голове обнаружения, ускоряя модели и сохраняя надёжность обучения на уровне полной архитектуры с тремя масштабами.

• Более точное обнаружение небольших объектов Ранний этап обработки признаков с высоким разрешением расширен, чтобы модель могла улавливать больше тонких деталей. Вместе с сохранившейся мелкой картой предсказаний это улучшает локализацию и регрессию для небольших объектов — самой сложной категории для компактных моделей.

• Обучение с надзором на основе выравнивания с передним планом Во время обучения дополнительная облегчённая ветвь учится отличать «объект» от «фона» в каждой точке. Она должна сократить разрыв между более плотным надзором «один ко многим», используемым во время обучения, и головой «один к одному», формирующей итоговые предсказания. Благодаря этому разрыв в точности сокращается с 0.9/0.8 mAP у YOLO26n/s до 0.4 mAP у YOLO27n/s, поэтому развёрнутая голова «один к одному» сохраняет почти всю точность, достигнутую при обучении. Ветвь используется только во время обучения и удаляется при инференсе и экспорте, поэтому при развёртывании дополнительных затрат нет.

• Обнаружение объектов на основе запросов без NMS В более крупных моделях плотные предсказания заменены декодером Transformer, который уточняет фиксированный набор запросов объектов и напрямую выдаёт итоговые обнаружения — без необходимости в постобработке с помощью подавления немаксимумов. В YOLO27m этот декодер сочетается с проверенной свёрточной основой в стиле YOLO26, а YOLO27l сохраняет ту же шею FPN/PAN и использует вместо неё основу UltraViT, в самой глубокой части которой применяется механизм внимания для учёта глобального контекста.

• Единый простой интерфейс Обе архитектуры используются через один и тот же интерфейс Python YOLO. Для модели автоматически выбирается подходящий конвейер обучения, валидации, предсказания и экспорта, поэтому код, написанный для одного масштаба YOLO27, работает и с остальными без изменений.

Какую модель YOLO27 выбрать?#

Эти рекомендации помогут выбрать модель после выпуска YOLO27. Для текущих проектов используй YOLO26.

• YOLO27n / YOLO27s — для периферийных устройств, дронов и видео в реальном времени: самые быстрые модели семейства с улучшенным обнаружением небольших объектов благодаря двухмасштабной архитектуре. Инструкции по развёртыванию на конкретных устройствах см. для NVIDIA Jetson и Raspberry Pi.
• YOLO27m — оптимальный баланс точности и скорости на GPU: точность выше, чем у YOLO26m, при сопоставимой задержке, поэтому это вариант по умолчанию для развёртывания на GPU в рабочей среде.
• YOLO27l — для задач, где критична точность: первая модель Ultralytics с результатом выше 60 mAP на COCO, достигающая 61.2 mAP при большем размере входного изображения и сохраняющая скорость обработки в реальном времени на GPU.

Чтобы сравнить с другими семействами, см. все модели Ultralytics. Чтобы измерить компромисс между точностью и скоростью на собственном оборудовании, а не на нашем, см. режим тестирования производительности.

Поддерживаемые задачи и режимы#

В таблице ниже представлен обзор планируемой поддержки задач и режимов для четырёх масштабов моделей YOLO27. Галочки обозначают планируемую поддержку после выпуска, а не текущую общедоступность; все перечисленные файлы моделей ещё не выпущены.

Модели YOLO27 Detect, Segment, Pose и OBB также работают в режиме отслеживания, который использует режим predict для отслеживания нескольких объектов между кадрами видео.

Метрики производительности#

Точность обнаружения объектов оценивается на валидационном наборе COCO. Объяснения метрик mAP, precision и recall см. в разделе Метрики производительности YOLO. Скорость инференса измеряется на NVIDIA RTX PRO 6000 (TensorRT 11, FP16) для GPU и AMD EPYC 9655 (среда выполнения ONNX, FP32) для CPU. После выпуска точность можно будет воспроизвести с помощью yolo val model=yolo27n.pt data=coco.yaml.

Значения Params и FLOPs указаны для объединённой модели после свёртки Conv/BatchNorm и удаления неиспользуемой ветви детекции. Для детекции при измерении скорости выбирается голова без NMS с nms=False; точность N/S зависит от выбранной головы. Предварительно обученные контрольные точки сохраняют полную архитектуру обучения, поэтому их показатели могут быть выше.

Примеры использования#

В этом разделе приведены простые примеры обучения и инференса с YOLO27. Полную документацию по этим и другим режимам смотри на страницах документации Predict, Train, Val и Export. Информацию о пользовательских датасетах смотри в разделе Советы для достижения наилучших результатов обучения и в руководстве по настройке гиперпараметров.

Обрати внимание: пример ниже относится к моделям YOLO27 для детекции объектов. Информацию о других поддерживаемых задачах смотри в документации по сегментации и классификации.

from ultralytics import YOLO

# Загрузи предварительно обученную на COCO модель YOLO27n
model = YOLO("yolo27n.pt")

# Запусти инференс модели YOLO27n на изображении 'bus.jpg'
results = model("path/to/bus.jpg")

# Обучи модель на примере датасета COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Часто задаваемые вопросы#