Ultralytics YOLO27#

Обзор#

Ultralytics YOLO27 — это семейство моделей визуального восприятия реального времени, детекторы которого используют два взаимодополняющих подхода: оптимизированную архитектуру CNN для компактных моделей N и S и архитектуру на основе запросов без NMS для более крупных моделей M и L. Оба подхода являются сквозными и развертываются через один и тот же интерфейс.

YOLO27 — это грядущее семейство моделей в серии Ultralytics YOLO, сменяющее YOLO26. Оно выпускается в четырех размерах — N, S, M и L — и поддерживает обнаружение объектов, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы и ориентированное обнаружение объектов. Разделение на два подхода применяется к обнаружению; все остальные задачи используют архитектуру CNN.

В четырех масштабах обнаружения YOLO27 достигает 42.3-60.4 mAP на COCO при задержке 0.62-2.32 мс на NVIDIA RTX PRO 6000 и до 61.2 mAP с YOLO27l при большем размере входа 800 пикселей. YOLO27l — это первая модель Ultralytics, превысившая 60 mAP на COCO, в то время как компактные YOLO27n/s превосходят точность YOLO26n/s практически при той же скорости.

from ultralytics import YOLO

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

Ключевые особенности#

• Двухмасштабное обнаружение Стандартные детекторы предсказывают объекты на трех карт признаков — мелкой, средней и грубой. YOLO27 N и S отбрасывают среднюю карту и предсказывают только на мелкой карте (для мелких объектов) и грубой карте (для крупных объектов), причем фиксированное масштабирование объединенных признаков поддерживает баланс между двумя масштабами. Это устраняет большую часть вычислений головы обнаружения, делая модели быстрее при обучении столь же надежно, как и полная трехуровневая архитектура.

• Более точное обнаружение мелких объектов Ранний этап признаков высокого разрешения расширен, чтобы улавливать больше мелких деталей. В сочетании с оставшейся картой мелких предсказаний это улучшает локализацию и регрессию для мелких объектов — самой сложной категории для компактных моделей.

• Контроль выравнивания переднего плана Во время обучения дополнительная легковесная ветка учится отличать «объект» от «фона» в каждом положении. Она разработана для того, чтобы сократить разрыв между более плотным обучением «один ко многим» и головой «один к одному», которая формирует окончательные предсказания, уменьшая этот разрыв в точности с 0.9/0.8 mAP на YOLO26n/s до всего 0.4 mAP на YOLO27n/s, поэтому развернутая голова «один к одному» сохраняет практически всю точность времени обучения. Ветка используется только во время обучения и удаляется для инференса и экспорта, поэтому она не требует ресурсов при развертывании.

• Обнаружение на основе запросов без NMS Более крупные модели заменяют плотное предсказание трансформер-декодером, который уточняет фиксированный набор запросов объектов и напрямую выдает окончательные результаты обнаружения — постобработка немаксимального подавления не требуется. YOLO27m объединяет этот декодер с проверенным сверточным бэкбоном в стиле YOLO26, в то время как YOLO27l сохраняет ту же шею FPN/PAN и заменяет ее бэкбоном UltraViT, использующим самовнимание на глубочайшем этапе для захвата глобального контекста.

• Один простой интерфейс Обе архитектуры используются через один и тот же Python-интерфейс YOLO. Правильный конвейер обучения, валидации, предсказания и экспорта выбирается автоматически из модели, поэтому код, написанный для одного масштаба YOLO27, работает без изменений для остальных.

Какую модель YOLO27 мне выбрать?#

Следующие рекомендации помогут выбрать модель после выпуска YOLO27. Для текущих проектов используйте YOLO26.

• YOLO27n / YOLO27s — периферийные устройства, дроны и видео в реальном времени: самые быстрые модели в семействе с улучшенным обнаружением мелких объектов за счет двухмасштабного дизайна. См. NVIDIA Jetson и Raspberry Pi для развертывания на конкретных устройствах.
• YOLO27m — оптимальное соотношение точности и скорости на GPU: превосходит YOLO26m на 3.2 mAP при той же задержке, что делает ее выбором по умолчанию для производственного развертывания на GPU.
• YOLO27l — приложения, критичные к точности: первая модель Ultralytics с показателем выше 60 mAP на COCO, достигающая 61.2 mAP при большем размере входа с сохранением работы в реальном времени на GPU.

Для сравнения с другими семействами см. все модели Ultralytics. Чтобы измерить баланс точности и скорости на собственном оборудовании, а не на нашем, см. режим бенчмарка.

Поддерживаемые задачи и режимы#

В следующей таблице представлен предварительный просмотр планируемой поддержки задач и режимов для четырех масштабов моделей YOLO27. Галочки указывают на планируемую поддержку к моменту выпуска, а не на текущую общедоступность; все перечисленные файлы моделей не выпущены.

Модели YOLO27 для обнаружения, сегментации, оценки позы и OBB также работают с режимом отслеживания, который работает поверх предсказания для многообъектного трекинга по видеокадрам.

Метрики производительности#

Точность обнаружения приводится на валидационном наборе COCO. См. метрики производительности YOLO для пояснений по mAP, точности и полноте. Скорость инференса измерена на NVIDIA RTX PRO 6000 (TensorRT 11, FP16) для GPU и AMD EPYC 9655 (ONNX Runtime, FP32) для CPU. После выпуска значения точности можно воспроизвести с помощью yolo val model=yolo27n.pt data=coco.yaml.

Значения параметров и FLOPs указаны для объединенной модели после свертки/пакетной нормализации (Conv/BatchNorm) и удаления неиспользуемой ветви детектирования. Измерения скорости выбирают голову без NMS с помощью nms=False. Предобученные контрольные точки сохраняют полную архитектуру обучения и могут показывать большие значения.

Примеры использования#

В этом разделе приведены простые примеры обучения и инференса YOLO27. Полную документацию по этим и другим режимам см. на страницах документации Предсказание, Обучение, Валидация и Экспорт. Инструкции для пользовательских датасетов см. в разделе Советы для лучших результатов обучения и Руководство по настройке гиперпараметров.

Обратите внимание, что пример ниже предназначен для моделей обнаружения YOLO27 для детекции объектов. Дополнительные поддерживаемые задачи см. в документации по сегментации и классификации.

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)

Сейчас доступен только этот предварительный обзор документации. Весы моделей YOLO27, конфигурации и код реализации остаются невыпущенными. Инструкции по выпуску будут добавлены на эту страницу, когда модели станут доступны.

Часто задаваемые вопросы#