Ultralytics YOLO27

Обзор#

Ultralytics YOLO27 — это семейство моделей компьютерного зрения реального времени. В моделях обнаружения используются две дополняющие друг друга архитектуры: упрощённая архитектура CNN для компактных моделей N и S и архитектура без NMS на основе запросов для более крупных моделей M и L. Обе архитектуры развёртываются через один интерфейс. По умолчанию в моделях обнаружения N и S используется голова «один ко многим» с NMS; чтобы выбрать голову без NMS, используй nms=False.

YOLO27 — новое семейство моделей в линейке Ultralytics YOLO, следующее за YOLO26. Семейство включает четыре размера — N, S, M и L — и поддерживает обнаружение объектов, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы и обнаружение объектов с ориентированными рамками. Разделение на две архитектуры применяется для обнаружения объектов, сегментации экземпляров и оценки позы. Для семантической сегментации, оценки глубины, классификации и обнаружения объектов с ориентированными рамками используется архитектура CNN.

На четырёх масштабах детекции YOLO27 достигает 42.6-60.5 mAP на COCO при задержке 0.44-1.86 мс на NVIDIA RTX PRO 6000 — а YOLO27l показывает до 61.4 mAP при большем размере входного изображения — 800 пикселей. YOLO27l — первая модель Ultralytics, преодолевшая отметку 60 mAP на COCO, а компактные YOLO27n/s повышают точность относительно YOLO26n/s практически при той же скорости.

from ultralytics import YOLO

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

Основные особенности#

• Обнаружение на двух масштабах Стандартные детекторы предсказывают объекты на трёх картах признаков — мелкого, среднего и крупного масштаба. В YOLO27 N и S средняя карта исключена: предсказания выполняются только по карте мелкого масштаба (для небольших объектов) и крупного масштаба (для больших объектов). Фиксированное масштабирование объединённых признаков поддерживает баланс между двумя масштабами. Это значительно сокращает вычисления в голове обнаружения и ускоряет модели, сохраняя надёжность обучения, как и в полной архитектуре с тремя масштабами.

• Улучшенное обнаружение мелких объектов Ранняя высокодетализированная стадия признаков расширена, чтобы модель могла улавливать больше тонких деталей. В сочетании с сохранившейся картой предсказаний высокого разрешения это улучшает локализацию и регрессию для мелких объектов — самой сложной категории для компактных моделей.

• Супервизия выравнивания объектов переднего плана Во время обучения дополнительная лёгкая ветвь учится отличать «объект» от «фона» в каждой точке. Она призвана сократить разрыв между более плотной супервизией «один ко многим», используемой при обучении, и головой «один к одному», которая формирует итоговые предсказания. Благодаря этому разрыв в точности снижается с 0.9/0.8 mAP у YOLO26n/s до всего 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 не создаёт дополнительных затрат при развёртывании.

• Обнаружение на основе запросов без NMS В более крупных моделях плотное предсказание заменено трансформерным декодером, который уточняет фиксированный набор запросов объектов и напрямую выдаёт окончательные результаты обнаружения — дополнительная обработка с помощью подавления немаксимумов не требуется. В YOLO27m и YOLO27l этот декодер сочетается с основой UltraViT, которая использует самовнимание на самом глубоком этапе для захвата глобального контекста, за которым следует шея FPN/PAN.

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

Какую модель YOLO27 выбрать?#

Эти рекомендации помогут выбрать модель после выхода YOLO27. Для проектов сейчас используй YOLO26.

• YOLO27n / YOLO27s — для периферийных устройств, дронов и видео в реальном времени: самые быстрые модели семейства с улучшенным обнаружением мелких объектов благодаря двухмасштабной архитектуре. Инструкции по развёртыванию на конкретных устройствах смотри 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 промышленного развёртывания на GPU.
• YOLO27l — для приложений, где критична точность: первая модель Ultralytics с результатом выше 60 mAP на COCO. Она достигает 61.4 mAP при большем размере входного изображения и при этом работает в реальном времени на GPU.

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

Поддерживаемые задачи и режимы#

В таблице ниже представлена предварительная информация о планируемой поддержке задач и режимов для четырёх масштабов моделей YOLO27. Галочки обозначают запланированную поддержку на момент выхода, а не текущую общедоступность; все перечисленные файлы моделей ещё не выпущены.

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

Метрики производительности#

Точность обнаружения оценивается на валидационном наборе COCO. Объяснения метрик mAP, точности и полноты см. в разделе Метрики производительности YOLO. Чтобы оценить точность за пределами COCO, см. бенчмарк Ultralytics, который измеряет макроусреднённую mAP_50-95 на 37 реальных наборах данных для обнаружения объектов из разных областей, включая медицинскую визуализацию, дистанционное зондирование, промышленность и розничную торговлю. 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 показатели точности можно воспроизвести с помощью yolo val model=yolo27n.pt data=coco.yaml imgsz=640 nms=False save_json=True. В таблицах обнаружения объектов, сегментации экземпляров и оценки позы используются голова без NMS и оценка на COCO. Для проверки позы N/S используются прямоугольные пакеты (rect=True).

Значения Params и FLOPs указаны для объединённой модели после свёртывания Conv/BatchNorm и удаления неиспользуемой ветви обнаружения. Для измерений обнаружения объектов, сегментации экземпляров и оценки позы выбирается голова без NMS с помощью nms=False; точность N/S зависит от выбранной головы. В подсчёт FLOPs входят умножения матриц внимания декодера. 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 YOLO27. При работе с пользовательскими датасетами см. советы для достижения наилучших результатов обучения и руководство по настройке гиперпараметров.

Пример ниже предназначен для моделей YOLO27 Detect для обнаружения объектов.

from ultralytics import YOLO

# Загрузить предобученную на COCO модель YOLO27n
model = YOLO("yolo27n.pt")

# Запустить инференс с моделью YOLO27n на изображении 'bus.jpg'
results = model("path/to/bus.jpg")

# Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Часто задаваемые вопросы#