Ultralytics YOLO27:

Ultralytics YOLO27#

YOLO27 yakında geliyor

YOLO27 modelleri son Ar-Ge aşamasından geçiyor ve bu yılın ilerleyen dönemlerinde piyasaya sürülmesi bekleniyor. Modeller henüz kullanıma sunulmadı ve bir lansman tarihi belirlenmedi. Bu sayfa yakında çıkacak modelleri önizleme amacıyla sunar; özellikler ve kıyaslama sonuçları yayınlanmadan önce değişebilir. Aşağıdaki kod örnekleri, modeller ve paket desteği yayınlandıktan sonra kullanılmak üzere hazırlanmıştır ve mevcut herkese açık paketle çalışmaz. Model ağırlıkları, yapılandırmaları ve uygulama kodu şu anda yayınlanmıyor. Lansman haberini ilk öğrenenlerden olmak için YOLO27 bekleme listesine katıl.

Genel Bakış#

Ultralytics YOLO27, algılama modellerinde iki tamamlayıcı tasarım kullanan gerçek zamanlı görüntü işleme modelleri ailesidir: kompakt N ve S modelleri için yalınlaştırılmış bir CNN mimarisi, daha büyük M ve L modelleri içinse sorgu tabanlı, NMS gerektirmeyen bir mimari. Her iki tasarım da aynı arayüz üzerinden dağıtılır. N ve S algılama modellerinde varsayılan olarak NMS kullanan bire-çok başlık kullanılır; NMS gerektirmeyen başlıklarını seçmek için nms=False kullan.

YOLO27, Ultralytics YOLO serisinin yakında çıkacak model ailesidir ve YOLO26 modelinin devamı niteliğindedir. Dört boyutta — N, S, M ve L — sunulur ve nesne algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve yönlendirilmiş nesne algılama görevlerini destekler. İki tasarıma ayrılma yalnızca algılama için geçerlidir; diğer tüm görevlerde CNN mimarisi kullanılır.

Dört algılama ölçeğinde YOLO27, NVIDIA RTX PRO 6000'de 0,62-2,32 ms gecikmeyle COCO üzerinde 42,3-60,4 mAP değerine ulaşır — daha büyük, 800 piksellik bir giriş boyutuyla YOLO27l 61,2 mAP değerine kadar çıkar. YOLO27l, COCO'da 60 mAP değerini aşan ilk Ultralytics modelidir; kompakt YOLO27n/s ise hemen hemen aynı hızda YOLO26n/s doğruluğunu artırır.

Hızlı Başlangıç (yayınlandıktan sonra)
from ultralytics import YOLO

model = YOLO("yolo27n.pt")  # önceden eğitilmiş bir YOLO27n modeli yükle
results = model("path/to/bus.jpg")  # çıkarım yap

Temel Özellikler#

  • Çift ölçekli algılama Standart algılayıcılar nesneleri üç özellik haritasında tahmin eder: ince, orta ve kaba. YOLO27 N ve S, orta ölçekli haritayı kaldırır ve yalnızca ince (küçük nesneler için) ve kaba (büyük nesneler için) haritalarda tahmin yapar. Birleştirilmiş özelliklere uygulanan sabit ölçekleme, iki ölçeğin dengesini korur. Bu yaklaşım, algılama başlığı hesaplamalarının büyük bir kısmını ortadan kaldırarak modelleri hızlandırırken üç ölçekli tasarım kadar güvenilir biçimde eğitilmelerini sağlar.

  • Daha güçlü küçük nesne algılama Erken aşamadaki yüksek çözünürlüklü özellik katmanı, daha ince ayrıntıları yakalayabilmesi için genişletilir. Bu geliştirme, korunan ince tahmin haritasıyla birlikte küçük nesnelerin konumlandırılmasını ve regresyonunu iyileştirir; küçük nesneler kompakt modeller için en zor kategoridir.

  • Ön plan hizalama denetimi Eğitim sırasında ek ve hafif bir dal, her konumda "nesne" ile "arka plan"ı ayırt etmeyi öğrenir. Bu dal, eğitimde kullanılan daha yoğun bire-çok denetimiyle nihai tahminleri üreten bire-bir başlık arasındaki farkı kapatmak üzere tasarlanmıştır. Böylece bu doğruluk farkı YOLO26n/s'deki 0,9/0,8 mAP değerlerinden YOLO27n/s'de yalnızca 0,4 mAP değerine iner ve dağıtılan bire-bir başlık, eğitim sırasındaki doğruluğun neredeyse tamamını korur. Dal yalnızca eğitim sırasında kullanılır ve çıkarım ile dışa aktarma aşamalarında kaldırılır; bu nedenle dağıtım sırasında hiçbir maliyeti olmaz.

  • NMS kullanmayan sorgu tabanlı algılama Daha büyük modeller, yoğun tahminin yerine sabit bir nesne sorgusu kümesini iyileştiren ve son algılamaları doğrudan üreten bir dönüştürücü kod çözücü kullanır; sonradan işleme için maksimum olmayan bastırma gerekmez. YOLO27m, bu kod çözücüyü kendini kanıtlamış YOLO26 tarzı evrişimli bir omurgayla birleştirirken YOLO27l aynı FPN/PAN boynunu korur ve en derin aşamasında küresel bağlamı yakalamak için öz dikkati kullanan bir UltraViT omurgasıyla değiştirir.

  • Tek bir basit arayüz Her iki mimari de aynı YOLO Python arayüzü üzerinden kullanılır. Doğru eğitim, doğrulama, tahmin ve dışa aktarma işlem hattı modele göre otomatik olarak seçilir; bu nedenle bir YOLO27 ölçeği için yazılan kod diğer ölçeklerde de değişiklik yapılmadan çalışır.

Hangi YOLO27 Modelini Kullanmalıyım?#

Aşağıdaki öneriler, YOLO27 yayınlandıktan sonra model seçmene yardımcı olmak içindir. Bugün başlayacağın projelerde YOLO26 kullan.

  • YOLO27n / YOLO27s — uç cihazlar, dronlar ve gerçek zamanlı video: çift ölçekli tasarım sayesinde küçük nesne algılama performansı iyileştirilmiş, ailenin en hızlı modelleri. Cihaza özel dağıtım bilgileri için NVIDIA Jetson ve Raspberry Pi sayfalarına bak.
  • YOLO27m — GPU'larda doğruluk ve hız arasında ideal denge: benzer gecikmeyle YOLO26m'nin doğruluğunu artırır ve üretim ortamında GPU dağıtımı için varsayılan tercih olmasını sağlar.
  • YOLO27l — doğruluğun kritik olduğu uygulamalar: COCO'da 60 mAP değerini aşan ilk Ultralytics modeli; daha büyük giriş boyutunda 61,2 mAP değerine ulaşırken GPU'da gerçek zamanlı çalışır.

Diğer model aileleriyle karşılaştırmak için tüm Ultralytics modellerine bak. Performans-hız dengesini bizim donanımımızda değil, kendi donanımında ölçmek için Kıyaslama moduna bak.

Desteklenen Görevler ve Modlar#

Aşağıdaki tablo, dört YOLO27 model ölçeği için planlanan görev ve mod desteğini önizleme amacıyla sunar. Onay işaretleri, modellerin şu anda herkese açık olarak sunulduğunu değil, yayınlandıklarında desteklenmelerinin planlandığını belirtir; listelenen tüm model dosyaları henüz yayınlanmadı.

ModelDosya adlarıGörevEğitimDoğrulamaÇıkarımDışa aktar
YOLO27yolo27n.pt yolo27s.pt yolo27m.pt yolo27l.ptAlgılama✅✅✅✅
YOLO27-segyolo27n-seg.pt yolo27s-seg.pt yolo27m-seg.pt yolo27l-seg.ptÖrnek Segmentasyonu✅✅✅✅
YOLO27-semyolo27n-sem.pt yolo27s-sem.pt yolo27m-sem.pt yolo27l-sem.ptAnlamsal Segmentasyon✅✅✅✅
YOLO27-depthyolo27n-depth.pt yolo27s-depth.pt yolo27m-depth.pt yolo27l-depth.ptDerinlik Tahmini✅✅✅✅
YOLO27-clsyolo27n-cls.pt yolo27s-cls.pt yolo27m-cls.pt yolo27l-cls.ptSınıflandırma✅✅✅✅
YOLO27-poseyolo27n-pose.pt yolo27s-pose.pt yolo27m-pose.pt yolo27l-pose.ptPoz/Anahtar Noktalar✅✅✅✅
YOLO27-obbyolo27n-obb.pt yolo27s-obb.pt yolo27m-obb.pt yolo27l-obb.ptYönlendirilmiş Algılama✅✅✅✅

YOLO27 Detect, Segment, Pose ve OBB modelleri, video kareleri boyunca çoklu nesne takibi için predict üzerine çalışan Track moduyla da kullanılabilir.

İki mimari yolu

YOLO27 algılama, tek bir arayüz altında iki tasarım kullanır: N ve S ölçeklerinde yalınlaştırılmış CNN mimarisi, M ve L ölçeklerinde ise sorgu tabanlı ve NMS gerektirmeyen mimari kullanılır. Diğer tüm görevlerde CNN mimarisi kullanılır.

Performans Ölçütleri#

Algılama doğruluğu COCO doğrulama kümesinde raporlanır. mAP, precision ve recall açıklamaları için YOLO Performans Ölçütleri sayfasına bak. Çıkarım hızı GPU için NVIDIA RTX PRO 6000'de (TensorRT 11, FP16), CPU içinse AMD EPYC 9655'te (ONNX Runtime, FP32) ölçülür. Yayınlandıktan sonra doğruluk değerlerini yolo val model=yolo27n.pt data=coco.yaml ile yeniden üretebilirsin.

Ön sonuçlar

Bu araştırma sonuçları, son Ar-Ge aşamasında değişebilir. Herkese açık ağırlıklar ve sonuçları yeniden üretme talimatları yayınla birlikte sunulacaktır.

Performans

Bu modellerle kullanım örnekleri için Algılama Belgeleri sayfasına bak. Modeller, önceden eğitilmiş 80 sınıf içeren COCO üzerinde eğitilmiştir. Tabloda 640 piksellik giriş kullanılır; genel bakışta YOLO27l'nin 800 piksellik girişle elde ettiği sonuç da verilir.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
RTX PRO 6000 TensorRT11
(ms)		parametreler
(M)		FLOPs
(B)
YOLO27n64042.316.1 ± 1.60.62 ± 0.003.07.2
YOLO27s64049.633.2 ± 0.10.79 ± 0.0011.828.2
YOLO27m64055.867.2 ± 0.31.39 ± 0.0022.865.0
YOLO27l64060.4149.6 ± 1.42.32 ± 0.0072.3165.3

Params and FLOPs değerleri, Conv/BatchNorm katlama ve kullanılmayan tespit dalının kaldırılmasının ardından birleştirilmiş model içindir. Tespit için hız ölçümlerinde nms=False içeren NMS'siz başlık seçilir; N/S doğruluğu seçilen başlığa bağlıdır. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek değerler gösterebilir.

Kullanım Örnekleri#

Bu bölümde basit YOLO27 eğitim ve çıkarım örnekleri sunulmaktadır. Bunlar ve diğer modlar hakkında tüm belgeler için Predict, Train, Val ve Export belge sayfalarına göz at. Özel veri kümeleri için En İyi Eğitim Sonuçları İçin İpuçları ve Hiperparametre Ayarlama Kılavuzu sayfalarına göz at.

Aşağıdaki örneğin, nesne tespiti için YOLO27 Detect modellerine yönelik olduğunu unutma. Desteklenen diğer görevler için Segment ve Classify belgelerine göz at.

Eğitim ve çıkarım (yayınlandıktan sonra)

PyTorch ile önceden eğitilmiş *.pt modelleri ve yapılandırma *.yaml dosyaları, Python'da bir model örneği oluşturmak için YOLO() sınıfına aktarılabilir:

from ultralytics import YOLO

# COCO ile önceden eğitilmiş YOLO27n modelini yükle
model = YOLO("yolo27n.pt")

# 'bus.jpg' görüntüsünde YOLO27n modeliyle çıkarım yap
results = model("path/to/bus.jpg")

# Modeli COCO8 örnek veri kümesinde 100 epoch boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Sık Sorulan Sorular#

    • İki ölçekli tespit (N/S): rekabetçi doğruluğa sahip daha hızlı bir başlık için orta tahmin haritasını kaldırır
    • Küçük nesne tespitinde daha yüksek performans (N/S): genişletilmiş bir erken özellik aşaması, küçük nesnelerin konumunu daha iyi belirler
    • Ön plan hizalama denetimi (N/S): bire-çok ve bire-bir doğruluk farkını YOLO26n/s'deki 0.9/0.8 mAP'den YOLO27n/s'de 0.4 mAP'ye düşürür; çıkarım maliyeti sıfırdır
    • Sorgu tabanlı, NMS'siz tespit (M/L): Transformer kod çözücü, nihai tespitleri doğrudan üretir
    • Tek ve basit arayüz: her iki mimari de aynı YOLO sınıfı üzerinden çalışır

  • Henüz değil — YOLO27 yayımlanmadı. Mevcut projelerinde YOLO26 kullanmaya devam et. İlk sonuçlar, tüm model boyutlarında doğruluğun arttığını ve YOLO27l'nin COCO'da 60 mAP'yi aştığını gösteriyor. Geçiş yapmadan önce yayımlanan son modelleri iş yükünde değerlendir.

  • YOLO27 yayımlandıktan sonra, YOLO26 ile aynı YOLO sınıfını ve aynı train/val/predict/export API'sini kullanması amaçlanıyor — doğru işlem hattı (CNN veya sorgu tabanlı), modelden otomatik olarak seçiliyor. YOLO27 desteği ve ağırlıkları sunulduğunda, yolo26n.pt yerine yolo27n.pt kullanılması amaçlanan model seçimi değişikliğidir.

  • Çoğu dedektör, farklı çözünürlüklerdeki üç özellik haritasında tahmin yapar. YOLO27 N ve S, küçük nesnelerin ihtiyaç duyduğu ince haritayı ve büyük nesnelerin ihtiyaç duyduğu kaba haritayı korurken orta ölçekli haritayı atlar. Bu, tespit başlığındaki hesaplama yükünün önemli bir bölümünü azaltır; yukarıda belirtilen eğitim iyileştirmeleri de doğruluk-gecikme dengesinin rekabetçi kalmasını sağlar.

  • YOLO27l, COCO'da 60 mAP'yi aşan ilk Ultralytics modelidir; 640 piksel giriş boyutunda 60.4 mAP'ye (NVIDIA RTX PRO 6000 üzerinde 2.3 ms), 800 piksel giriş boyutunda ise 61.2 mAP'ye (2.9 ms) ulaşır. UltraViT omurgasını, çok ölçekli özellik birleştirmeyi ve NMS olmadan nihai tespitleri doğrudan üreten sorgu tabanlı bir dedektörü bir araya getirir.

  • YOLO27 son R&D aşamasında; bu yılın ilerleyen dönemlerinde piyasaya sürülmesi bekleniyor. Henüz bir çıkış tarihi belirlenmedi. Model ağırlıkları ve uygulama kodu henüz herkese açık değil.

  • YOLO27 yayımlandığında, ultralytics paketini yüklemek veya güncellemek için Hızlı Başlangıç sayfasına göz at, ardından aşağıda gösterildiği gibi bir model yükle. Bu örnek, yayın sonrasında kullanılmak içindir:

    from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO27 nano modelini yükle
model = YOLO("yolo27n.pt")

# Bir görüntü üzerinde çıkarım yap
results = model("image.jpg")

    Eğitim ve çıkarım örnekleri için Kullanım Örnekleri sayfasına; bu modlarla ilgili kılavuzlar için Val ve Export sayfalarına göz at.

Katkıda Bulunanlar
GLglenn-jocher3RAraimbekovm1

Yorumlar