Ultralytics YOLO27#
YOLO27 modelleri son Ar-Ge aşamasından geçiyor ve bu yılın ilerleyen dönemlerinde kullanıma sunulmaları bekleniyor. Modeller henüz kullanılamıyor ve bir çıkış tarihi belirlenmedi. Bu sayfa yakında çıkacak modellerin ön izlemesini sunar; özellikler ve kıyaslama sonuçları yayımlanmadan önce değişebilir. Aşağıdaki kod örnekleri, modeller ve paket desteği yayımlandıktan sonra kullanılmak üzere hazırlanmıştır ve mevcut genel paketle çalışmaz. Model ağırlıkları, yapılandırmalar ve uygulama kodu şu anda yayımlanmıyor. Kullanıma sunulduğunda ilk sen haberdar olmak için YOLO27 bekleme listesine katıl.
Genel Bakış#
Ultralytics YOLO27, gerçek zamanlı görüntü modellerinden oluşan bir ailedir. Algılama modellerinde birbirini tamamlayan iki tasarım kullanılır: kompakt N ve S modelleri için sadeleştirilmiş bir CNN mimarisi, daha büyük M ve L modelleri içinse sorgu tabanlı, NMS kullanmayan bir mimari. Her iki tasarım da aynı arayüz üzerinden dağıtılır. N ve S algılama modellerinde varsayılan olarak NMS kullanan bire çoklu kafa bulunur; NMS kullanmayan kafalarını seçmek için nms=False kullan.
YOLO27, Ultralytics YOLO serisinin yakında çıkacak model ailesidir ve YOLO26 model ailesinin devamıdır. Dört boyutta sunulur: N, S, M ve L; 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.
YOLO27, dört algılama ölçeğinde COCO üzerinde 42.3-60.4 mAP değerlerine, NVIDIA RTX PRO 6000'de 0.62-2.32 ms gecikmeyle ulaşır; daha büyük, 800 piksellik bir girdiyle YOLO27l 61.2 mAP değerine kadar çıkar. YOLO27l, COCO'da 60 mAP değerini aşan ilk Ultralytics modelidir; kompakt YOLO27n/s modelleri ise YOLO26n/s modellerine kıyasla neredeyse aynı hızda daha yüksek doğruluk sunar.
from ultralytics import YOLO
model = YOLO("yolo27n.pt") # önceden eğitilmiş bir YOLO27n modelini yükle
results = model("path/to/bus.jpg") # çıkarım çalıştırTemel Özellikler#
-
İki ölçekli algılama Standart algılayıcılar nesneleri üç özellik haritasında tahmin eder: ince, orta ve kaba. YOLO27 N ve S, orta ölçekli haritayı kaldırıp yalnızca ince bir haritada (küçük nesneler için) ve kaba bir haritada (büyük nesneler için) tahmin yapar; birleştirilen özelliklere uygulanan sabit ölçeklendirme iki ölçeğin dengesini korur. Böylece algılama kafasının hesaplama yükünün önemli bir bölümü ortadan kalkar; modeller hızlanırken üç ölçekli tasarım kadar güvenilir biçimde eğitilir.
-
Daha güçlü küçük nesne algılama Erken aşamadaki yüksek çözünürlüklü özellik katmanı, daha ince ayrıntıları yakalayabilmesi için genişletilir. Korunan ince tahmin haritasıyla birlikte bu, kompakt modeller için en zor kategori olan küçük nesnelerin konumlandırılmasını ve regresyonunu iyileştirir.
-
Ön plan hizalama denetimi Eğitim sırasında eklenen hafif bir dal, her konumda "nesne" ile "arka plan"ı ayırt etmeyi öğrenir. Bu dal, eğitimde kullanılan daha yoğun bire-çok denetimi ile nihai tahminleri üreten bire bir başlık arasındaki farkı kapatmak üzere tasarlanmıştır; böylece doğruluk farkı YOLO26n/s'de 0.9/0.8 mAP'ten YOLO27n/s'de yalnızca 0.4 mAP'e düşer ve dağıtılan bire bir başlık, eğitim sırasındaki doğruluğun neredeyse tamamını korur. Dal yalnızca eğitim sırasında kullanılır ve çıkarım ile dışa aktarma sırasında kaldırılır; dolayısıyla dağıtımda hiçbir maliyeti yoktur.
-
NMS olmadan sorgu tabanlı algılama Büyük modeller, yoğun tahmin yerine sabit bir nesne sorgusu kümesini iyileştiren ve son algılamaları doğrudan üreten bir Transformer kod çözücü kullanır; son işlem aşamasında maksimum olmayanların bastırılması gerekmez. YOLO27m, bu kod çözücüyü kendini kanıtlamış YOLO26 tarzı evrişimli omurgayla birleştirirken YOLO27l aynı FPN/PAN boyun yapısını korur ve en derin aşamasında küresel bağlamı yakalamak için öz dikkat kullanan bir UltraViT omurgasına geçer.
-
Tek ve basit arayüz Her iki mimari de aynı
YOLOPython 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 değişmeden çalışır.
Hangi YOLO27 Modelini Kullanmalıyım?#
Aşağıdaki öneriler, YOLO27 piyasaya sürüldüğünde model seçmek içindir. Bugünkü projelerinde YOLO26 kullan.
- YOLO27n / YOLO27s — uç cihazlar, dronlar ve gerçek zamanlı video için: ailedeki en hızlı modellerdir ve çift ölçekli tasarım sayesinde küçük nesneleri daha iyi algılar. Cihaza özel dağıtım için NVIDIA Jetson ve Raspberry Pi sayfalarına bak.
- YOLO27m — GPU'larda doğruluk ve hız arasında ideal denge: benzer gecikme süresinde YOLO26m'nin doğruluğunu artırır ve üretim ortamındaki GPU dağıtımı için varsayılan tercih olur.
- YOLO27l — doğruluğun kritik olduğu uygulamalar için: COCO'da 60 mAP'i aşan ilk Ultralytics modelidir; daha büyük giriş boyutunda 61.2 mAP'e ulaşırken GPU'da gerçek zamanlı çalışmayı sürdürür.
Diğer ailelerle karşılaştırma yapmak için tüm Ultralytics modellerine bak. Doğruluk-hız dengesini bizim donanımımız yerine kendi donanımında ölçmek için Benchmark moduna bak.
Desteklenen Görevler ve Modlar#
Aşağıdaki tablo, dört YOLO27 model ölçeği için planlanan görev ve mod desteğini önizler. Onay işaretleri, mevcut herkese açık kullanımı değil, yayınlandığında planlanan desteği gösterir; listelenen tüm model dosyaları henüz yayımlanmamıştır.
| Model | Dosya adları | Görev | Eğitim | Doğrulama | Çıkarım | Dışa aktar |
|---|---|---|---|---|---|---|
| YOLO27 | yolo27n.pt yolo27s.pt yolo27m.pt yolo27l.pt | Algılama | ✅ | ✅ | ✅ | ✅ |
| YOLO27-seg | yolo27n-seg.pt yolo27s-seg.pt yolo27m-seg.pt yolo27l-seg.pt | Örnek Segmentasyonu | ✅ | ✅ | ✅ | ✅ |
| YOLO27-sem | yolo27n-sem.pt yolo27s-sem.pt yolo27m-sem.pt yolo27l-sem.pt | Anlamsal Segmentasyon | ✅ | ✅ | ✅ | ✅ |
| YOLO27-depth | yolo27n-depth.pt yolo27s-depth.pt yolo27m-depth.pt yolo27l-depth.pt | Derinlik Tahmini | ✅ | ✅ | ✅ | ✅ |
| YOLO27-cls | yolo27n-cls.pt yolo27s-cls.pt yolo27m-cls.pt yolo27l-cls.pt | Sınıflandırma | ✅ | ✅ | ✅ | ✅ |
| YOLO27-pose | yolo27n-pose.pt yolo27s-pose.pt yolo27m-pose.pt yolo27l-pose.pt | Poz/Anahtar Noktalar | ✅ | ✅ | ✅ | ✅ |
| YOLO27-obb | yolo27n-obb.pt yolo27s-obb.pt yolo27m-obb.pt yolo27l-obb.pt | Yönelimli Algılama | ✅ | ✅ | ✅ | ✅ |
YOLO27 Detect, Segment, Pose ve OBB modelleri, video kareleri arasında çoklu nesne takibi için predict üzerine çalışan Track moduyla da kullanılabilir.
YOLO27 algılama, tek bir arayüz altında iki tasarım kullanır: N ve S ölçekleri sadeleştirilmiş CNN mimarisini, M ve L ölçekleri ise sorgu tabanlı, NMS gerektirmeyen mimariyi kullanır. Diğer tüm görevlerde CNN mimarisi kullanılır.
Performans Metrikleri#
Algılama doğruluğu COCO doğrulama kümesinde raporlanır. mAP, precision ve recall açıklamaları için YOLO Performans Metrikleri sayfasına bak. Çıkarım hızı, GPU için NVIDIA RTX PRO 6000 (TensorRT 11, FP16), CPU için AMD EPYC 9655 (ONNX Runtime, FP32) üzerinde ölçülür. Yayınlandıktan sonra doğruluk değerleri yolo val model=yolo27n.pt data=coco.yaml ile yeniden üretilebilir.
Bu araştırma sonuçları son Ar-Ge çalışmaları sırasında değişebilir. Herkese açık ağırlıklar ve sonuçları yeniden üretme talimatları sürümle birlikte sunulacaktır.
Bu modellerle kullanım örnekleri için, önceden eğitilmiş 80 sınıf içeren COCO üzerinde eğitilen modelleri gösteren Algılama Belgeleri sayfasına bak. Tabloda 640 piksel giriş kullanılır; genel bakışta ayrıca YOLO27l için 800 piksel raporlanır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız RTX PRO 6000 TensorRT11 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO27n | 640 | 42.3 | 16.1 ± 1.6 | 0.62 ± 0.00 | 3.0 | 7.2 |
| YOLO27s | 640 | 49.6 | 33.2 ± 0.1 | 0.79 ± 0.00 | 11.8 | 28.2 |
| YOLO27m | 640 | 55.8 | 67.2 ± 0.3 | 1.39 ± 0.00 | 22.8 | 65.0 |
| YOLO27l | 640 | 60.4 | 149.6 ± 1.4 | 2.32 ± 0.00 | 72.3 | 165.3 |
Parametre ve FLOPs değerleri, Conv/BatchNorm katlaması ve kullanılmayan algılama dalının kaldırılmasından sonra birleştirilmiş modele aittir. Algılama hız ölçümlerinde nms=False ile NMS gerektirmeyen 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 YOLO27 ile eğitim ve çıkarım için basit örnekler sunuluyor. Bu ve diğer modlar hakkında kapsamlı belgeler için Predict, Train, Val ve Export belge sayfalarına bak. Özel veri kümeleri için En İyi Eğitim Sonuçları İçin İpuçları ve Hiperparametre Ayarlama Kılavuzu sayfalarına bak.
Aşağıdaki örneğin, nesne algılama için YOLO27 Detect modellerini kullandığını unutma. Desteklenen diğer görevler için Segment ve Classify belgelerine bak.
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 bir YOLO27n modeli yükle
model = YOLO("yolo27n.pt")
# 'bus.jpg' görüntüsünde YOLO27n modeliyle çıkarım yap
results = model("path/to/bus.jpg")
# Modeli COCO8 örnek veri kümesinde 100 dönem boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Sık Sorulan Sorular#
- Çift ölçekli algılama (N/S): rekabetçi doğruluğu korurken daha hızlı bir başlık için orta ölçekli tahmin haritasını kaldırır
- Daha güçlü küçük nesne algılama (N/S): genişletilmiş erken özellik aşaması, küçük nesnelerin konumunu daha doğru belirler
- Ön plan hizalama denetimi (N/S): bire-çok ve bire-bir doğruluk farkını YOLO26n/s'deki 0.9/0.8 mAP değerinden YOLO27n/s'de 0.4 mAP'ye düşürür; çıkarım maliyeti sıfırdır
- Sorgu tabanlı, NMS gerektirmeyen algılama (M/L): Transformer kod çözücü, son algılamaları doğrudan üretir
- Tek ve basit arayüz: her iki mimari de aynı
YOLOsınıfı üzerinden çalışır
Henüz değil — YOLO27 henüz 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.
Yayımlandıktan sonra YOLO27'nin, YOLO26 ile aynı
YOLOsınıfını ve aynı train/val/predict/export API'sini kullanması amaçlanıyor — modelden doğru işlem hattı (CNN veya sorgu tabanlı) otomatik olarak seçilir. YOLO27 desteği ve ağırlıkları kullanıma sunulduğundayolo26n.ptyerineyolo27n.ptkullanmak, model seçimi için amaçlanan değişikliktir.Çoğu algılayıcı, 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, algılama başlığındaki hesaplamaların önemli bir bölümünü azaltır; yukarıdaki eğitim iyileştirmeleri de doğruluk-gecikme dengesinin rekabetçi kalmasını sağlar.
YOLO27l, COCO'da 60 mAP'yi aşan ilk Ultralytics modelidir; 640 piksellik girişte 60.4 mAP'ye (NVIDIA RTX PRO 6000'de 2.3 ms), 800 piksellik girişte ise 61.2 mAP'ye (2.9 ms) ulaşır. UltraViT omurgasını, çok ölçekli özellik birleştirmeyi ve NMS olmadan son algılamaları doğrudan üreten sorgu tabanlı bir algılayıcıyı bir araya getirir.
YOLO27, son Ar-Ge aşamasında ve bu yılın ilerleyen dönemlerinde piyasaya sürülmesi bekleniyor. Henüz bir çıkış tarihi belirlenmedi. Model ağırlıkları ve uygulama kodu henüz herkese açık değil.
YOLO27 yayımlandığında,
ultralyticspaketini yüklemek veya güncellemek için Hızlı Başlangıç sayfasına bak ve ardından aşağıda gösterildiği gibi bir model yükle. Bu örnek, yayınlandıktan sonra kullanılmak içindir:from ultralytics import YOLO # Önceden eğitilmiş bir YOLO27 nano modeli yükle model = YOLO("yolo27n.pt") # Bir görüntü üzerinde çıkarım yap results = model("image.jpg")Eğitim ve çıkarım örnekleri için Kullanım Örnekleri sayfasına, bu modlar içinse Val ve Export kılavuzlarına bak.