Ultralytics YOLO27#

Genel Bakış#

Ultralytics YOLO27, tespit modelleri iki tamamlayıcı tasarımı kullanan gerçek zamanlı bir vizyon modelleri ailesidir: kompakt N ve S modelleri için akıcılaştırılmış bir CNN mimarisi ve daha büyük M ve L modelleri için sorgu tabanlı, NMS'siz bir mimari. Her iki tasarım da uçtan uca çalışır ve aynı arayüz üzerinden dağıtılır.

YOLO27, YOLO26 modelinin ardından gelen Ultralytics YOLO serisindeki yeni model ailesidir. Dört boyutta gelir — N, S, M ve L — ve nesne tespiti, örnek bölütleme, anlamsal bölütleme, derinlik tahmini, sınıflandırma, poz tahmini ile yönlendirilmiş nesne tespiti özelliklerini destekler. İki tasarımlı ayrım tespit için geçerlidir; diğer tüm görevler CNN mimarisini kullanır.

Dört tespit ölçeği genelinde YOLO27, bir NVIDIA RTX PRO 6000 üzerinde 0,62-2,32 ms gecikmeyle COCO üzerinde 42,3-60,4 mAP değerine ulaşır — ve daha büyük 800 piksel girdide YOLO27l ile 61,2 mAP değerine kadar çıkar. YOLO27l, COCO üzerinde 60 mAP sınırını aşan ilk Ultralytics modelidir, kompakt YOLO27n/s ise neredeyse aynı hızda YOLO26n/s doğruluğunu geliştirir.

from ultralytics import YOLO

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

Temel Özellikler#

• Çift ölçekli tespit Standart dedektörler üç özellik haritası üzerinde nesneleri tahmin eder — ince, orta ve kaba. YOLO27 N ve S orta olanı atlar ve yalnızca ince bir haritada (küçük nesneler için) ve kaba bir haritada (büyük nesneler için) tahmin yapar; birleştirilmiş özellikler üzerindeki sabit bir ölçekleme iki ölçeği dengede tutar. Bu, tespit kafası hesaplamasının büyük bir kısmını ortadan kaldırarak modelleri daha hızlı hale getirir ve tam üç ölçekli tasarım kadar güvenilir bir şekilde eğitilmesini sağlar.

• Daha güçlü küçük nesne tespiti Erken, yüksek çözünürlüklü özellik aşaması, daha ayrıntılı detayları yakalayabilmesi için genişletilmiştir. Kalan ince tahmin haritası ile birleştirildiğinde bu, küçük nesneler için yerelleştirmeyi ve regresyonu geliştirir — bu, kompakt modeller için en zor kategoridir.

• Ön plan hizalama denetimi Eğitim sırasında ekstra hafif bir dal, her konumda "nesne" ile "arkaplan" ayrımını yapmayı öğrenir. Eğitim sırasında kullanılan daha yoğun bire-çok denetim ile nihai tahminleri üreten bire-bir kafa arasındaki boşluğu kapatmak için tasarlanmıştır — bu doğruluk farkını YOLO26n/s üzerinde 0,9/0,8 mAP'den YOLO27n/s üzerinde yalnızca 0,4 mAP'ye düşürür, böylece dağıtılan bire-bir kafa eğitim zamanı doğruluğunun neredeyse tamamını korur. Bu dal yalnızca eğitim sırasında kullanılır ve çıkarım ile dışa aktarma için kaldırılır, bu nedenle dağıtımda hiçbir maliyeti yoktur.

• NMS'siz sorgu tabanlı tespit Daha büyük modeller, yoğun tahmini, sabit bir nesne sorgusu setini iyileştiren ve doğrudan nihai tespitleri çıktılatan bir transformer kod çözücü ile değiştirir — hiçbir baskın olmayan öğe bastırma son işlemine gerek yoktur. YOLO27m bu kod çözücüyü kanıtlanmış YOLO26 tarzı konvolüsyonel omurga ile eşleştirirken, YOLO27l aynı FPN/PAN boyun kısmını korur ve küresel bağlamı yakalamak için en derin aşamasında öz dikkati kullanan bir UltraViT omurgasıyla değiştirir.

• Tek basit arayüz Her iki mimari de aynı YOLO Python arayüzü üzerinden kullanılır. Doğru eğitim, doğrulama, tahmin ve dışa aktarma boru hattı modelden otomatik olarak seçilir, bu nedenle bir YOLO27 ölçeği için yazılan kod diğerleri için değiştirmeden çalışır.

Hangi YOLO27 Modelini Kullanmalıyım?#

Aşağıdaki rehber, YOLO27 yayınlandığında bir model seçmek içindir. Günümüzdeki projeler için YOLO26 kullanın.

• YOLO27n / YOLO27s — uç cihazlar, dronlar ve gerçek zamanlı video: çift ölçekli tasarım sayesinde iyileştirilmiş küçük nesne tespitiyle ailenin en hızlı modelleridir. Cihaza özgü dağıtım için NVIDIA Jetson ve Raspberry Pi sayfalarına bakın.
• YOLO27m — GPU'larda doğruluk-hız en uygun noktası: aynı gecikmede YOLO26m'ye göre 3,2 mAP artış sağlayarak üretim GPU dağıtımı için varsayılan seçenek haline gelir.
• YOLO27l — doğruluğun kritik olduğu uygulamalar: COCO üzerinde 60 mAP'nin üzerindeki ilk Ultralytics modeli olup, GPU'da gerçek zamanlı kalırken daha büyük bir girdi boyutunda 61,2 mAP'ye ulaşır.

Diğer ailelerle karşılaştırmak için tüm Ultralytics modelleri sayfasına bakın. Doğruluk-hız dengesini bizim donanımımız yerine kendi donanımınızda ölçmek için Kıyaslama modu sayfasına bakın.

Desteklenen Görevler ve Modlar#

Aşağıdaki tablo, dört YOLO27 model ölçeğinde planlanan görev ve mod desteğini önizlemektedir. Onay işaretleri mevcut genel mevcudiyeti değil, sürümdeki amaçlanan desteği gösterir; listelenen tüm model dosyaları yayınlanmamıştır.

YOLO27 Tespiti, Bölütlemesi, Pozu ve OBB modelleri, video kareleri arasında çoklu nesne takibi için tahmin üzerinde çalışan Takip modu ile de çalışır.

Performans Metrikleri#

Tespit doğruluğu COCO doğrulama kümesi üzerinde bildirilmiştir. mAP, kesinlik ve duyarlılık açıklamaları için YOLO Performans Metrikleri bölümüne bakın. Çıkarım hızı GPU için bir NVIDIA RTX PRO 6000 (TensorRT 11, FP16) ve CPU için bir AMD EPYC 9655 (ONNX Runtime, FP32) üzerinde ölçülmüştür. Yayınlandıktan sonra doğruluk rakamları yolo val model=yolo27n.pt data=coco.yaml ile yeniden üretilebilir.

Parametreler ve FLOP değerleri, Conv/BatchNorm katlama ve kullanılmayan algılama dalının kaldırılmasından sonraki birleştirilmiş model içindir. Hız ölçümleri, nms=False ile NMS'siz kafayı seçer. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Kullanım Örnekleri#

Bu bölüm basit YOLO27 eğitimi ve çıkarımı örnekleri sağlar. Bunlar ve diğer modlar hakkında tam dokümantasyon için Tahmin, Eğitim, Doğrulama ve Dışa Aktarma doküman sayfalarına bakın. Özel veri kümeleri için En İyi Eğitim Sonuçları için İpuçları ve Hiperparametre Ayarlama Kılavuzu sayfalarına bakın.

Aşağıdaki örneğin nesne tespiti için YOLO27 Tespit modellerine yönelik olduğunu unutmayın. Desteklenen ek görevler için Bölütleme ve Sınıflandırma belgelerine bakın.

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)

Şu anda yalnızca bu dokümantasyon önizlemesi mevcuttur. YOLO27 model ağırlıkları, yapılandırmaları ve uygulama kodu yayınlanmamıştır. Modeller kullanıma sunulduğunda bu sayfaya yayınlama talimatları eklenecektir.

SSS#