Ultralytics YOLO27: Bekleme listesine katıl.
Başla

Ultralytics YOLO27

YOLO27 yakında geliyor

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 yaklaşan model ailesidir ve YOLO26 modelinin yerini alır. Dört boyutta sunulur — N, S, M ve L — ve nesne algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve yönlendirilmiş nesne algılamayı destekler. İki tasarıma ayrılma, algılama, örnek segmentasyonu ve poz tahmini görevleri için geçerlidir. Anlamsal segmentasyon, derinlik tahmini, sınıflandırma ve yönlendirilmiş nesne algılama CNN mimarisini kullanır.

Dört algılama ölçeğinde YOLO27, NVIDIA RTX PRO 6000 üzerinde 0,44-1,86 ms gecikmeyle COCO'da 42,6-60,5 mAP değerlerine ulaşır; daha büyük 800 piksel giriş boyutunda YOLO27l ile 61,4 mAP değerine kadar çıkar. YOLO27l, COCO'da 60 mAP değerini aşan ilk Ultralytics modelidir; kompakt YOLO27n/s modelleri ise neredeyse aynı hızda YOLO26n/s modellerinden daha yüksek doğruluk sunar.

Hızlı Başlangıç (yayımlandıktan sonra)
from ultralytics import YOLO

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

Temel Özellikler#

  • Çift ölçekli algılama Standart algılayıcılar nesneleri üç özellik haritasında tahmin eder: ince, orta ve kaba. YOLO27 N ve S, orta haritayı kaldırır ve yalnızca ince (küçük nesneler için) ve kaba (büyük nesneler için) haritalarda tahmin yapar; birleştirilmiş özelliklerdeki sabit ölçeklendirme iki ölçeğin dengesini korur. Bu yaklaşım, algılama başlığındaki hesaplamaların önemli bir bölümünü ortadan kaldırarak modelleri hızlandırır ve 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. 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 Daha büyük modeller, yoğun tahminin yerine sabit bir nesne sorgusu kümesini iyileştiren ve son algılamaları doğrudan üreten bir Transformer kod çözücü kullanır; maksimum olmayanların bastırılması şeklinde bir son işlem gerekmez. YOLO27m ve YOLO27l, bu kod çözücüyü en derin aşamasında küresel bağlamı yakalamak için öz-dikkat kullanan bir UltraViT omurgasıyla birleştirir; ardından bir FPN/PAN boyun ağı gelir.

  • Tek ve 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 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: COCO'da 60 mAP değerini aşan ilk Ultralytics modeli; daha büyük giriş boyutunda 61,4 mAP değerine ulaşırken GPU'da gerçek zamanlı çalışır.

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.

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.ptYönelimli Algılama✅✅✅✅

YOLO27 Detect, Segment, Pose ve OBB modelleri, video kareleri boyunca çoklu nesne izleme için predict modunun üzerine kurulan Track modunda da çalışır.

İki mimari yaklaşım

YOLO27 algılama, örnek segmentasyonu ve poz tahmini, tek bir arayüz altında iki tasarım kullanır: N ve S ölçekleri CNN mimarisini, M ve L ölçekleri ise sorgu tabanlı, NMS gerektirmeyen mimariyi kullanır. Anlamsal segmentasyon, derinlik tahmini, sınıflandırma ve yönlendirilmiş nesne algılama CNN mimarisini kullanır.

Performans Metrikleri#

Algılama doğruluğu COCO doğrulama kümesinde raporlanır. mAP, kesinlik ve duyarlılık açıklamaları için YOLO Performans Metrikleri sayfasına bak. COCO dışındaki doğruluk ölçümleri için tıbbi görüntüleme, uzaktan algılama, endüstri, perakende ve diğer alanlardan 37 gerçek dünya algılama veri kümesinde makro mAP50-95 değerini ölçen Ultralytics Benchmark sayfasına bak. Çıkarım hızı, GPU için NVIDIA RTX PRO 6000 (TensorRT 11, FP16) ve CPU için AMD EPYC 9655 (ONNX Runtime, FP32) üzerinde ölçülür. Yayınlandıktan sonra doğruluk değerleri yolo val model=yolo27n.pt data=coco.yaml imgsz=640 nms=False save_json=True ile yeniden üretilebilir. Algılama, örnek segmentasyonu ve poz tablolarında NMS gerektirmeyen başlık ve COCO değerlendirmesi kullanılır. N/S poz doğrulamasında dikdörtgen gruplar kullanılır (rect=True).

Ön sonuçlar

Bu araştırma sonuçları son Ar-Ge çalışmaları sırasında değişebilir. Herkese açık ağırlıklar ve sonuçları yeniden üretme talimatları sürümle birlikte sunulacaktır.

Performans

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.

Modelboyut
(piksel)		mAPval50-95Hız
CPU ONNX
(ms)		Hız
RTX PRO 6000 TensorRT11
(ms)		parametre
(M)		FLOPs
(B)
YOLO27n64042.616.1 ± 1.60.44 ± 0.003.07.2
YOLO27s64050.133.2 ± 0.10.64 ± 0.0011.828.2
YOLO27m64056.474.8 ± 0.51.01 ± 0.0024.664.6
YOLO27l64060.5149.6 ± 1.41.86 ± 0.0072.3166.7

Parametre ve FLOPs değerleri, Conv/BatchNorm birleştirmesi ve kullanılmayan algılama dalının kaldırılmasının ardından elde edilen birleştirilmiş model içindir. Algılama, örnek segmentasyonu ve poz ölçümlerinde nms=False ile NMS gerektirmeyen başlık seçilir; N/S doğruluğu seçilen başlığa bağlıdır. FLOPs, kod çözücü dikkat matrisi çarpımlarını içerir. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek değerler gösterebilir.

Kullanım Örnekleri#

Bu bölümde basit YOLO27 eğitim ve çıkarım örnekleri sunulmaktadır. Özel veri kümeleri için En İyi Eğitim Sonuçları İçin İpuçları ve Hiperparametre Ayarlama Kılavuzu'na bak.

Aşağıdaki örnek, nesne algılama için YOLO27 Detect modellerini gösterir.

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 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 YOLO sınıfı 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 YOLO sınıfını 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 sunulduğunda yolo26n.pt yerine yolo27n.pt kullanmak, 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 değerini aşan ilk Ultralytics modelidir; 640 piksel giriş boyutunda 60,5 mAP değerine (NVIDIA RTX PRO 6000 üzerinde 1,9 ms), 800 piksel giriş boyutunda ise 61,4 mAP değerine (2,4 ms) ulaşır. UltraViT omurgasını, çok ölçekli özellik birleştirmeyi ve son algılamaları NMS olmadan 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, ultralytics paketini 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.

Katkıda Bulunanlar
glenn-jocherglenn-jocher5fcakyonfcakyon1Laughing-qLaughing-q1raimbekovmraimbekovm1

Yorumlar9

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. sergshadrapGitHub

    Guys! You are doing incredible job , The thing I'd asked for is the total size for running model. When we speak about small devices embedded solutions that the -n model is intended to the size is very limited by the SoC properties and that is though to predict if it fits to the board or not. I think pointing the size is also important along the performance metrics for tiny models. Thanks again!

    1. Paula DerrengerUltralytics

      Thanks from the Ultralytics team and YOLO community—good suggestion. The preview lists YOLO27n at 3.0M parameters, but actual storage and runtime memory depend on the export format, precision, input size, and backend; exact measurements cannot be published until the models are released. We’ll consider adding artifact-size and memory benchmarks to the YOLO27 documentation, and please keep sharing embedded-device requirements here for team visibility.

    2. sergshadrapGitHub

      Thanks for you! Definitely nobody will ask about exact sizes of the models. What I meant is that most of the camera's SoCs ( for instance) we can split for three major segments, where the middle one is about Arm 1Ggz , 16m flash, and 128m Ram, the high is everything that has more advanced scu with multicores ,spaced flash and Ram and definitely folds more expensive and the low that everything below that. Trying to fit yolo26 to the gk7205v300 that exactly the middle one was a challenge even quantitized to 8. So ... what about the v27? Does it belong to the high-end only or I can try it for the middle one?

    3. Paula DerrengerUltralytics

      YOLO27n is intended for edge devices, so it is not high-end-only; its preliminary 3.0M parameters suggest INT8 weights around 3 MB, but 128 MB RAM may still be the limiting factor because activations and backend buffers depend on input size and runtime. For the GK7205V300, consider it a plausible target—not a confirmed fit—until the released model can be exported, profiled at reduced imgsz, and benchmarked on-device; YOLO27m/l are unlikely choices for those constraints. Please keep sharing your embedded results in this discussion so the Ultralytics team can track them alongside the YOLO27 documentation.

    4. Mohammed YasinUltralytics

      @sergshadrap How's the performance of YOLO26 on such SoCs? Because if it's too big to fit the SoC, then isn't it also too heavy to run? You can always reduce the size of the YOLO models by modifying the YAML file and removing some layers or reducing channels.

    5. sergshadrapGitHub

      Yeah , that is quite heavy stuff for 1 core 0.9 Ghz SoC , but I have it run . The most stable and sensible (for object recognition) configuration turns to be fp16 288x384 nano , that goes about 0.8 fps in continues run . That's pretty slow , but enough for my current cascade version, where IVE hardware detector is catching "something" and yolo refine the output. Would be glad to get a hint - how to reduce size and reduce layers/ channels. Now I'm on ncnn export tools , so it seems there is no fp8 variant for that tool? Forth to mention I'm on OpenIpc firmware and the majestic additionally quite a leaky guy , so with 128M of memory for all we're on the floor..

    6. Mohammed YasinUltralytics(düzenlendi)

      You can create a copy of this YAML and reduce the float values. Lowering width (the second float value) brings the biggest drop in model file size. Of course, all of these also reduces accuracy. The modified YAML can be loaded and used with

      model = YOLO("path/to/yaml")

      The ending suffix letter like n determines which of the scale values are used from this YAML.

      https://github.com/ultralytics/ultralytics/blob/b739caa8d2a0b8c83f7f65c228d006e197d4e5dc/ultralytics/cfg/models/26/yolo26.yaml#L13

    7. sergshadrapGitHub

      If only I change the model , do I need to re-train the model completely or I could move the weights from existing with some algorithm?