Lerne Ultralytics YOLO26 kennen: Ein besseres, schnelleres und kleineres YOLO-Modell

On September 25th, at our annual hybrid event, YOLO Vision 2025 (YV25) in London, Glenn Jocher, our Founder & CEO, officially announced the latest breakthrough in the Ultralytics YOLO model series, Ultralytics YOLO26! Our new computer vision model, YOLO26, can analyze and interpret images and video with a streamlined architecture that balances speed, accuracy, and ease of deployment.

Während Ultralytics YOLO26 einige Aspekte des Modelldesigns vereinfacht und neue Verbesserungen hinzufügt, bietet es weiterhin die vertrauten Funktionen, die Anwender von Ultralytics YOLO-Modellen erwarten. Zum Beispiel ist Ultralytics YOLO26 einfach zu bedienen, unterstützt eine Vielzahl von Computer-Vision-Aufgaben und bietet flexible Integrations- sowie Bereitstellungsoptionen.

Es versteht sich von selbst, dass der Umstieg auf Ultralytics YOLO26 damit problemlos verläuft, und wir können es kaum erwarten, dass die Nutzer es selbst erleben, sobald es Ende Oktober öffentlich verfügbar ist.

Abb. 1. Ein Beispiel für die Verwendung von YOLO26 zur Objekterkennung in einem Bild.

Einfach ausgedrückt ist Ultralytics YOLO26 ein besseres, schnelleres und kleineres Vision-KI-Modell. In diesem Artikel erkunden wir die wichtigsten Funktionen von Ultralytics YOLO26 und was es zu bieten hat. Fangen wir an!

Link to this sectionDie Grenzen der Vision-KI mit Ultralytics YOLO26 erweitern#

Bevor wir uns in die wichtigsten Funktionen von Ultralytics YOLO26 und die damit möglichen Anwendungen vertiefen, machen wir einen Schritt zurück und sprechen über die Inspiration und Motivation, die hinter der Entwicklung dieses Modells standen.

Bei Ultralytics haben wir schon immer an die Kraft der Innovation geglaubt. Von Anfang an war unsere Mission zweigeteilt. Einerseits möchten wir Vision-KI zugänglich machen, damit jeder sie barrierefrei nutzen kann. Andererseits engagieren wir uns gleichermaßen dafür, sie am Puls der Zeit zu halten und die Grenzen dessen zu erweitern, was Computer-Vision-Modelle leisten können.

Ein Schlüsselfaktor hinter dieser Mission ist, dass sich der KI-Bereich ständig weiterentwickelt. Zum Beispiel setzt sich Edge AI, bei der KI-Modelle direkt auf Geräten anstatt in der Cloud ausgeführt werden, branchenübergreifend rasant durch.

Von intelligenten Kameras bis hin zu autonomen Systemen wird heute von Geräten am Edge erwartet, Informationen in Echtzeit zu verarbeiten. Dieser Wandel erfordert Modelle, die leichter und schneller sind, dabei aber das gleiche hohe Maß an Genauigkeit liefern.

Deshalb besteht ein ständiger Bedarf, unsere Ultralytics YOLO-Modelle weiter zu verbessern. Wie Glenn Jocher es ausdrückt: „Eine der größten Herausforderungen bestand darin, sicherzustellen, dass die Benutzer das Beste aus YOLO26 herausholen können und gleichzeitig eine Spitzenleistung erzielt wird.“

Link to this sectionEin Überblick über Ultralytics YOLO26#

YOLO26 ist sofort einsatzbereit in fünf verschiedenen Modellvarianten verfügbar, was dir die Flexibilität gibt, seine Fähigkeiten in Anwendungen jeder Größenordnung zu nutzen. Alle diese Modellvarianten unterstützen mehrere Computer-Vision-Aufgaben, genau wie frühere Ultralytics YOLO-Modelle. Das bedeutet, dass du dich unabhängig von der gewählten Größe darauf verlassen kannst, dass YOLO26 eine breite Palette an Funktionen bietet, ähnlich wie Ultralytics YOLO11.

Hier ist ein Überblick über die Computer-Vision-Aufgaben, die von YOLO26 unterstützt werden:

• Objekterkennung: YOLO26 kann mehrere Objekte innerhalb eines Bildes oder Videoframes identifizieren und lokalisieren.
• Instanzsegmentierung: Ein Schritt über die Erkennung hinaus – YOLO26 kann pixelgenaue Grenzen um jedes identifizierte Objekt generieren.
• Bildklassifizierung: Das Modell kann ein ganzes Bild analysieren und einer bestimmten Kategorie oder einem Label zuweisen.
• Pose-Schätzung: YOLO26 kann Keypoints erkennen und Posen für Menschen sowie andere Objekte schätzen.
• Orientierte Bounding Boxes (OBB): Das Modell kann Objekte in jedem beliebigen Winkel erkennen, was besonders nützlich für Luft-, Drohnen- und Satellitenbilder ist, bei denen Gegenstände wie Gebäude, Fahrzeuge oder Feldfrüchte möglicherweise nicht am Bildrahmen ausgerichtet sind.
• Objektverfolgung: YOLO26 kann verwendet werden, um Objekte über Videoframes oder Echtzeit-Streams hinweg zu verfolgen.

Abb. 2. Objekterkennung in einem Bild mit YOLO26.

Link to this sectionEin Blick auf die Architektur von YOLO26#

Jetzt, da wir besser verstehen, wozu YOLO26 fähig ist, schauen wir uns einige der Innovationen in seiner Architektur an.

Das Design des Modells wurde durch die Entfernung des Distribution Focal Loss (DFL)-Moduls optimiert, was zuvor die Inferenz verlangsamte und die Bounding-Box-Regression einschränkte.

Der Vorhersageprozess wurde zudem durch eine End-to-End (E2E)-Inferenzoption vereinfacht, mit der das Modell den traditionellen Non-Maximum Suppression (NMS)-Schritt überspringen kann. Diese Verbesserung reduziert die Komplexität und lässt das Modell Ergebnisse schneller liefern, was die Bereitstellung in realen Anwendungen erleichtert.

Andere Verbesserungen machen das Modell intelligenter und zuverlässiger. Progressive Loss Balancing (ProgLoss) hilft, das Training zu stabilisieren und die Genauigkeit zu verbessern, während Small-Target-Aware Label Assignment (STAL) sicherstellt, dass das Modell kleine Objekte effektiver erkennt. Darüber hinaus verbessert ein neuer MuSGD-Optimierer die Trainingskonvergenz und steigert die Gesamtleistung.

Tatsächlich läuft die kleinste Version von YOLO26, das Nano-Modell, jetzt bis zu 43 % schneller auf Standard-CPUs, was es besonders gut für mobile Apps, intelligente Kameras und andere Edge-Geräte geeignet macht, bei denen Geschwindigkeit und Effizienz entscheidend sind. Hier ist eine kurze Zusammenfassung der Funktionen von YOLO26 und worauf sich Benutzer freuen können:

• DFL-Entfernung: Wir haben das Distribution Focal Loss-Modul aus der Architektur des Modells entfernt. Unabhängig von der Größe der Objekte in einem Bild kann YOLO26 maßgeschneiderte Bounding Boxes platzieren und dabei effizienter arbeiten.
• End-to-End NMS-freie Inferenz: YOLO26 fügt einen optionalen Modus hinzu, der keine Non-Maximum Suppression (NMS) benötigt – ein Schritt, der normalerweise verwendet wird, um doppelte Vorhersagen zu entfernen. Dies macht die Bereitstellung für den Echtzeiteinsatz einfacher und schneller.
• ProgLoss und STAL: Diese Verbesserungen machen das Training stabiler und erhöhen die Genauigkeit signifikant, insbesondere bei der Erkennung kleiner Objekte in komplexen Szenen.
• MuSGD-Optimierer: YOLO26 verwendet einen neuen Optimierer, der die Stärken zweier Trainingsoptimierer (Muon und SGD) kombiniert und dem Modell hilft, schneller zu lernen und eine höhere Genauigkeit zu erreichen.

Abb. 3. Benchmarking von YOLO26.

Link to this sectionVereinfachte Bereitstellung mit Ultralytics YOLO26#

Egal, ob du an mobilen Apps, smarten Kameras oder Unternehmenssystemen arbeitest, die Bereitstellung von YOLO26 ist einfach und flexibel. Das Ultralytics Python-Paket unterstützt eine stetig wachsende Anzahl von Exportformaten, was die Integration von YOLO26 in bestehende Workflows erleichtert und es mit fast jeder Plattform kompatibel macht.

Einige der Exportoptionen umfassen TensorRT für maximale GPU-Beschleunigung, ONNX für breite Kompatibilität, CoreML für native iOS-Apps, TFLite für Android und Edge-Geräte sowie OpenVINO für optimierte Leistung auf Intel-Hardware. Diese Flexibilität macht es unkompliziert, YOLO26 ohne zusätzliche Hürden von der Entwicklung in die Produktion zu überführen.

Ein weiterer entscheidender Teil der Bereitstellung ist sicherzustellen, dass Modelle auf Geräten mit begrenzten Ressourcen effizient laufen. Hier kommt Quantisierung ins Spiel. Dank seiner vereinfachten Architektur bewältigt YOLO26 dies hervorragend. Es unterstützt INT8-Bereitstellung (unter Verwendung von 8-Bit-Kompression zur Reduzierung der Größe und Verbesserung der Geschwindigkeit bei minimalem Genauigkeitsverlust) sowie Halbwertsgenauigkeit (FP16) für schnellere Inferenz auf unterstützter Hardware.

Am wichtigsten ist, dass YOLO26 über diese Quantisierungsstufen hinweg eine konstante Leistung liefert, sodass du dich darauf verlassen kannst, egal ob es auf einem leistungsstarken Server oder einem kompakten Edge-Gerät ausgeführt wird.

Link to this sectionVon Robotik bis Fertigung: Anwendungsfälle für YOLO26#

YOLO26 kann in einer Vielzahl von Computer-Vision-Anwendungen in vielen verschiedenen Branchen und Anwendungsfällen eingesetzt werden. Von der Robotik bis zur Fertigung kann es durch die Verbesserung von Workflows und die Ermöglichung einer schnelleren, genaueren Entscheidungsfindung einen erheblichen Einfluss haben.

Ein gutes Beispiel ist die Robotik, wo YOLO26 Robotern dabei helfen kann, ihre Umgebung in Echtzeit zu interpretieren. Dies macht die Navigation flüssiger und die Handhabung von Objekten präziser. Es ermöglicht zudem eine sicherere Zusammenarbeit mit Menschen.

Ein weiteres Beispiel ist die Fertigung, wo das Modell zur Fehlererkennung eingesetzt werden kann. Es kann Mängel in Produktionslinien automatisch schneller und genauer identifizieren als manuelle Inspektionen.

Abb. 4. Erkennung von Flaschen in einer Fabrik mit YOLO26.

Generell gilt: Weil YOLO26 besser, schneller und leichter ist, passt es sich problemlos an eine Vielzahl von Umgebungen an, von leichtgewichtigen Edge-Geräten bis hin zu großen Unternehmenssystemen. Dies macht es zu einer praktischen Wahl für Branchen, die Effizienz, Genauigkeit und Zuverlässigkeit verbessern möchten.

Link to this sectionWichtige Erkenntnisse#

Ultralytics YOLO26 ist ein Computer-Vision-Modell, das besser, schneller und leichter ist, dabei aber einfach in der Anwendung bleibt und weiterhin starke Leistung liefert. Es funktioniert über eine breite Palette von Aufgaben und Plattformen hinweg und wird bis Ende Oktober für alle verfügbar sein. Wir können es kaum erwarten zu sehen, wie die Community es nutzt, um neue Lösungen zu schaffen und die Grenzen der Computer Vision zu erweitern.

Werde Teil unserer wachsenden Community! Erkunde unser GitHub-Repository, um mehr über KI zu erfahren. Entdecke Innovationen wie Computer Vision im Einzelhandel und KI in der Automobilindustrie, indem du unsere Lösungsseiten besuchst. Um noch heute mit Computer Vision zu bauen, schau dir unsere Lizenzoptionen an.