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

Am 25. September kündigte unser Gründer und CEO, Glenn Jocher, bei unserer jährlichen Hybridveranstaltung YOLO Vision 2025 (YV25) in London offiziell das neueste Modell der Ultralytics-YOLO-Reihe an: Ultralytics YOLO26. Unser neues Computer-Vision-Modell YOLO26 kann Bilder und Videos analysieren und interpretieren. Seine schlanke Architektur vereint Geschwindigkeit, Genauigkeit und einfache Bereitstellung.

Während Ultralytics YOLO26 Aspekte des Modelldesigns vereinfacht und neue Verbesserungen mitbringt, bietet das Modell weiterhin die vertrauten Funktionen, die Nutzer von Ultralytics-YOLO-Modellen erwarten. Ultralytics YOLO26 ist beispielsweise einfach zu verwenden, unterstützt verschiedene Computer-Vision-Aufgaben und bietet flexible Optionen für Integration und Bereitstellung.

Der Wechsel zu Ultralytics YOLO26 ist damit unkompliziert, und wir freuen uns darauf, dass Nutzerinnen und Nutzer das Modell selbst ausprobieren. YOLO26 wurde am 14. Januar 2026 öffentlich veröffentlicht und ist jetzt über das Ultralytics-Python-Paket und die Ultralytics Platform verfügbar.

Abb. 1. Ein Beispiel für die Objekterkennung in einem Bild mit Ultralytics YOLO26.

Kurz gesagt: Ultralytics YOLO26 ist ein besseres, schnelleres und kleineres Vision-AI-Modell. In diesem Artikel stellen wir die wichtigsten Funktionen von Ultralytics YOLO26 vor und zeigen, was das Modell zu bieten hat.

Die Grenzen der Vision-KI mit Ultralytics YOLO26 erweitern#

Bevor wir uns mit den wichtigsten Funktionen von Ultralytics YOLO26 und den dadurch möglichen Anwendungen befassen, sehen wir uns an, welche Inspiration und Motivation hinter der Entwicklung dieses Modells standen.

Bei Ultralytics waren wir schon immer von der Kraft der Innovation überzeugt. Von Anfang an hatte unsere Mission zwei Seiten. Einerseits wollen wir Vision AI zugänglich machen, damit alle sie ohne Hürden nutzen können. Andererseits wollen wir den neuesten Stand der Technik konsequent vorantreiben und die Grenzen dessen verschieben, was Computer-Vision-Modelle leisten können.

Ein wesentlicher Grund für diese Mission ist, dass sich der KI-Bereich ständig weiterentwickelt. So verbreitet sich beispielsweise Edge-KI, bei der KI-Modelle direkt auf Geräten statt in der Cloud ausgeführt werden, rasant in verschiedenen Branchen.

Von intelligenten Kameras bis hin zu autonomen Systemen wird heute erwartet, dass Geräte am Netzwerkrand Informationen in Echtzeit verarbeiten. Dieser Wandel erfordert leichtere und schnellere Modelle, die dennoch das gleiche hohe Maß an Genauigkeit liefern.

Deshalb müssen wir unsere Ultralytics-YOLO-Modelle ständig weiter verbessern. Wie Glenn Jocher sagt: „Eine der größten Herausforderungen bestand darin, sicherzustellen, dass Nutzer das Beste aus YOLO26 herausholen können und das Modell gleichzeitig Spitzenleistung erbringt.“

Ein Überblick über Ultralytics YOLO26#

YOLO26 ist sofort in fünf verschiedenen Modellvarianten verfügbar. So kannst du seine Funktionen flexibel in Anwendungen jeder Größenordnung einsetzen. Wie frühere Ultralytics-YOLO-Modelle unterstützen alle diese Modellvarianten mehrere Computer-Vision-Aufgaben. Das bedeutet: Unabhängig davon, welche Größe du wählst, kannst du dich darauf verlassen, dass YOLO26 vielfältige Funktionen bietet – ähnlich wie Ultralytics YOLO11.

Hier ist ein Überblick über die von Ultralytics YOLO26 unterstützten Computer-Vision-Aufgaben:

• Objekterkennung: Ultralytics YOLO26 kann mehrere Objekte in einem Bild oder Videobild erkennen und lokalisieren.
• Instanzsegmentierung: Ultralytics YOLO26 geht über die Erkennung hinaus und kann pixelgenaue Umrisse um jedes erkannte Objekt erstellen.
• Bildklassifizierung: Das Modell kann ein ganzes Bild analysieren und einer bestimmten Kategorie oder Bezeichnung zuordnen.
• Posenschätzung: Ultralytics YOLO26 kann Schlüsselpunkte erkennen und Posen von Menschen und anderen Objekten schätzen.
• Rotierte Begrenzungsrahmen (OBB): Das Modell kann Objekte in jedem beliebigen Winkel erkennen. Das ist besonders nützlich für Luft-, Drohnen- und Satellitenbilder, in denen Objekte wie Gebäude, Fahrzeuge oder Nutzpflanzen möglicherweise nicht am Bildrahmen ausgerichtet sind.
• Objektverfolgung: Ultralytics YOLO26 kann Objekte in Videobildern oder Echtzeit-Streams verfolgen.

Abb. 2. Objekterkennung in einem Bild mit Ultralytics YOLO26.

Ein Blick auf die Architektur von Ultralytics YOLO26#

Nachdem wir nun besser verstehen, wozu Ultralytics YOLO26 in der Lage ist, sehen wir uns einige der Neuerungen in der Architektur an.

Das Modelldesign wurde durch das Entfernen des Moduls Distribution Focal Loss (DFL) vereinfacht, das zuvor die Inferenz verlangsamte und die Regression von Begrenzungsrahmen einschränkte.

Auch der Vorhersageprozess wurde durch eine End-to-End-Inferenzoption (E2E) vereinfacht, mit der das Modell den herkömmlichen Schritt der Nicht-Maximum-Unterdrückung (NMS) überspringen kann. Diese Verbesserung verringert die Komplexität und ermöglicht dem Modell, schneller Ergebnisse zu liefern. So wird die Bereitstellung in realen Anwendungen einfacher.

Weitere Verbesserungen machen das Modell intelligenter und zuverlässiger. Progressive Loss Balancing (ProgLoss) stabilisiert das Training und erhöht die Genauigkeit, während Small-Target-Aware Label Assignment (STAL) sicherstellt, dass das Modell kleine Objekte effektiver erkennt. Darüber hinaus verbessert ein neuer MuSGD-Optimierer die Konvergenz beim Training und steigert die Gesamtleistung.

Tatsächlich läuft die kleinste Version von Ultralytics YOLO26, das Nano-Modell, auf Standard-CPUs inzwischen bis zu 43 % schneller als YOLO11n. Damit eignet es sich besonders gut für mobile Apps, intelligente Kameras und andere Edge-Geräte, bei denen Geschwindigkeit und Effizienz entscheidend sind. Hier findest du eine kurze Zusammenfassung der Funktionen von YOLO26 und dessen, worauf sich Nutzerinnen und Nutzer freuen können:

• Entfernung von DFL: Wir haben das Modul Distribution Focal Loss aus der Modellarchitektur entfernt. Unabhängig von der Größe der Objekte in einem Bild kann Ultralytics YOLO26 maßgeschneiderte Begrenzungsrahmen setzen und dabei effizienter arbeiten.
• End-to-End-Inferenz ohne NMS: Ultralytics YOLO26 bietet einen optionalen Modus, der keine Nicht-Maximum-Unterdrückung (NMS) benötigt. Dieser Schritt wird normalerweise verwendet, um doppelte Vorhersagen zu entfernen. Dadurch wird die Bereitstellung für den Echtzeiteinsatz einfacher und schneller.
• ProgLoss und STAL: Diese Verbesserungen stabilisieren das Training und steigern die Genauigkeit deutlich, insbesondere bei der Erkennung kleiner Objekte in komplexen Szenen.
• MuSGD-Optimierer: Ultralytics YOLO26 verwendet einen neuen Optimierer, der die Stärken zweier Trainingsoptimierer (Muon und SGD) vereint. So kann das Modell schneller lernen und eine höhere Genauigkeit erreichen.

Abb. 3. Benchmarking von Ultralytics YOLO26.

Die Bereitstellung mit Ultralytics YOLO26 vereinfachen#

Ob du an mobilen Apps, intelligenten Kameras oder Unternehmenssystemen arbeitest: Die Bereitstellung von YOLO26 ist einfach und flexibel. Das Ultralytics-Python-Paket unterstützt eine stetig wachsende Zahl von Exportformaten. Dadurch lässt sich YOLO26 einfach in bestehende Arbeitsabläufe integrieren und ist mit nahezu jeder Plattform kompatibel.

Zu den Exportoptionen gehören 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. Dank dieser Flexibilität lässt sich Ultralytics YOLO26 ohne zusätzliche Hürden von der Entwicklung in den Produktivbetrieb überführen.

Ein weiterer wichtiger Aspekt der Bereitstellung ist, dass Modelle auch auf Geräten mit begrenzten Ressourcen effizient laufen. Hier kommt die Quantisierung ins Spiel. Dank seiner vereinfachten Architektur eignet sich Ultralytics YOLO26 gut dafür. Das Modell unterstützt die INT8-Bereitstellung (Komprimierung auf 8 Bit, um die Größe zu verringern und die Geschwindigkeit bei minimalem Genauigkeitsverlust zu erhöhen) sowie Halbpräzision (FP16) für eine schnellere Inferenz auf unterstützter Hardware.

Besonders wichtig ist, dass Ultralytics YOLO26 über diese Quantisierungsstufen hinweg eine gleichbleibende Leistung bietet. Du kannst dich also darauf verlassen, egal ob das Modell auf einem leistungsstarken Server oder einem kompakten Edge-Gerät läuft.

Von der Robotik bis zur Fertigung: Anwendungsfälle für Ultralytics YOLO26#

Ultralytics YOLO26 lässt sich in vielen Computer-Vision-Anwendungen und Branchen für unterschiedlichste Anwendungsfälle einsetzen. Von der Robotik bis zur Fertigung kann das Modell Arbeitsabläufe verbessern und schnellere, genauere Entscheidungen ermöglichen.

Ein gutes Beispiel ist die Robotik: Ultralytics YOLO26 kann Robotern helfen, ihre Umgebung in Echtzeit zu erfassen. Das sorgt für eine reibungslosere Navigation und einen präziseren Umgang mit Objekten. Außerdem ermöglicht es eine sicherere Zusammenarbeit mit Menschen.

Ein weiteres Beispiel ist die Fertigung, wo das Modell zur Fehlererkennung eingesetzt werden kann. Es kann Fehler in Produktionslinien schneller und genauer als eine manuelle Prüfung automatisch erkennen.

Abb. 4. Erkennung von Flaschen in einer Produktionsstätte mit Ultralytics YOLO26.

Da Ultralytics YOLO26 besser, schneller und leichter ist, lässt es sich generell problemlos in unterschiedlichsten Umgebungen einsetzen – von ressourcenschonenden Edge-Geräten bis hin zu großen Unternehmenssystemen. Das macht das Modell zu einer praktischen Wahl für Branchen, die Effizienz, Genauigkeit und Zuverlässigkeit verbessern möchten.

Die wichtigsten Erkenntnisse#

Ultralytics YOLO26 ist ein besseres, schnelleres und leichteres Computer-Vision-Modell, das einfach zu bedienen ist und dennoch eine starke Leistung bietet. Es funktioniert mit zahlreichen Aufgaben und Plattformen und ist seit seiner Veröffentlichung im Januar 2026 für alle verfügbar. Wir freuen uns darauf zu sehen, wie die Community das Modell für neue Lösungen nutzt und die Grenzen der Computer Vision verschiebt.

Werde Teil unserer wachsenden Community! In unserem GitHub-Repository erfährst du mehr über KI. Entdecke auf unseren Lösungsseiten Innovationen wie Computer Vision im Einzelhandel und KI in der Automobilbranche. Wenn du noch heute mit Computer Vision loslegen möchtest, sieh dir unsere Lizenzoptionen an.