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

Am 25. September kündigte Glenn Jocher, unser Gründer und CEO, auf unserem jährlichen Hybrid-Event YOLO Vision 2025 (YV25) in London offiziell den neuesten Durchbruch der Ultralytics YOLO-Modellreihe an: Ultralytics YOLO26! Unser neues Computer-Vision-Modell YOLO26 kann Bilder und Videos mit einer optimierten Architektur analysieren und interpretieren, die Geschwindigkeit, Genauigkeit und einfache Bereitstellung perfekt ausbalanciert.

Während Ultralytics YOLO26 einige Aspekte des Modelldesigns vereinfacht und neue Verbesserungen hinzufügt, bietet es weiterhin die gewohnten Funktionen, die Nutzer von Ultralytics YOLO-Modellen erwarten. So ist Ultralytics YOLO26 beispielsweise einfach zu bedienen, unterstützt eine Vielzahl von Computer-Vision-Aufgaben und bietet flexible Integrations- und 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 Ultralytics 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!

Die 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 immer an die Kraft der Innovation geglaubt. Von Anfang an verfolgen wir eine doppelte Mission. Einerseits wollen wir Vision AI zugänglich machen, damit jeder sie barrierefrei nutzen kann. Andererseits setzen wir uns gleichermaßen dafür ein, sie auf dem neuesten Stand 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.“

Ein Überblick über Ultralytics YOLO26#

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

Hier ist eine Übersicht über die von Ultralytics YOLO26 unterstützten computer vision tasks:

• Object detection: Ultralytics YOLO26 kann mehrere Objekte in einem Bild oder Video-Frame identifizieren und lokalisieren.
• Instance segmentation: Einen Schritt weiter als die Detektion geht Ultralytics YOLO26, indem es pixelgenaue Begrenzungen um jedes identifizierte Objekt erzeugt.
• Bildklassifizierung: Das Modell kann ein ganzes Bild analysieren und einer bestimmten Kategorie oder einem Label zuweisen.
• Pose estimation: Ultralytics 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.
• Object tracking: Ultralytics YOLO26 kann verwendet werden, um Objekte über Video-Frames oder Echtzeit-Streams hinweg zu verfolgen.

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

Ein Blick auf die Architektur von Ultralytics YOLO26#

Nun, da wir ein besseres Verständnis davon haben, wozu Ultralytics 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 Ultralytics YOLO26, das Nano-Modell, auf Standard-CPUs jetzt bis zu 43 % schneller, wodurch sie sich besonders gut für mobile Apps, intelligente Kameras und andere Edge-Geräte eignet, bei denen Geschwindigkeit und Effizienz entscheidend sind. Hier ist eine kurze Zusammenfassung der Features von YOLO26 und worauf sich Anwender freuen können:

• DFL removal: Wir haben das Distribution Focal Loss-Modul aus der Architektur des Modells entfernt. Unabhängig von den Objektgrößen in einem Bild kann Ultralytics YOLO26 maßgeschneiderte Bounding Boxes platzieren und dabei effizienter laufen.
• End-to-end NMS-free inference: Ultralytics YOLO26 fügt einen optionalen Modus hinzu, der kein Non-Maximum Suppression (NMS) benötigt – einen Schritt, der normalerweise verwendet wird, um doppelte Vorhersagen zu entfernen, wodurch die Bereitstellung für den Echtzeiteinsatz einfacher und schneller wird.
• ProgLoss und STAL: Diese Verbesserungen machen das Training stabiler und erhöhen die Genauigkeit signifikant, insbesondere bei der Erkennung kleiner Objekte in komplexen Szenen.
• MuSGD optimizer: Ultralytics YOLO26 verwendet einen neuen Optimierer, der die Stärken von zwei Trainingsoptimierern (Muon und SGD) kombiniert, was dem Modell hilft, schneller zu lernen und eine höhere Genauigkeit zu erreichen.

Abb. 3: Benchmarking von Ultralytics YOLO26.

Vereinfachte Bereitstellung mit Ultralytics YOLO26#

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

Zu den Exportoptionen gehören unter anderem 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, Ultralytics YOLO26 ohne zusätzliche Hürden von der Entwicklung in die Produktion zu überführen.

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

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

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

Ultralytics 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 einen erheblichen Einfluss haben, indem es Arbeitsabläufe verbessert und eine schnellere, genauere Entscheidungsfindung ermöglicht.

Ein gutes Beispiel dafür ist die robotics, wo Ultralytics YOLO26 Roboter dabei unterstützen kann, ihre Umgebung in Echtzeit zu interpretieren. Dies sorgt für eine flüssigere Navigation und eine präzisere Handhabung von Objekten. Es ermöglicht zudem eine sicherere Zusammenarbeit mit Menschen.

Ein weiteres Beispiel ist die Fertigungsindustrie, in der das Modell zur Fehlererkennung eingesetzt werden kann. Es kann Mängel an Produktionslinien schneller und genauer als eine manuelle Inspektion automatisch identifizieren.

Abb. 4: Erkennung von Flaschen in einer Fertigungsfabrik mit Ultralytics YOLO26.

Da Ultralytics YOLO26 im Allgemeinen besser, schneller und leichter ist, passt es sich problemlos an eine Vielzahl von Umgebungen an, von leichten Edge-Geräten bis hin zu großen Unternehmenssystemen. Dies macht es zu einer praktischen Wahl für Branchen, die Effizienz, Genauigkeit und Zuverlässigkeit verbessern möchten.

Wichtige 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. Sieh dir unsere Lizenzierungsoptionen an, um noch heute mit der Entwicklung von Computer Vision zu beginnen.