Ultralytics' wichtigste Highlights von der YOLO Vision 2025 Shenzhen!

Am 26. Oktober feierte YOLO Vision 2025 (YV25) sein China-Debüt im Gebäude B10 des OCT Creative Culture Park in Shenzhen. Die hybride Vision-AI-Veranstaltung von Ultralytics brachte über 200 Teilnehmer vor Ort zusammen, während viele weitere über YouTube und Bilibili online teilnahmen.

Der YV25 Shenzhen-Livestream hat auf YouTube bereits die Marke von 3.500 Aufrufen überschritten und gewinnt weiter an Aufmerksamkeit, da die Highlights der Veranstaltung in der Community geteilt werden. Es war ein Tag voller Ideen, Gespräche und praktischer Erkundungen darüber, wohin sich die Vision-KI als Nächstes entwickelt.

Der Tag begann mit einer herzlichen Begrüßung durch unsere Moderatorin Huang Xueying, die alle dazu einlud, Kontakte zu knüpfen, zu lernen und an den Diskussionen während der gesamten Veranstaltung teilzunehmen. Sie erklärte, dass dies die zweite YOLO Vision in diesem Jahr sei, nach der London-Ausgabe im September, und erzählte, wie aufregend es sei, die Vision-AI-Community hier in Shenzhen wieder zusammenzubringen.

In diesem Artikel blicken wir auf die Highlights des Tages zurück, einschließlich der Modell-Updates, der Expertenrunden, der Live-Demos und der Gemeinschaftsmomente, die alle zusammengebracht haben. Fangen wir an!

Die bisherige Reise der Ultralytics YOLO-Modelle#

Die erste Keynote des Tages wurde von Ultralytics-Gründer und CEO Glenn Jocher geleitet, der berichtete, wie sich Ultralytics YOLO models von einem Forschungsdurchbruch zu einigen der weltweit am häufigsten genutzten Vision-KI-Modellen entwickelt haben. Glenn erklärte, dass sich seine frühe Arbeit darauf konzentrierte, YOLO einfacher in der Handhabung zu machen.

Er portierte die Modelle zu PyTorch, verbesserte die Dokumentation und teilte alles offen, damit Entwickler überall darauf aufbauen konnten. Wie er sich erinnerte: „Ich bin 2018 kopfüber eingestiegen. Ich habe beschlossen, dass hier meine Zukunft liegt.“ Was als persönliche Bemühung begann, wurde schnell zu einer globalen Open-Source-Bewegung.

Abb. 1. Glenn Jocher spricht auf der Bühne der YOLO Vision 2025 Shenzhen.

Heute treiben Ultralytics YOLO-Modelle täglich Milliarden von Inferenzen an, und Glenn betonte, dass dieses Ausmaß nur durch die Menschen möglich war, die beim Aufbau geholfen haben. Forscher, Ingenieure, Studenten, Bastler und Open-Source-Mitwirkende aus der ganzen Welt haben YOLO zu dem gemacht, was es heute ist.

Wie Glenn es ausdrückte: „Es gibt fast tausend davon [Mitwirkende] da draußen und wir sind unglaublich dankbar dafür. Ohne diese Menschen wären wir heute nicht da, wo wir sind.“

Updates zu Ultralytics YOLO26#

Ein erster Blick auf YOLO26 wurde Anfang des Jahres auf der Veranstaltung YOLO Vision 2025 London gewährt, wo es als der nächste große Meilenstein innerhalb der Ultralytics YOLO-Modellfamilie vorgestellt wurde. Auf der YV25 Shenzhen gab Glenn ein Update zu den Fortschritten seit dieser Ankündigung und gewährte der KI-Community einen tieferen Einblick in die Entwicklung des Modells.

Ultralytics YOLO26 ist so konzipiert, dass es kleiner, schneller und genauer ist und gleichzeitig für den Praxiseinsatz tauglich bleibt. Glenn erklärte, dass das Team das letzte Jahr damit verbracht hat, die Architektur zu verfeinern, die Leistung auf verschiedenen Geräten zu benchen und Erkenntnisse aus Forschung und Community-Feedback einzubinden. Das Ziel ist es, modernste Leistung zu liefern, ohne die Bereitstellung von Modellen zu erschweren.

Was du von Ultralytics YOLO26 erwarten kannst#

Eines der Kernupdates, die Glenn hervorhob, ist, dass Ultralytics YOLO26 mit einer dedizierten Hyperparameter-Tuning-Kampagne kombiniert wird, wodurch der Wechsel vom reinen Training von Grund auf hin zur Feinabstimmung auf größeren Datensätzen vollzogen wird. Er führte aus, dass dieser Ansatz viel besser zu realen Anwendungsfällen passt.

Hier sind einige der anderen wichtigsten Verbesserungen, die auf der Veranstaltung geteilt wurden:

• Vereinfachte Architektur: Die Distribution Focal Loss (DFL)-Schicht wurde entfernt. Dies macht die Modelle einfacher und schneller ausführbar, während das gleiche Genauigkeitsniveau beibehalten wird.
• End-to-End-Inferenzunterstützung: Ultralytics YOLO26 bietet nativ End-to-End-Unterstützung, was bedeutet, dass es ohne eine separate NMS-Schicht ausgeführt werden kann. Dies macht den Export in Formate wie ONNX und TensorRT sowie die Bereitstellung auf Edge-Hardware wesentlich einfacher.
• Bessere Leistung bei kleinen Objekten: Aktualisierte Loss-Strategien helfen dem Modell, winzige Objekte zuverlässiger zu erkennen, was eine langjährige Herausforderung im Bereich Computer Vision darstellte.
• Ein neuer hybrider Optimizer: YOLO26 enthält einen neuen Optimizer, der von aktueller Forschung zum Training großer Sprachmodelle inspiriert ist, die Modellgenauigkeit verbessert und nun direkt im Ultralytics Python-Paket integriert ist.

Ultralytics YOLO26 ist der nächste Schritt in der praktischen Vision AI#

Zusammen führen diese Aktualisierungen zu Modellen, die auf der CPU bis zu 43 % schneller und gleichzeitig präziser sind als Ultralytics YOLO11, wodurch YOLO26 besonders wirkungsvoll für Embedded-Geräte, Robotik und Edge-Systeme ist.

Ultralytics YOLO26 wird dieselben Aufgaben und Modellgrößen unterstützen, die derzeit in YOLO11 verfügbar sind, was insgesamt 25 Modellvarianten in dieser Familie ergibt. Dies umfasst Modelle für Objekterkennung, Segmentierung, Posenschätzung, orientierte Bounding Boxes und Klassifizierung, die von nano bis extra groß reichen.

Das Team arbeitet auch an fünf promptbaren Varianten. Dies sind Modelle, die einen Text-Prompt entgegennehmen und direkt Bounding-Boxes zurückgeben können, ohne dass ein Training erforderlich ist.

Dies ist ein früher Schritt hin zu flexibleren, anweisungsbasierten Vision-Workflows, die sich leichter an verschiedene Anwendungsfälle anpassen lassen. Die Modelle von Ultralytics YOLO26 befinden sich noch in der aktiven Entwicklung, aber die ersten Leistungsergebnisse sind stark und das Team arbeitet an einer baldigen Veröffentlichung.

Ein Blick auf die Ultralytics Platform#

Nach dem YOLO26-Update hieß Glenn Prateek Bhatnagar, unseren Head of Product Engineering, willkommen, um eine Live-Demo der Ultralytics Platform zu präsentieren. Diese Plattform wird entwickelt, um zentrale Bereiche des Computer-Vision-Workflows zusammenzuführen, darunter das Erkunden von Datensätzen, das Annotieren von Bildern, das Trainieren von Modellen und das Vergleichen von Ergebnissen.

Abb. 2. Prateek Bhatnagar präsentiert die Ultralytics Platform.

Prateek wies darauf hin, dass die Plattform den Open-Source-Wurzeln von Ultralytics treu bleibt und zwei Community-Bereiche einführt – eine Datensatz-Community und eine Projekt-Community –, in denen Entwickler die Arbeit der jeweils anderen beitragen, wiederverwenden und verbessern können. Während der Demo zeigte er KI-gestütztes annotation, einfaches Cloud-Training und die Möglichkeit, Modelle direkt aus der Community heraus feinzutunen, ohne lokale GPU-Ressourcen zu benötigen.

Die Plattform befindet sich derzeit in der Entwicklung. Prateek ermutigte das Publikum, auf Ankündigungen zu achten, und merkte an, dass das Team in China wächst, um die Einführung zu unterstützen.

Stimmen hinter YOLO: Das Autoren-Panel#

Mit zunehmendem Schwung ging die Veranstaltung in eine Podiumsdiskussion über, an der mehrere Forscher hinter verschiedenen YOLO-Modellen teilnahmen. Auf dem Podium saßen neben Glenn Jocher auch Jing Qiu, unser Senior Machine Learning Engineer; Chen Hui, Machine Learning Engineer bei Meta und einer der Autoren von YOLOv10; sowie Bo Zhang, Algorithm Strategist bei Meituan und einer der Autoren von YOLOv6.

Abb. 3. Ein Panel zur Entwicklung von YOLO-Modellen mit Huang Xueying, Chen Hui, Bo Zhang, Jing Qiu und Glenn Jocher.

Die Diskussion konzentrierte sich darauf, wie sich YOLO durch die Nutzung in der realen Welt weiterentwickelt. Die Redner sprachen darüber, wie Fortschritt oft durch praktische Deployment-Herausforderungen vorangetrieben wird, wie etwa das effiziente Ausführen auf Edge-Geräten, die Verbesserung der Erkennung kleiner Objekte und die Vereinfachung des Modell-Exports.

Anstatt nur der Genauigkeit nachzujagen, wies das Panel auf die Bedeutung des Ausgleichs zwischen Geschwindigkeit, Benutzerfreundlichkeit und Zuverlässigkeit in Produktionsumgebungen hin. Eine weitere gemeinsame Erkenntnis war der Wert von Iteration und Community-Feedback.

Hier sind einige weitere interessante Einblicke aus dem Gespräch:

• Open-Vocabulary-Erkennung gewinnt im YOLO-Ökosystem an Bedeutung: Neuere Modelle zeigen, wie Vision-Language-Alignment und promptbasierte Workflows Objekte jenseits fester Kategorien erkennen können.
• Lightweight attention is on the rise: Das Podium diskutierte, wie der Einsatz effizienter attention mechanisms anstelle von vollständiger Attention überall die Genauigkeit steigern und die Inferenz gleichzeitig leicht genug für Edge-Geräte halten kann.
• Iteriere früh und oft mit der Community: Die Panelisten bekräftigten eine Build-Test-Improve-Mentalität, bei der das frühere Veröffentlichen von Modellen und das Lernen von Benutzern zu stärkeren Ergebnissen führt als lange, private Entwicklungszyklen.

Vordenker, die die Zukunft von KI und Vision definieren#

Als Nächstes werfen wir einen genaueren Blick auf einige der Keynote-Vorträge auf der YV25 Shenzhen, bei denen führende Köpfe der KI-Community darüber sprachen, wie sich Vision AI entwickelt, von digitalen Menschen und Robotik bis hin zu multimodalem Schlussfolgern und effizientem Edge-Deployment.

KI beibringen, die menschliche Erfahrung zu verstehen#

In einer aufschlussreichen Sitzung erzählte Dr. Peng Zhang vom Alibaba Qwen Lab, wie sein Team große Videomodelle entwickelt, die ausdrucksstarke digitale Menschen mit natürlicheren Bewegungen und Kontrollmöglichkeiten generieren können. Er führte durch Wan S2V und Wan Animate, die Audio- oder Bewegungsreferenzen verwenden, um realistische Sprache, Gestik und Animation zu erzeugen, und adressierte damit die Einschränkungen rein textgesteuerter Generierung.

Abb. 4. Peng Zhang erklärt, wie große Videomodelle digitale Menschen antreiben können.

Dr. Zhang sprach zudem über die Fortschritte hin zu interaktiven Avataren in Echtzeit, einschließlich des zero-shot-Klonens von Aussehen und Bewegung sowie leichter Modelle, die ein Gesicht direkt aus einem Live-Kamerastream animieren können, wodurch lebensechte digitale Menschen dem reibungslosen Betrieb auf Alltagsgeräten nähergebracht werden.

Von der Wahrnehmung zum Handeln: Das Zeitalter der verkörperten Intelligenz#

Eines der Hauptthemen auf der YV25 Shenzhen war der Wandel von Vision-Modellen, die die Welt lediglich sehen, hin zu Systemen, die darin agieren können. Mit anderen Worten, Wahrnehmung ist nicht mehr das Ende der Pipeline; sie wird zum Anfang des Handelns.

So beschrieb beispielsweise Hu Chunxu von D-Robotics in seiner Keynote, wie ihre Entwicklungskits und SoC-Lösungen (System-on-a-Chip) Sensorik, Echtzeit-Bewegungssteuerung und Entscheidungsfindung auf einem einheitlichen Hard- und Software-Stack integrieren. Indem sie Wahrnehmung und Aktion als kontinuierlichen Feedback-Loop anstelle getrennter Phasen behandeln, unterstützt ihr Ansatz robots, die sich in realen Umgebungen zuverlässiger bewegen, anpassen und interagieren können.

Abb. 5. Die Demo von D-Robotics auf der YOLO Vision 2025 in Shenzhen, China.

Alex Zhang von Baidu Paddle griff diesen Gedanken in seinem Vortrag auf und erklärte, wie YOLO und PaddleOCR zusammenarbeiten, um Objekte zu erkennen und anschließend den Text sowie die Struktur um sie herum zu interpretieren. Dies versetzt Systeme in die Lage, Bilder und Dokumente in nutzbare, strukturierte Informationen für Aufgaben wie Logistik, Inspektionen und automatisierte Verarbeitung zu konvertieren.

Intelligenz am Edge: Effiziente KI für jedes Gerät#

Ein weiteres interessantes Thema auf der YV25 Shenzhen war, wie Vision-KI auf edge devices effizienter und leistungsfähiger wird.

Paul Jung von DEEPX sprach über das Deployment von YOLO-Modellen direkt auf eingebetteter Hardware, wodurch die Abhängigkeit von der Cloud reduziert wird. Durch die Konzentration auf geringen Stromverbrauch, optimierte Inferenz und hardwarebewusste Modelloptimierung ermöglicht DEEPX Echtzeit-Wahrnehmung für Drohnen, mobile Roboter und industrielle Systeme, die in dynamischen Umgebungen operieren.

Ähnlich berichtete Liu Lingfei von Moore Threads, wie die Moore Threads E300-Plattform CPU, GPU und NPU-Computing integriert, um Hochgeschwindigkeits-Vision-Inferenz auf kompakten Geräten zu liefern.

Die Plattform kann mehrere YOLO-Streams mit hohen Bildraten ausführen, und ihr Toolchain vereinfacht Schritte wie Quantisierung, statische Kompilierung und Performance-Tuning. Moore Threads hat außerdem eine breite Palette an Computer-Vision-Modellen und Deployment-Beispielen als Open Source veröffentlicht, um die Hürden für Entwickler zu senken.

Vision und Sprache für intelligentere KI-Systeme verschmelzen#

Bis vor Kurzem erforderte die Erstellung eines einzelnen Modells, das sowohl Bilder verstehen als auch Sprache interpretieren kann, große transformer-Architekturen, die in der Ausführung teuer waren. Auf der YV25 Shenzhen gab Yue Ziyin von Yuanshi Intelligence einen Überblick über RWKV, eine Architektur, die die Long-Context-Fähigkeiten von Transformern mit der Effizienz von rekurrenten Modellen verbindet.

Er erklärte, wie Vision-RWKV dieses Design auf Computer Vision anwendet, indem Bilder auf eine Weise verarbeitet werden, die linear mit der Auflösung skaliert. Dies macht es geeignet für hochauflösende Eingaben und für Edge-Geräte, bei denen die Rechenkapazität begrenzt ist.

Yue zeigte auch, wie RWKV in Vision-Language-Systemen verwendet wird, bei denen Bildmerkmale mit Textverständnis gepaart werden, um über die Objekterkennung hinauszugehen und Szenen, Dokumente und den Kontext der realen Welt zu interpretieren.

Abb. 6. Yue Ziyin spricht über die Anwendungen von RWKV.

Stände und Live-Demos, die Vision AI zum Leben erweckten#

Während die Vorträge auf der Bühne einen Ausblick darauf gaben, wohin sich Vision AI bewegt, zeigten die Stände auf der Ausstellungsfläche, wie sie bereits heute eingesetzt wird. Die Teilnehmer konnten Modelle live in Aktion sehen, Hardware-Optionen vergleichen und direkt mit den Teams sprechen, die diese Systeme entwickeln.

Hier ein Einblick in die gezeigte Technologie:

• Entwickler- und Prototyping-Plattformen: Seeed, M5Stack und Infermove zeigten kompakte Entwicklungsboards und Starter-Kits, die es einfach machen, mit YOLO-basierten Anwendungen zu experimentieren und schnell von Ideen zu funktionierenden Demos zu gelangen.
• High-Performance Edge-Hardware: Hailo, DEEPX, Intel und Moore Threads demonstrierten Chips und Module, die für eine schnelle und effiziente Inferenz gebaut wurden.
• Vision- und Sprach-Workflows: Baidu Paddle und RWKV hoben Software-Stacks hervor, die nicht nur Objekte erkennen, sondern auch lesen, interpretieren und Schlussfolgerungen darüber ziehen können, was auf einem Bild oder Dokument zu sehen ist.
• Open-source and community tooling: Ultralytics und Datawhale begeisterten Entwickler mit Live-Modell-Demos, Trainingstipps und praktischer Anleitung und unterstrichen damit, wie geteiltes Wissen Innovationen beschleunigt.

Abb. 7. Ein Blick auf den Stand von M5Stack auf der YV25 Shenzhen.

Vernetzung mit der Vision-AI-Community#

Neben all der spannenden Technik war einer der besten Teile der YV25 Shenzhen, die Computer-Vision-Community und das Ultralytics-Team wieder persönlich zusammenzubringen. Den ganzen Tag über versammelten sich die Leute um Demos, tauschten Ideen in Kaffeepausen aus und führten die Gespräche weit über das Ende der Vorträge hinaus fort.

Forscher, Ingenieure, Studenten und Entwickler tauschten Erkenntnisse aus, stellten Fragen und teilten Praxiserfahrungen von der Bereitstellung bis zum Modelltraining. Und dank Cinco Jotas von Grupo Osborne brachten wir mit frisch geschnittenem Jamón sogar einen Hauch spanischer Kultur in die Veranstaltung, was für einen warmen Moment der Verbundenheit sorgte. Ein wunderschöner Veranstaltungsort, ein enthusiastisches Publikum und ein gemeinsames Gefühl der Aufbruchstimmung machten den Tag zu etwas ganz Besonderem.

Wichtige Erkenntnisse#

Von inspirierenden Keynotes bis hin zu praktischen Demos hat die YOLO Vision 2025 Shenzhen den Innovationsgeist eingefangen, der die Ultralytics-Community auszeichnet. Den ganzen Tag über tauschten Redner und Teilnehmer Ideen aus, erkundeten neue Technologien und vernetzten sich über eine gemeinsame Vision für die Zukunft der KI. Gemeinsam gingen sie voller Energie und bereit für das nächste Kapitel mit Ultralytics YOLO.

Erleben Sie neu, was mit KI und Computer Vision möglich ist. Treten Sie unserer community und unserem GitHub repository bei, um mehr zu entdecken. Erfahren Sie mehr über Anwendungen wie computer vision in agriculture und AI in retail. Entdecken Sie our licensing-Optionen und legen Sie noch heute mit Computer Vision los!