Die wichtigsten Eindrücke von Ultralytics auf YOLO Vision 2025 Shenzhen!

Am 26. Oktober feierte YOLO Vision 2025 (YV25) in China Premiere. Die Veranstaltung fand im Gebäude B10 des OCT Creative Culture Park in Shenzhen statt. Das hybride Vision-KI-Event von Ultralytics brachte mehr als 200 Teilnehmende vor Ort zusammen, während viele weitere online über YouTube und Bilibili dabei waren.

Der Livestream von YV25 Shenzhen hat auf YouTube bereits mehr als 3.500 Aufrufe erzielt und erhält weiterhin Aufmerksamkeit, während die Höhepunkte der Veranstaltung in der Community geteilt werden. Es war ein Tag voller Ideen, Gespräche und praktischer Einblicke in die nächsten Entwicklungen im Bereich Vision-KI.

Der Tag begann mit einer herzlichen Begrüßung durch unsere Moderatorin Huang Xueying, die alle dazu einlud, sich auszutauschen, Neues zu lernen und sich während der gesamten Veranstaltung an den Diskussionen zu beteiligen. Sie erklärte, dass dies die zweite YOLO Vision des Jahres war, nach der Londoner Ausgabe im September, und wie sehr sie sich freute, die Vision-KI-Community hier in Shenzhen erneut zusammenzubringen.

In diesem Artikel blicken wir auf die Höhepunkte des Tages zurück, darunter Modellaktualisierungen, Vorträge, Live-Demos und Begegnungen mit der Community, die alle zusammengebracht haben.

Die bisherige Entwicklung der Ultralytics-YOLO-Modelle#

Die erste Keynote des Tages hielt der Gründer und CEO von Ultralytics, Glenn Jocher. Er erzählte, wie sich die Ultralytics-YOLO-Modelle von einem Forschungsdurchbruch zu einigen der weltweit am häufigsten eingesetzten Vision-KI-Modelle entwickelt haben. Glenn erklärte, dass sich seine frühe Arbeit darauf konzentrierte, YOLO einfacher nutzbar zu machen.

Er portierte die Modelle zu PyTorch, verbesserte die Dokumentation und stellte alles offen zur Verfügung, damit Entwicklerinnen und Entwickler auf der ganzen Welt darauf aufbauen konnten. Wie er sich erinnerte: „2018 habe ich mich kopfüber hineingestürzt. Ich entschied, dass hier meine Zukunft liegt.“ Aus einem persönlichen Vorhaben wurde schnell eine weltweite Open-Source-Bewegung.

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

Heute ermöglichen Ultralytics-YOLO-Modelle täglich Milliarden von Inferenzvorgängen. Glenn betonte, dass dieses Ausmaß nur dank der Menschen möglich war, die am Aufbau mitgewirkt haben. Forschende, Ingenieure, Studierende, Hobbyanwender und Open-Source-Mitwirkende aus aller Welt haben YOLO zu dem gemacht, was es heute ist.

Wie Glenn es ausdrückte: „Da draußen sind fast tausend von ihnen [Mitwirkenden], und wir sind ihnen sehr dankbar. Ohne diese Menschen wären wir heute nicht da, wo wir sind.“

Aktuelles zu Ultralytics YOLO26#

Einen ersten Einblick in Ultralytics YOLO26 gab es Anfang des Jahres bei der Veranstaltung YOLO Vision 2025 London, wo das Modell als nächster großer Schritt in der Modellfamilie Ultralytics YOLO vorgestellt wurde. Bei YV25 Shenzhen berichtete Glenn über die Fortschritte seit dieser Ankündigung und gab der KI-Community einen genaueren Einblick in die Weiterentwicklung des Modells.

Ultralytics YOLO26 soll kleiner, schneller und genauer sein und sich zugleich für den praktischen Einsatz in der realen Welt eignen. Glenn erklärte, dass das Team im vergangenen Jahr die Architektur verfeinert, die Leistung auf verschiedenen Geräten bewertet und Erkenntnisse aus der Forschung sowie Rückmeldungen aus der Community berücksichtigt hat. Ziel ist es, Spitzenleistung zu bieten, ohne die Bereitstellung von Modellen schwieriger zu machen.

Was du von Ultralytics YOLO26 erwarten kannst#

Eine der zentralen Neuerungen, die Glenn hervorhob, ist, dass Ultralytics YOLO26 mit einer speziellen Kampagne zur Hyperparameteroptimierung kombiniert wird, die den Wechsel vom vollständigen Training von Grund auf zur Feinabstimmung auf größeren Datensätzen markiert. Er erläuterte, dass dieser Ansatz viel besser auf tatsächliche Anwendungsfälle in der Praxis abgestimmt ist.

Hier sind einige der weiteren wichtigen Verbesserungen, die bei der Veranstaltung vorgestellt wurden:

• Vereinfachte Architektur: Die Ebene für Distribution Focal Loss (DFL) wurde entfernt. Dadurch lassen sich die Modelle einfacher und schneller ausführen, ohne dass die Genauigkeit darunter leidet.
• Unterstützung für durchgängige Inferenz: Ultralytics YOLO26 ist nativ durchgängig aufgebaut und kann daher ohne separate NMS-Schicht ausgeführt werden. Dadurch wird der Export in Formate wie ONNX und TensorRT sowie die Bereitstellung auf Edge-Hardware deutlich einfacher.
• Bessere Leistung bei kleinen Objekten: Aktualisierte Verlustfunktionen helfen dem Modell, winzige Objekte zuverlässiger zu erkennen. Das ist seit Langem eine Herausforderung in der Computer Vision.
• Ein neuer hybrider Optimierer: YOLO26 enthält einen neuen Optimierer, der von aktueller Forschung zum Training großer Sprachmodelle inspiriert ist. Er verbessert die Modellgenauigkeit und ist nun direkt in das Ultralytics-Python-Paket integriert.

Ultralytics YOLO26: der nächste Schritt zu praktischer Vision-KI#

Zusammen führen diese Verbesserungen zu Modellen, die auf der CPU bis zu 43 % schneller und zugleich genauer als Ultralytics YOLO11 sind. Damit ist YOLO26 besonders interessant für eingebettete Geräte, Robotik und Edge-Systeme.

Ultralytics YOLO26 wird dieselben Aufgaben und Modellgrößen unterstützen, die derzeit in YOLO11 verfügbar sind. Damit umfasst die Modellfamilie 25 Varianten. Dazu gehören Modelle für Erkennung, Segmentierung, Klassifizierung, Posenschätzung und rotierte Begrenzungsrahmen, von Nano bis Extra-Large.

Das Team arbeitet außerdem an fünf Varianten, die sich mit Prompts steuern lassen. Diese Modelle können eine Textanweisung entgegennehmen und direkt Begrenzungsrahmen ausgeben, ohne dass sie trainiert werden müssen.

Das ist ein erster Schritt hin zu flexibleren, anweisungsbasierten Vision-Arbeitsabläufen, die sich leichter an verschiedene Anwendungsfälle anpassen lassen. Die Ultralytics-YOLO26-Modelle befinden sich noch in aktiver Entwicklung, doch die ersten Leistungsergebnisse sind vielversprechend und das Team arbeitet an einer baldigen Veröffentlichung. (Aktualisierung: Ultralytics YOLO26 wurde inzwischen veröffentlicht.)

Ein Einblick in die Ultralytics Platform#

Nach der Aktualisierung zu YOLO26 begrüßte Glenn Prateek Bhatnagar, unseren Leiter für Produktentwicklung, zu einer Live-Demo der Ultralytics Platform. Die Plattform wird entwickelt, um wichtige Bereiche des Computer-Vision-Arbeitsablaufs zusammenzuführen, darunter die Suche in Datensätzen, die Annotation von Bildern, das Training von Modellen und den Ergebnisvergleich.

Abb. 2. Prateek Bhatnagar stellt die Ultralytics Platform vor.

Prateek betonte, dass die Plattform den Open-Source-Wurzeln von Ultralytics treu bleibt. Dazu gehören zwei Community-Bereiche: eine Datensatz-Community und eine Projekt-Community, in denen Entwicklerinnen und Entwickler die Arbeit anderer beisteuern, wiederverwenden und verbessern können. Während der Demo zeigte er KI-gestützte Annotation, einfaches Cloud-Training und die Möglichkeit, Modelle direkt aus der Community feinabzustimmen – ganz ohne lokale GPU-Ressourcen.

Die Plattform befindet sich derzeit in Entwicklung (sie wurde inzwischen veröffentlicht). Prateek empfahl dem Publikum, die Ankündigungen im Blick zu behalten, und merkte an, dass das Team in China wächst, um die Markteinführung zu unterstützen.

Stimmen hinter YOLO: die Diskussionsrunde der Autoren#

Während die Dynamik zunahm, ging die Veranstaltung in eine Diskussionsrunde über, an der mehrere der Forschenden hinter verschiedenen YOLO-Modellen teilnahmen. Zur Runde gehörten Glenn Jocher sowie Jing Qiu, unser Senior Machine Learning Engineer; Chen Hui, Machine Learning Engineer bei Meta und einer der Autoren von YOLOv10; und Bo Zhang, Algorithm Strategist bei Meituan und einer der Autoren von YOLOv6.

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

Im Mittelpunkt der Diskussion stand die Frage, wie sich YOLO durch den Einsatz in der Praxis kontinuierlich weiterentwickelt. Die Teilnehmenden sprachen darüber, dass Fortschritte oft durch praktische Herausforderungen bei der Bereitstellung vorangetrieben werden, etwa durch den effizienten Betrieb auf Edge-Geräten, die verbesserte Erkennung kleiner Objekte und den vereinfachten Modellexport.

Die Diskussionsrunde betonte, dass es nicht nur um Genauigkeit geht, sondern auch darum, Geschwindigkeit, Benutzerfreundlichkeit und Zuverlässigkeit in Produktionsumgebungen auszubalancieren. Ein weiterer gemeinsamer Schluss war, wie wertvoll iterative Entwicklung und Rückmeldungen aus der Community sind.

Hier sind einige weitere interessante Erkenntnisse aus dem Gespräch:

• Erkennung mit offenem Vokabular gewinnt im YOLO-Ökosystem an Bedeutung: Neuere Modelle zeigen, wie die Abstimmung von Bild- und Sprachverständnis sowie promptbasierte Arbeitsabläufe Objekte jenseits festgelegter Kategorien erkennen können.
• Leichtgewichtige Attention-Mechanismen liegen im Trend: Die Diskussionsrunde thematisierte, wie effiziente Attention-Mechanismen statt durchgängiger vollständiger Attention die Genauigkeit steigern und die Inferenz zugleich leichtgewichtig genug für Edge-Geräte halten können.
• Früh und häufig gemeinsam mit der Community iterieren: Die Teilnehmenden bekräftigten einen Ansatz nach dem Muster Entwickeln–Testen–Verbessern: Modelle früher zu veröffentlichen und aus den Erfahrungen der Nutzer zu lernen, führt zu besseren Ergebnissen als lange, abgeschottete Entwicklungszyklen.

Vordenker, die die Zukunft von KI und visueller Wahrnehmung gestalten#

Als Nächstes werfen wir einen genaueren Blick auf einige Keynote-Vorträge bei YV25 Shenzhen. Führungspersönlichkeiten aus der KI-Community zeigten dort, wie sich Vision AI weiterentwickelt – von digitalen Menschen und Robotik bis hin zu multimodalem Schlussfolgern und effizienter Bereitstellung auf Edge-Geräten.

KI beibringen, menschliche Erfahrungen zu verstehen#

In einer aufschlussreichen Sitzung erläuterte Dr. Peng Zhang vom Alibaba Qwen Lab, wie sein Team große Videomodelle entwickelt, die ausdrucksstarke digitale Menschen mit natürlicheren Bewegungen und mehr Kontrolle erzeugen können. Er stellte Wan S2V und Wan Animate vor, die Audio- oder Bewegungsvorlagen verwenden, um realistische Sprache, Gesten und Animationen zu erzeugen und so die Grenzen rein textgesteuerter Generierung zu überwinden.

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

Dr. Zhang sprach außerdem über die Fortschritte bei interaktiven Avataren in Echtzeit, darunter das Zero-Shot-Klonen von Aussehen und Bewegung sowie leichtgewichtige Modelle, die ein Gesicht direkt anhand eines Live-Kamerabildes animieren können. Dadurch rückt der reibungslose Betrieb lebensechter digitaler Menschen auf alltäglichen Geräten näher.

Von der Wahrnehmung zur Handlung: das Zeitalter verkörperter Intelligenz#

Eines der zentralen Themen bei YV25 Shenzhen war der Wandel von Bildverarbeitungsmodellen, die die Welt lediglich wahrnehmen, hin zu Systemen, die in ihr handeln können. Anders gesagt: Die Wahrnehmung ist nicht länger das Ende der Verarbeitungskette, sondern wird zum Ausgangspunkt für Handlungen.

In seiner Keynote beschrieb Hu Chunxu von D-Robotics beispielsweise, wie die Entwicklungskits und Ein-Chip-Systeme (SoC) des Unternehmens Sensorik, Bewegungssteuerung in Echtzeit und Entscheidungsfindung in einem einheitlichen Hard- und Software-Stack integrieren. Indem Wahrnehmung und Handlung als kontinuierlicher Rückkopplungskreislauf statt als getrennte Phasen betrachtet werden, unterstützt dieser Ansatz Roboter, die sich in realen Umgebungen zuverlässiger bewegen, anpassen und interagieren können.

Abb. 5. Die Vorführung von D-Robotics bei YOLO Vision 2025 in Shenzhen, China.

Alex Zhang von Baidu Paddle griff diesen Gedanken in seinem Vortrag auf und erläuterte, wie YOLO und PaddleOCR zusammenarbeiten, um Objekte zu erkennen und anschließend den Text und die Struktur in ihrer Umgebung zu interpretieren. So können Systeme Bilder und Dokumente in nutzbare, strukturierte Informationen für Aufgaben wie Logistik, Inspektionen und automatisierte Verarbeitung umwandeln.

Intelligenz am Netzwerkrand: effiziente KI für jedes Gerät#

Ein weiteres interessantes Thema bei YV25 Shenzhen war, wie Vision AI auf Edge-Geräten effizienter und leistungsfähiger wird.

Paul Jung von DEEPX sprach darüber, YOLO-Modelle direkt auf eingebetteter Hardware auszuführen und so die Abhängigkeit von der Cloud zu verringern. Durch den Fokus auf niedrigen Stromverbrauch, optimierte Inferenz und an die Hardware angepasste Modelle ermöglicht DEEPX die Wahrnehmung in Echtzeit für Drohnen, mobile Roboter und industrielle Systeme in dynamischen Umgebungen.

Liu Lingfei von Moore Threads erläuterte, wie die Moore Threads E300-Plattform Recheneinheiten wie Zentralprozessor (CPU), Grafikprozessor (GPU) und neuronale Verarbeitungseinheit (NPU) integriert, um auf kompakten Geräten eine schnelle Inferenz für visuelle Aufgaben zu ermöglichen.

Die Plattform kann mehrere YOLO-Streams mit hohen Bildraten ausführen, und die Werkzeugkette vereinfacht Schritte wie Quantisierung, statische Kompilierung und Leistungsoptimierung. Moore Threads hat außerdem zahlreiche Modelle für Computer Vision und Beispiele für deren Bereitstellung als Open Source veröffentlicht, um Entwicklern den Einstieg zu erleichtern.

Bildverarbeitung und Sprache für intelligentere KI-Systeme verbinden#

Bis vor Kurzem erforderte ein einzelnes Modell, das sowohl Bilder verstehen als auch Sprache interpretieren kann, große Transformer-Architekturen, deren Betrieb kostspielig war. Bei YV25 Shenzhen gab Yue Ziyin von Yuanshi Intelligence einen Überblick über RWKV, eine Architektur, die die Fähigkeiten von Transformern zum Schlussfolgern über lange Kontexte mit der Effizienz rekurrenter Modelle verbindet.

Er erklärte, wie Vision-RWKV dieses Design auf Computer Vision überträgt, indem Bilder so verarbeitet werden, dass der Rechenaufwand linear mit der Auflösung wächst. Dadurch eignet sich das Verfahren für Eingaben mit hoher Auflösung und für Edge-Geräte mit begrenzter Rechenleistung.

Yue zeigte außerdem, wie RWKV in Bild-Sprach-Systemen eingesetzt wird. Dabei werden Bildmerkmale mit Sprachverständnis kombiniert, um über die Objekterkennung hinaus Szenen, Dokumente und reale Zusammenhänge zu interpretieren.

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

Messestände und Live-Demos, die Vision AI erlebbar machten#

Während die Vorträge auf der Bühne einen Blick in die Zukunft von Vision AI warfen, zeigten die Messestände, wie die Technologie bereits heute eingesetzt wird. Die Teilnehmenden konnten Modelle im Livebetrieb sehen, Hardwareoptionen vergleichen und direkt mit den Teams sprechen, die diese Systeme entwickeln.

Hier ein Einblick in die vorgestellte Technik:

• Plattformen für Entwicklung und Prototyping: Seeed, M5Stack und Infermove präsentierten kompakte Entwicklungsplatinen und Starterkits, mit denen sich YOLO-basierte Anwendungen leicht erproben und Ideen schnell in funktionierende Demos umsetzen lassen.
• Leistungsstarke Edge-Hardware: Hailo, DEEPX, Intel und Moore Threads präsentierten Chips und Module für schnelle und effiziente Inferenz.
• Arbeitsabläufe für Bild- und Sprachverarbeitung: Baidu Paddle und RWKV stellten Software-Stacks vor, die Objekte erkennen und außerdem Inhalte in Bildern oder Dokumenten lesen, interpretieren und Schlussfolgerungen daraus ziehen können.
• Open Source und Werkzeuge aus der Community: Ultralytics und Datawhale tauschten sich mit Entwicklern über Live-Demos von Modellen, Trainingstipps und praktische Anleitungen aus und zeigten, wie gemeinsames Wissen Innovationen beschleunigt.

Abb. 7. Ein Blick auf den Messestand von M5Stack bei YV25 Shenzhen.

Kontakte in der Vision-AI-Community knüpfen#

Neben all der spannenden Technik war es besonders schön, die Computer-Vision-Community und das Ultralytics-Team bei YV25 Shenzhen wieder persönlich zusammenzubringen. Den ganzen Tag über versammelten sich Menschen um die Demos, tauschten sich in den Kaffeepausen aus und führten ihre Gespräche noch lange nach Ende der Vorträge fort.

Forschende, Ingenieure, Studierende und Entwickler verglichen ihre Erfahrungen, stellten Fragen und tauschten Erlebnisse aus der Praxis aus – von der Bereitstellung bis zum Modelltraining. Dank Cinco Jotas von Grupo Osborne brachten wir mit frisch aufgeschnittenem Jamón auch einen Hauch spanischer Kultur zur Veranstaltung und schufen so einen herzlichen Moment der Begegnung. Ein wunderschöner Veranstaltungsort, ein begeistertes Publikum und die gemeinsame Aufbruchsstimmung machten den Tag zu etwas ganz Besonderem.

Die wichtigsten Erkenntnisse#

Von inspirierenden Keynotes bis hin zu praktischen Demos spiegelte YOLO Vision 2025 Shenzhen den Innovationsgeist wider, der die Ultralytics-Community auszeichnet. Den ganzen Tag über tauschten Vortragende und Teilnehmende Ideen aus, erkundeten neue Technologien und verband eine gemeinsame Vision für die Zukunft der KI. Gemeinsam gingen sie voller Energie und mit Vorfreude auf das, was als Nächstes mit Ultralytics YOLO kommt, nach Hause.

Entdecke die Möglichkeiten von KI und Computer Vision neu. Tritt unserer Community bei und besuche unser GitHub-Repository, um mehr zu erfahren. Informiere dich über Anwendungsbereiche wie Computer Vision in der Landwirtschaft und KI im Einzelhandel. Entdecke unsere Lizenzierungsoptionen und leg noch heute mit Computer Vision los!