Ultralytics YOLO26 vs YOLO11 vs YOLOv8: Welches solltest du verwenden?

Fortschrittliche computer vision-Systeme, die häufig auf convolutional neural networks (CNNs) basieren, ermöglichen es Maschinen, visuelle Daten aus Bildern und Videos zu analysieren und zu interpretieren, und werden heute in den unterschiedlichsten Umgebungen eingesetzt.

Von der Landwirtschaft über die Fertigung bis hin zum Einzelhandel operieren diese Systeme in unterschiedlichsten Einsatzumgebungen, einschließlich Edge-Geräten, eingebetteter Hardware, Internet-of-Things (IoT)-Geräten, On-Device-Verarbeitung sowie Cloud-Pipelines im großen Maßstab, die Echtzeitanwendungen unterstützen.

In der Praxis ist die Bereitstellung dieser Modelle nicht immer ganz einfach. Oft müssen sie mit begrenzter Rechenleistung auskommen, strenge Latenzanforderungen erfüllen und skalieren, ohne die Kosten erheblich in die Höhe zu treiben. Diese Einschränkungen machen die Leistung zu einem mehrdimensionalen Problem und nicht nur zu einer Frage der Genauigkeit.

Während Genauigkeit nach wie vor wichtig ist, ist es ebenso entscheidend, dass ein Modell effizient in der Produktion läuft. Faktoren wie Geschwindigkeit, Ressourcennutzung und Skalierbarkeit spielen eine große Rolle dabei, wie gut ein System langfristig funktioniert.

Computer-Vision-Modelle wie Ultralytics YOLO models haben sich mit diesem Gleichgewicht im Blick weiterentwickelt. Zum Beispiel hat Ultralytics YOLOv8 ein starkes und vielseitiges Fundament geschaffen, Ultralytics YOLO11 ging mit verbesserter Geschwindigkeit und Genauigkeit einen Schritt weiter, und Ultralytics YOLO26 baut darauf auf, indem es leichter, schneller und effizienter ist als je zuvor.

Abb. 1: Verwendung von Ultralytics YOLO26 zur Objekterkennung in einem Bild (Quelle)

In diesem Artikel vergleichen wir Ultralytics YOLO26, YOLO11 und YOLOv8, um dir bei der Auswahl des richtigen Modells für dein Computer-Vision-Projekt zu helfen. Fangen wir an!

Verständnis der Entwicklung der Ultralytics YOLO Modelle#

Jede Iteration der Ultralytics YOLO Modelle hat Verbesserungen eingeführt, um den Anforderungen der realen Welt besser gerecht zu werden und Computer Vision zugänglicher zu machen. Diese Updates haben die Modelle schneller, effizienter und einfacher bereitzustellen gemacht und unterstützen so das Wachstum des Vision-AI-Ökosystems.

Sie basieren zudem auf PyTorch, was sie einfach trainierbar, anpassbar und in intelligente Machine-Learning-Workflows integrierbar macht. Von Haus aus sind Ultralytics YOLO Modelle als vortrainierte Modelle verfügbar, die oft auf Datensätzen wie dem COCO Datensatz trainiert wurden, sodass Teams schnell starten und sie für spezifische Anwendungsfälle feinabstimmen können.

Darüber hinaus vereinfacht das Ultralytics Python package die Bereitstellung, indem es integrierte Unterstützung für den Export von Modellen in Formate wie ONNX und TensorRT bietet. Dies erleichtert die Integration von Modellen über verschiedene Hardwareplattformen hinweg, von Edge-Geräten bis hin zu GPU-beschleunigten Systemen.

Der Weg von Ultralytics YOLOv5 zu Ultralytics YOLO26#

Das erste Ultralytics YOLO-Modell, Ultralytics YOLOv5, wurde aufgrund seiner zuverlässigen Objekterkennungsfunktionen sehr beliebt. Auf Basis eines einstufigen Erkennungsansatzes ermöglichte es schnelle Echtzeit-Vorhersagen in einem einzigen Durchlauf, wodurch es sich bestens für Produktions-Workflows eignet.

Spätere Updates führten anchor-freie Varianten ein, bei denen das Modell Objektpositionen direkt vorhersagt, anstatt vordefinierte Anchor-Boxen zu verwenden, was die Erkennung flexibler machte. Das ursprüngliche Modell konzentrierte sich jedoch weiterhin primär auf Objekterkennungsaufgaben.

Auf diesem Fundament aufbauend, erweiterte Ultralytics YOLOv8 den Anwendungsbereich der Modellfamilie. Anstatt sich nur auf die Objekterkennung zu konzentrieren, wurde die Unterstützung für mehrere Computer-Vision-Aufgaben wie Instanzsegmentierung, Bildklassifizierung, Pose-Schätzung und die Erkennung von ausgerichteten Bounding Boxes (OBB) hinzugefügt. Zudem brachte es architektonische Verbesserungen mit sich, darunter fortschrittliche Backbone- und Neck-Designs, die die Merkmalsextraktion und die gesamte Erkennungsleistung steigerten.

Darüber hinaus gaben Varianten wie YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) und YOLOv8x (Extra Large) Entwicklern die Flexibilität, Geschwindigkeit, Genauigkeit und Ressourcennutzung je nach Bedarf auszubalancieren. Diese erweiterte Funktionalität, kombiniert mit der einfachen Bedienung, machte es zur bevorzugten Wahl für eine breite Palette von Vision-Anwendungen.

Abb. 2. YOLO Modelle wie YOLOv8, YOLO11 und YOLO26 unterstützen eine Reihe von Vision-Aufgaben.

Im Anschluss daran konzentrierte sich Ultralytics YOLO11 darauf, die Leistung in realen Workflows zu verbessern, und lieferte eine höhere Genauigkeit sowie schnellere Inferenzgeschwindigkeiten. Mit einer leichteren Architektur funktioniert es sowohl in Edge- als und Cloud-Umgebungen gut und ist gleichzeitig mit bestehenden YOLOv8-Pipelines kompatibel.

Die neueste Ergänzung der Ultralytics YOLO Modellfamilie, YOLO26, ist ein hochmodernes Modell, das einen neuen Standard für Edge-First Vision AI setzt und einen leichteren, schnelleren und effizienteren Ansatz für den realen Einsatz liefert. Es ist so konzipiert, dass es effizient auf CPUs und eingebetteten Systemen läuft, während es gleichzeitig die Bereitstellung vereinfacht und die Echtzeitleistung über ein breites Anwendungsspektrum hinweg verbessert.

Vergleich von YOLO26, YOLO11 und YOLOv8#

Wenn du an Computer-Vision-Projekten arbeitest, begegnen dir vielleicht verschiedene Ultralytics Modelle und du fragst dich, welches das richtige für dein Projekt ist. Gehen wir durch, wie sich YOLO26, YOLO11 und YOLOv8 in realen Szenarien vergleichen.

Ultralytics YOLOv8 wurde 2023 veröffentlicht und wird seither von der Computer-Vision-Community intensiv genutzt. Seine starke Unterstützung durch die Community und seine Benutzerfreundlichkeit machten es in der Vergangenheit zu einem bevorzugten Modell für viele Teams. Wenn du nach einem gut dokumentierten Modell mit einer Vielzahl von Tutorials, Leitfäden und Community-Ressourcen suchst, ist YOLOv8 ein hervorragender Ausgangspunkt.

Im Jahr 2024 wurde Ultralytics YOLO11 mit Verbesserungen sowohl bei der Leistung als auch bei der Effizienz eingeführt. Es bietet im Vergleich zu YOLOv8 eine bessere Geschwindigkeit und Genauigkeit bei gleichzeitiger Beibehaltung einer kleineren und optimierteren Architektur. Es ist ein ausgewogeneres Modell, das in der Produktion zuverlässig arbeitet, ohne den Ressourcenverbrauch nennenswert zu erhöhen.

Dieses Jahr wurde Ultralytics YOLO26 als neueste Iteration veröffentlicht, mit dem Fokus auf effizientes Deployment im großen Maßstab. Es bietet eine schnellere CPU-Inferenz und eine verbesserte Ressourcennutzung, sodass Teams mehr Workloads auf derselben Hardware ausführen können.

Beispielsweise kann das nano-Modell von Ultralytics YOLO26 eine bis zu 43 % schnellere Inferenz auf Zentralprozessoren (CPU) erreichen als YOLO11, was es zu einer hervorragenden Option für Edge- und ressourcenbeschränkte Umgebungen macht. Dies ist besonders wichtig, da herkömmliche Setups häufig stark auf Grafikprozessoren (GPUs) angewiesen sind, die kostspielig und schwerer zu skalieren sein können.

Abb. 3: Benchmark zur Leistung von YOLO26 auf CPUs (Quelle)

Insgesamt ist Ultralytics YOLO26 eine solide Wahl für Teams und Einzelpersonen, die Kompromisse zwischen Leistung, Kosten und Skalierbarkeit optimieren möchten.

Ein genauerer Blick auf Ultralytics YOLO26#

Ultralytics YOLO26 ist ein hochmodernes Modell für den Einsatz in der Praxis, bei dem Effizienz, Geschwindigkeit und Skalierbarkeit genauso wichtig sind wie Genauigkeit. Anstatt sich nur auf die Verbesserung der Benchmark-Leistung zu konzentrieren, führt es architektonische und trainingsbezogene Änderungen ein, die die Ausführung von Modellen erleichtern, die Bereitstellung beschleunigen und die Zuverlässigkeit in verschiedenen Hardwareumgebungen verbessern.

Diese Verbesserungen sind besonders wichtig für Edge- und Produktionssysteme, bei denen begrenzte Rechenleistung, Latenzbeschränkungen und Kostenaspekte eine entscheidende Rolle spielen. Durch die Vereinfachung der Inferenz und die Optimierung der Leistung ermöglicht es Ultralytics YOLO26 KI-Enthusiasten, Vision-Anwendungen effizienter zu erstellen und zu skalieren.

Hier ist ein genauerer Blick auf einige der wichtigsten Funktionen von Ultralytics YOLO26:

• End-to-end NMS-free inference: Eine der entscheidenden Änderungen ist das Non-Maximum Suppression-free (NMS) design, das die Notwendigkeit einer Nachbearbeitung überflüssig macht. Einfach ausgedrückt liefert das Modell direkte Endvorhersagen. Dadurch wird die Latenz vorhersagbarer und die Bereitstellung einfacher.
• Entfernung von DFL: Ultralytics YOLO26 wendet sich vom Distribution Focal Loss (DFL)-Modul zugunsten eines einfacheren Ansatzes zur Bounding-Box-Vorhersage ab. Diese Änderung steht im Einklang mit seinem End-to-End- und NMS-freien Design, wodurch die Komplexität der Pipeline verringert und die Konsistenz bei der Bereitstellung verbessert wird.
• MuSGD Optimierer: Die neuesten Ultralytics YOLO Modelle führen MuSGD ein, einen hybriden Optimierer, der Stochastic Gradient Descent (SGD) mit Muon-inspirierten Updates kombiniert. Dies verbessert die Trainingsstabilität und Konvergenz, was zu einer reibungsloseren Optimierung und konsistenterem Verhalten über verschiedene Modellgrößen hinweg führt.
• ProgLoss und STAL: Diese training innovations, Progressive Loss Balancing (ProgLoss) und Small-Target-Aware Label Assignment (STAL), machen das Modell stabiler und zuverlässiger. ProgLoss hilft dem Modell, im Laufe der Zeit in Schritten aus Datensätzen zu lernen, während STAL sicherstellt, dass kleine Objekte während des Trainings nicht ignoriert werden, was die Erkennung in komplexen Szenen verbessert.

Genauigkeit vs. Effizienz: Über Benchmarks hinaus zur realen Leistung#

Um die Unterschiede zwischen YOLO26, YOLO11 und YOLOv8 in Kontext zu setzen, lass uns ein besseres Verständnis für die Faktoren gewinnen, die die Modellleistung im realen Einsatz bestimmen.

Genauigkeit, oft gemessen an Leistungsmetriken wie mean average precision (mAP), ist seit langem eine wichtige Methode zur Bewertung von Computer-Vision-Modellen. Sie zeigt, wie gut ein Modell unter standardisierten Bedingungen abschneidet und ist nützlich, wenn man verschiedene Versionen vergleicht.

Sobald Modelle jedoch vom Test in den realen Einsatz übergehen, reicht Genauigkeit allein nicht aus. Die Produktionsleistung hängt von Faktoren wie Modellgröße, Inferenzzeit oder Latenz, Rechennutzung und der Skalierbarkeit eines Systems über verschiedene Umgebungen hinweg ab.

Im Gegensatz zu kontrollierten Benchmarks sind reale Umgebungen oft unvorhersehbar. Lichtverhältnisse können sich ändern, Objekte können teilweise verdeckt sein und Eingabedaten können signifikant von denen abweichen, mit denen das Modell trainiert wurde. Diese Variationen können die Beständigkeit der Modellleistung in der Praxis beeinflussen.

Abb. 4. Ein Beispiel für die Verwendung von Ultralytics YOLO26 in einer unvorhersehbaren Umgebung wie einer Baustelle.

Stell dir zum Beispiel ein Setup mit Hunderten von Kameras in einer Smart City, einem Einzelhandelsgeschäft oder einem Lagerhaus vor. Jeder Stream muss in Echtzeit verarbeitet werden, was oft konsistente Bildraten (Frames per Second, oder FPS) erfordert, um Verzögerungen oder Bildausfälle zu vermeiden.

Ein weniger effizientes Modell kann weniger gleichzeitige Streams auf einem gegebenen System verarbeiten, was bedeutet, dass die Skalierung normalerweise zusätzliche Hardware erfordert und die Infrastrukturkosten erhöht.

Effizientere Modelle wie Ultralytics YOLO26 können mehr Streams auf derselben Hardware verarbeiten und die verfügbaren Ressourcen besser nutzen. Dies verbessert die Gesamteffizienz des Systems und erleichtert die Skalierung von Bereitstellungen im Laufe der Zeit.

Wenn du mehr über YOLO26 im Vergleich zu YOLO11 und YOLOv8 erfahren möchtest, schau dir die official Ultralytics docs an.

Wichtige Erkenntnisse#

Die Ultralytics YOLO Modellreihe hat sich weiterentwickelt, um den Anforderungen realer Bereitstellungen besser gerecht zu werden. Jede Version baut auf der vorherigen auf, mit einem wachsenden Fokus auf Effizienz, Skalierbarkeit und einfacher Bereitstellung. Mit anderen Worten: Wenn du eine Echtzeit-Erkennungsanwendung erstellst, die zuverlässig in großem Maßstab laufen muss, ist Ultralytics YOLO26 die perfekte Wahl.

Möchtest du Vision-KI in deine Abläufe integrieren? Sieh dir unsere licensing options an. Besuche auch unsere Lösungsseiten, um zu sehen, wie AI in manufacturing Fabriken transformiert und wie vision AI in robotics die Zukunft gestaltet. Tritt unserer wachsenden community bei und entdecke unser GitHub repository für KI-Ressourcen.