Ultralytics YOLO26 oder YOLO11 oder YOLOv8: Welches Modell solltest du verwenden?

Modernste Computer-Vision-Systeme, die häufig auf faltungsbasierten neuronalen Netzen (CNNs) beruhen, ermöglichen es Maschinen, visuelle Daten aus Bildern und Videos zu analysieren und zu interpretieren. Sie kommen inzwischen in einer Vielzahl von Umgebungen zum Einsatz.

Von der Landwirtschaft über die Fertigung bis zum Einzelhandel werden diese Systeme in verschiedensten Einsatzumgebungen genutzt, darunter Edge-Geräte, eingebettete Hardware, Geräte des Internets der Dinge (IoT), die Verarbeitung auf dem Gerät und umfangreiche Cloud-Pipelines für Echtzeitanwendungen.

Der Einsatz dieser Modelle in der Praxis ist nicht immer unkompliziert. Häufig müssen sie mit begrenzter Rechenleistung ausgeführt werden, strenge Latenzanforderungen erfüllen und skalierbar sein, ohne die Kosten deutlich zu erhöhen. Dadurch wird Leistung zu einer mehrdimensionalen Herausforderung, bei der es nicht nur um Genauigkeit geht.

Genauigkeit ist weiterhin wichtig, doch ebenso entscheidend ist, dass ein Modell in der Produktion effizient läuft. Faktoren wie Geschwindigkeit, Ressourcenverbrauch und Skalierbarkeit spielen eine wichtige Rolle für die langfristige Leistungsfähigkeit eines Systems.

Computer-Vision-Modelle wie die Ultralytics-YOLO-Modelle wurden mit Blick auf dieses Gleichgewicht weiterentwickelt. So schuf Ultralytics YOLOv8 eine leistungsfähige und vielseitige Grundlage, Ultralytics YOLO11 verbesserte darauf aufbauend Geschwindigkeit und Genauigkeit, und Ultralytics YOLO26 führt diese Entwicklung fort und ist leichter, schneller und effizienter als je zuvor.

Abb. 1. Mit Ultralytics YOLO26 Objekte in einem Bild erkennen (Quelle)

In diesem Artikel vergleichen wir Ultralytics YOLO26, YOLO11 und YOLOv8, damit du das passende Modell für dein Computer-Vision-Projekt auswählen kannst. Los geht’s!

Die Entwicklung der Ultralytics-YOLO-Modelle verstehen#

Jede Version der Ultralytics-YOLO-Modelle brachte Verbesserungen mit sich, um den Anforderungen der Praxis besser gerecht zu werden und Computer Vision zugänglicher zu machen. Dadurch wurden die Modelle schneller, effizienter und einfacher einzusetzen und förderten das Wachstum des Ökosystems für visuelle KI.

Die Modelle basieren außerdem auf PyTorch und lassen sich dadurch einfach trainieren, anpassen und in intelligente Arbeitsabläufe für maschinelles Lernen integrieren. Ultralytics-YOLO-Modelle sind direkt als vortrainierte Modelle verfügbar, die häufig mit Datensätzen wie COCO trainiert wurden. So können Teams schnell loslegen und die Modelle für bestimmte Anwendungsfälle feinabstimmen.

Darüber hinaus vereinfacht das Ultralytics-Python-Paket die Bereitstellung durch integrierte Unterstützung für den Export von Modellen in Formate wie ONNX und TensorRT. So lassen sich Modelle einfacher in verschiedene Hardwareplattformen integrieren – von Edge-Geräten bis hin zu GPU-beschleunigten Systemen.

Von Ultralytics YOLOv5 zu Ultralytics YOLO26#

Das erste Ultralytics-YOLO-Modell, Ultralytics YOLOv5, wurde aufgrund seiner zuverlässigen Objekterkennung weithin bekannt. Dank eines einstufigen Erkennungsansatzes konnte es in einem einzigen Durchlauf schnell Vorhersagen in Echtzeit erstellen und eignete sich damit gut für Produktionsabläufe.

Spätere Aktualisierungen führten Varianten ohne Anker ein. Diese Modelle sagen Objektpositionen direkt voraus, anstatt vordefinierte Ankerrahmen zu verwenden, wodurch die Erkennung flexibler wird. Das ursprüngliche Modell war jedoch weiterhin hauptsächlich auf die Objekterkennung ausgerichtet.

Auf dieser Grundlage erweiterte Ultralytics YOLOv8 den Anwendungsbereich der Modellfamilie. Statt sich nur auf die Objekterkennung zu konzentrieren, unterstützte das Modell mehrere Computer-Vision-Aufgaben, darunter Instanzsegmentierung, Bildklassifizierung, Posenschätzung und die Erkennung orientierter Begrenzungsrahmen (OBB). Außerdem wurden Verbesserungen an der Architektur eingeführt, darunter fortschrittliche Backbone- und Neck-Designs, die die Merkmalsextraktion und die Gesamtleistung bei der Erkennung verbesserten.

Darüber hinaus boten Varianten wie YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) und YOLOv8x (Extra Large) Entwicklern die Flexibilität, Geschwindigkeit, Genauigkeit und Ressourcenverbrauch an ihre Anforderungen anzupassen. Dank dieses erweiterten Funktionsumfangs und der einfachen Verwendung wurde das Modell zur bevorzugten Wahl für zahlreiche Bildverarbeitungsanwendungen.

Abb. 2. YOLO-Modelle wie YOLOv8, YOLO11 und YOLO26 unterstützen eine Vielzahl von Bildverarbeitungsaufgaben.

Ultralytics YOLO11 konzentrierte sich anschließend darauf, die Leistung in realen Arbeitsabläufen zu verbessern, und bot höhere Genauigkeit sowie schnellere Inferenz. Dank seiner leichteren Architektur eignet es sich sowohl für Edge- als auch für Cloud-Umgebungen und ist zugleich mit bestehenden YOLOv8-Pipelines kompatibel.

Das neueste Mitglied der Ultralytics-YOLO-Modellfamilie, YOLO26, ist ein hochmodernes Modell, das einen neuen Maßstab für visuelle KI mit Schwerpunkt auf Edge-Geräten setzt. Es ermöglicht einen leichteren, schnelleren und effizienteren Einsatz in der Praxis. Das Modell wurde für den effizienten Betrieb auf CPUs und eingebetteten Systemen entwickelt, vereinfacht die Bereitstellung und verbessert die Echtzeitleistung in zahlreichen Anwendungen.

YOLO26, YOLO11 und YOLOv8 im Vergleich#

Bei Computer-Vision-Projekten stößt du möglicherweise auf verschiedene Ultralytics-Modelle und fragst dich, welches am besten zu deinem Projekt passt. Sehen wir uns an, wie sich YOLO26, YOLO11 und YOLOv8 in realen Szenarien vergleichen lassen.

Ultralytics YOLOv8 wurde 2023 veröffentlicht und wird seitdem in der Computer-Vision-Community umfassend eingesetzt. Die starke Unterstützung durch die Community und die einfache Nutzung machten es für viele Teams lange Zeit zum bevorzugten Modell. Wenn du ein gut dokumentiertes Modell mit zahlreichen Tutorials, Anleitungen und Community-Ressourcen suchst, ist YOLOv8 ein guter Ausgangspunkt.

2024 wurde Ultralytics YOLO11 mit Verbesserungen bei Leistung und Effizienz vorgestellt. Im Vergleich zu YOLOv8 bietet es höhere Geschwindigkeit und Genauigkeit bei einer kleineren, besser optimierten Architektur. Es ist ein ausgewogeneres Modell, das in der Produktion zuverlässig arbeitet, ohne den Ressourcenverbrauch deutlich zu erhöhen.

In diesem Jahr wurde Ultralytics YOLO26 als neueste Version veröffentlicht. Der Schwerpunkt liegt auf einer effizienten Bereitstellung in großem Maßstab. Das Modell ermöglicht schnellere CPU-Inferenz und eine bessere Ressourcennutzung, sodass Teams mehr Arbeitslasten mit derselben Hardware ausführen können.

Das Ultralytics-YOLO26-Nano-Modell erreicht beispielsweise auf Zentralprozessoren (CPU) eine bis zu 43 % schnellere Inferenz als YOLO11 und eignet sich damit hervorragend für Edge- und ressourcenbeschränkte Umgebungen. Das ist besonders wichtig, da herkömmliche Konfigurationen oft stark auf Grafikprozessoren (GPUs) angewiesen sind, die teuer und schwieriger skalierbar sein können.

Abb. 3. Benchmarking der Leistung von YOLO26 auf CPUs (Quelle)

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

Ultralytics YOLO26 genauer betrachtet#

Ultralytics YOLO26 ist ein hochmodernes Modell für den Einsatz in der Praxis, bei dem Effizienz, Geschwindigkeit und Skalierbarkeit ebenso wichtig sind wie Genauigkeit. Statt sich ausschließlich auf bessere Benchmark-Ergebnisse zu konzentrieren, umfasst es Änderungen an Architektur und Training, die den Modelleinsatz vereinfachen, die Bereitstellung beschleunigen und für mehr Zuverlässigkeit auf unterschiedlichen Hardwareumgebungen sorgen.

Diese Verbesserungen sind besonders wichtig für Edge- und Produktionssysteme, in denen begrenzte Rechenleistung, Latenzbeschränkungen und Kosten eine zentrale Rolle spielen. Durch die Vereinfachung der Inferenz und die Optimierung der Leistung ermöglicht Ultralytics YOLO26 KI-Begeisterten, Bildverarbeitungsanwendungen effizienter zu entwickeln und zu skalieren.

Hier ein genauerer Blick auf einige wichtige Funktionen von Ultralytics YOLO26:

• End-to-End-Inferenz ohne NMS: Eine der entscheidenden Änderungen ist das Design ohne Non-Maximum Suppression (NMS), durch das die Nachverarbeitung entfällt. Einfach ausgedrückt liefert das Modell direkt die endgültigen Vorhersagen. Dadurch wird die Latenz besser vorhersehbar und die Bereitstellung einfacher.
• Entfernung von DFL: Ultralytics YOLO26 verabschiedet sich vom Modul Distribution Focal Loss (DFL) und setzt stattdessen auf einen einfacheren Ansatz zur Vorhersage von Begrenzungsrahmen. Diese Änderung passt zum End-to-End-Design ohne NMS, reduziert die Komplexität der Pipeline und sorgt für eine konsistentere Bereitstellung.
• MuSGD-Optimierer: Die neuesten Ultralytics YOLO-Modelle führen MuSGD ein, einen hybriden Optimierer, der Stochastic Gradient Descent (SGD) mit von Muon inspirierten Aktualisierungen kombiniert. Das verbessert die Trainingsstabilität und Konvergenz und führt zu einer gleichmäßigeren Optimierung sowie einem konsistenteren Verhalten bei unterschiedlich großen Modellen.
• ProgLoss und STAL: Diese Innovationen beim Training, 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 schrittweise aus Datensätzen zu lernen, während STAL dafür sorgt, dass kleine Objekte beim Training nicht übersehen werden. Das verbessert die Erkennung in komplexen Szenen.

Genauigkeit und Effizienz: über Benchmarks hinaus zur Leistung in der Praxis#

Um die Unterschiede zwischen YOLO26, YOLO11 und YOLOv8 einzuordnen, sollten wir zunächst besser verstehen, welche Faktoren die Modellleistung im praktischen Einsatz beeinflussen.

Die Genauigkeit, die häufig anhand von Leistungskennzahlen wie der mittleren durchschnittlichen Präzision (mAP) gemessen wird, ist seit Langem eine wichtige Größe zur Bewertung von Computer-Vision-Modellen. Sie zeigt, wie gut ein Modell unter standardisierten Bedingungen abschneidet, und ist beim Vergleich verschiedener Versionen hilfreich.

Sobald Modelle jedoch vom Test in den praktischen Einsatz übergehen, reicht Genauigkeit allein nicht aus. Die Leistung im Produktivbetrieb hängt von Faktoren wie Modellgröße, Inferenzzeit beziehungsweise Latenz, Rechenaufwand und der Skalierbarkeit eines Systems in unterschiedlichen Umgebungen ab.

Im Gegensatz zu kontrollierten Benchmarks sind reale Umgebungen oft unvorhersehbar. Die Lichtverhältnisse können sich ändern, Objekte können teilweise verdeckt sein und die Eingabedaten können deutlich von den Daten abweichen, mit denen das Modell trainiert wurde. Diese Unterschiede können sich darauf auswirken, wie konstant die Leistung eines Modells in der Praxis ist.

Abb. 4. Beispiel für den Einsatz von Ultralytics YOLO26 in einer unvorhersehbaren Umgebung, etwa auf einer Baustelle.

Stell dir zum Beispiel ein System mit Hunderten von Kameras in einer Smart City, einem Einzelhandelsgeschäft oder einem Lager vor. Jeder Videostream muss in Echtzeit verarbeitet werden. Dafür sind oft konstante Bildraten (Bilder pro Sekunde oder FPS) erforderlich, damit es weder zu Verzögerungen noch zu ausgelassenen Bildern kommt.

Ein weniger effizientes Modell kann auf einem bestimmten System weniger parallele Streams verarbeiten. Für eine Skalierung ist daher in der Regel zusätzliche Hardware erforderlich, was die Infrastrukturkosten erhöht.

Effizientere Modelle wie Ultralytics YOLO26 können auf derselben Hardware mehr Streams verarbeiten und die verfügbaren Ressourcen dadurch besser nutzen. Das verbessert die Gesamteffizienz des Systems und erleichtert die schrittweise Skalierung von Bereitstellungen.

Wenn du mehr über YOLO26 im Vergleich zu YOLO11 und YOLOv8 erfahren möchtest, findest du weitere Informationen in der offiziellen Ultralytics-Dokumentation.

Die wichtigsten Erkenntnisse#

Die Ultralytics YOLO-Modellreihe hat sich weiterentwickelt, um den Anforderungen realer Einsatzszenarien besser gerecht zu werden. Jede Version baut auf der vorherigen auf und legt zunehmend Wert auf Effizienz, Skalierbarkeit und einfache Bereitstellung. Wenn du also eine Echtzeitanwendung zur Erkennung entwickelst, die zuverlässig und in großem Maßstab laufen muss, ist Ultralytics YOLO26 eine ausgezeichnete Wahl.

Möchtest du KI für die Bildverarbeitung in deinen Betriebsablauf integrieren? Sieh dir unsere Lizenzierungsoptionen an. Auf unseren Lösungsseiten erfährst du außerdem, wie KI in der Fertigung Fabriken verändert und wie KI für die Bildverarbeitung in der Robotik die Zukunft gestaltet. Werde Teil unserer wachsenden Community und entdecke unseren GitHub-Codebestand mit Ressourcen rund um KI.