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

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

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 die Ultralytics YOLO Modelle wurden mit Blick auf dieses Gleichgewicht entwickelt. Zum Beispiel hat Ultralytics YOLOv8 ein starkes und vielseitiges Fundament geschaffen, Ultralytics YOLO11 hat mit verbesserter Geschwindigkeit und Genauigkeit noch einen Schritt weiter gemacht und Ultralytics YOLO26 baut darauf auf, indem es leichter, schneller und effizienter als je zuvor ist.

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!

Link to this sectionVerständnis 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.

Zusätzlich vereinfacht das Ultralytics Python Paket 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.

Link to this sectionDer Weg von Ultralytics YOLOv5 zu Ultralytics YOLO26#

Das erste Ultralytics YOLO Modell, Ultralytics YOLOv5, wurde aufgrund seiner zuverlässigen Objekterkennungsfähigkeiten weithin populär. Basierend auf einem einstufigen Erkennungsansatz ermöglichte es schnelle Echtzeit-Vorhersagen in einem einzigen Durchlauf, was es gut für Produktionsworkflows geeignet machte.

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.

Darauf aufbauend erweiterte YOLOv8 den Umfang der Modellfamilie. Anstatt sich nur auf die Objekterkennung zu konzentrieren, fügte es Unterstützung für mehrere Computer-Vision-Aufgaben hinzu, wie z. B. Instanzsegmentierung, Bildklassifizierung, Pose-Estimation und orientierte Bounding-Box (OBB)-Erkennung. Zudem brachte es architektonische Verbesserungen, einschließlich fortschrittlicher Backbone- und Neck-Designs, die die Merkmalsextraktion und die gesamte Erkennungsleistung verbesserten.

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.

Danach konzentrierte sich YOLO11 auf die Leistungsverbesserung in realen Workflows und lieferte höhere Genauigkeit bei gleichzeitig schnelleren Inferenzgeschwindigkeiten. Mit einer leichteren Architektur funktioniert es gut sowohl in Edge- als auch in Cloud-Umgebungen 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.

Link to this sectionVergleich 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.

YOLOv8 wurde 2023 veröffentlicht und wird seitdem von der Computer-Vision-Community häufig genutzt. Seine starke Community-Unterstützung und einfache Bedienung machten es in der Vergangenheit für viele Teams zum Standardmodell. Wenn du nach einem gut dokumentierten Modell mit einer Vielzahl von Tutorials, Anleitungen und Community-Ressourcen suchst, ist YOLOv8 ein hervorragender Startpunkt.

Im Jahr 2024 wurde YOLO11 mit Verbesserungen sowohl in der Leistung als auch in der Effizienz eingeführt. Es bietet eine bessere Geschwindigkeit und Genauigkeit im Vergleich zu YOLOv8, während es eine kleinere und optimiertere Architektur beibehält. Es ist ein ausgewogeneres Modell, das in der Produktion zuverlässig arbeitet, ohne die Ressourcennutzung wesentlich zu erhöhen.

Dieses Jahr wurde YOLO26 als neueste Iteration veröffentlicht, mit Fokus auf effiziente Bereitstellung in großem Maßstab. Es liefert schnellere CPU-Inferenz und eine verbesserte Ressourcennutzung, was es Teams ermöglicht, mehr Workloads auf derselben Hardware auszuführen.

Zum Beispiel kann das YOLO26 Nano-Modell eine bis zu 43 % schnellere Inferenz als YOLO11 auf Zentralprozessoren (CPU) erreichen, was es zu einer großartigen Option für Edge-Umgebungen und Umgebungen mit begrenzten Ressourcen macht. Dies ist besonders wichtig, da herkömmliche Setups oft stark auf Grafikprozessoren (GPU) angewiesen sind, die kostspielig und schwerer skalierbar sein können.

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

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

Link to this sectionEin genauerer Blick auf Ultralytics YOLO26#

YOLO26 ist ein hochmodernes Modell für den realen Einsatz, 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 Trainingsänderungen ein, die die Modelle einfacher ausführbar, schneller bereitzustellen und zuverlässiger in verschiedenen Hardwareumgebungen machen.

Diese Verbesserungen sind besonders wichtig für Edge- und Produktionssysteme, in denen begrenzte Rechenleistung, Latenzanforderungen und Kostenüberlegungen eine Schlüsselrolle spielen. Durch die Vereinfachung der Inferenz und die Optimierung der Leistung ermöglicht YOLO26 KI-Enthusiasten, Vision-Anwendungen effizienter zu erstellen und zu skalieren.

Hier ist ein genauerer Blick auf einige der Hauptmerkmale von YOLO26:

• End-to-End NMS-freie Inferenz: Eine der entscheidenden Änderungen ist das Non-Maximum Suppression-freie (NMS) Design, das die Notwendigkeit für Nachbearbeitung eliminiert. Einfach gesagt, das Modell erzeugt Vorhersagen direkt. Dadurch wird die Latenz vorhersehbarer und die Bereitstellung einfacher.
• DFL-Entfernung: YOLO26 entfernt sich vom Distribution Focal Loss (DFL)-Modul hin zu einem einfacheren Ansatz zur Bounding-Box-Vorhersage. Diese Änderung entspricht seinem End-to-End, NMS-freien Design, reduziert die Komplexität der Pipeline und verbessert die Konsistenz der Bereitstellung.
• 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 Trainingsinnovationen, Progressive Loss Balancing (ProgLoss) und Small-Target-Aware Label Assignment (STAL), machen das Modell stabiler und zuverlässiger. ProgLoss hilft dem Modell, schrittweise über Zeit aus Datensätzen zu lernen, während STAL sicherstellt, dass kleine Objekte während des Trainings nicht ignoriert werden, was die Erkennung in komplexen Szenen verbessert.

Link to this sectionGenauigkeit 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 den Einsatz von 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 YOLO26, können mehr Streams auf derselben Hardware verarbeiten und so die verfügbaren Ressourcen besser nutzen. Dies verbessert die Gesamteffizienz des Systems und erleichtert die Skalierung der Bereitstellungen im Laufe der Zeit.

Um tiefer in den Vergleich von YOLO26, YOLO11 und YOLOv8 einzutauchen, schau dir die offiziellen Ultralytics Docs an.

Link to this sectionWichtige 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 AI in deine Betriebsabläufe integrieren? Sieh dir unsere Lizenzoptionen an. Du kannst auch unsere Lösungsseiten besuchen, um zu sehen, wie KI in der Fertigung Fabriken transformiert und wie Vision AI in der Robotik die Zukunft gestaltet. Tritt unserer wachsenden Community bei und entdecke unser GitHub Repository für KI-Ressourcen.