YOLO12 erklärt: Anwendungen und Einsatzbereiche aus der Praxis

Computer Vision ist ein Teilgebiet der künstlichen Intelligenz (KI), das Maschinen hilft, Bilder und Videos zu verstehen. Dieses Gebiet entwickelt sich rasant weiter, da KI-Forschende und Entwickler die Grenzen ständig verschieben. Die KI-Community arbeitet kontinuierlich daran, Modelle schneller, intelligenter und effizienter zu machen. Einer der jüngsten Durchbrüche ist YOLO12, das neueste Modell der YOLO-Reihe (Du siehst nur einmal), das am 18. Februar 2025 veröffentlicht wurde. Seitdem gilt Ultralytics YOLO26 als empfohlenes Modell für die meisten Produktionsanwendungen.

YOLO12 wurde von Forschenden der University at Buffalo, SUNY (State University of New York), und der University of Chinese Academy of Sciences entwickelt. Mit einem neuartigen Ansatz führt YOLO12 Aufmerksamkeitsmechanismen ein, die dem Modell ermöglichen, sich auf die wichtigsten Bereiche eines Bildes zu konzentrieren, statt alle Bereiche gleich zu verarbeiten.

Das Modell bietet außerdem FlashAttention, eine Technik, die die Verarbeitung beschleunigt und dabei weniger Speicher benötigt, sowie einen Bereichsaufmerksamkeitsmechanismus, der nachahmen soll, wie Menschen sich natürlicherweise auf zentrale Objekte konzentrieren.

Dank dieser Verbesserungen ist YOLO12n um 2,1 % genauer als YOLOv10n und YOLO12m um 1,0 % genauer als YOLO11m. Das hat jedoch einen Nachteil: YOLO12n ist 9 % langsamer als YOLOv10n und YOLO12m 3 % langsamer als YOLO11m.

Abb. 1. Beispiel für den Einsatz von YOLO12 zur Objekterkennung.

In diesem Artikel schauen wir uns an, was YOLO12 auszeichnet, wie es im Vergleich zu früheren Versionen abschneidet und wo es eingesetzt werden kann.

Der Weg zur Veröffentlichung von YOLO12#

Die YOLO-Modellreihe umfasst Computer-Vision-Modelle für die Objekterkennung in Echtzeit. Das bedeutet, dass sie Objekte in Bildern und Videos schnell identifizieren und lokalisieren können. Mit jeder Version wurden im Laufe der Zeit Geschwindigkeit, Genauigkeit und Effizienz verbessert.

So wurde Ultralytics YOLOv5, das 2020 veröffentlicht wurde, aufgrund seiner Geschwindigkeit und der einfachen Anpassung und Bereitstellung weithin eingesetzt. Später baute Ultralytics YOLOv8 darauf auf und bot zusätzliche Unterstützung für Computer-Vision-Aufgaben wie Instanzsegmentierung und Objektverfolgung.

In jüngerer Zeit konzentrierte sich Ultralytics YOLO11 darauf, die Echtzeitverarbeitung zu verbessern und dabei ein ausgewogenes Verhältnis zwischen Geschwindigkeit und Genauigkeit zu wahren. So hatte YOLO11m beispielsweise 22 % weniger Parameter als YOLOv8m und erzielte dennoch eine bessere Erkennungsleistung auf dem COCO-Datensatz, einem weit verbreiteten Benchmark zur Bewertung von Objekterkennungsmodellen.

Aufbauend auf diesen Fortschritten verändert YOLO12 die Verarbeitung visueller Informationen. Statt alle Bereiche eines Bildes gleich zu behandeln, priorisiert das Modell die relevantesten Bereiche und verbessert so die Erkennungsgenauigkeit. Kurz gesagt baut YOLO12 auf früheren Verbesserungen auf und strebt zugleich nach höherer Präzision.

Die wichtigsten Merkmale von YOLO12#

YOLO12 bietet mehrere Verbesserungen für Computer-Vision-Aufgaben, ohne die Verarbeitungsgeschwindigkeit in Echtzeit zu beeinträchtigen. Hier ein Überblick über die wichtigsten Merkmale von YOLO12:

• Aufmerksamkeitsorientierte Architektur: Statt jeden Bereich eines Bildes gleich zu behandeln, konzentriert sich YOLO12 auf die wichtigsten Bereiche. Das verbessert die Genauigkeit und verringert unnötige Verarbeitung, wodurch die Erkennung auch in unübersichtlichen Bildern präziser und effizienter wird.
• FlashAttention: YOLO12 beschleunigt die Bildanalyse und benötigt dabei weniger Speicher. Mit FlashAttention, einem speichereffizienten Algorithmus, optimiert das Modell die Datenverarbeitung, verringert die Belastung der Hardware und sorgt für reibungslosere und zuverlässigere Echtzeitaufgaben.
• Residual Efficient Layer Aggregation Networks (R-ELAN): Mit R-ELAN ordnet YOLO12 seine Schichten effizienter an und verbessert so die Verarbeitung und das Lernen aus Daten. Dadurch wird das Training stabiler, die Objekterkennung präziser und der Rechenaufwand geringer, sodass das Modell in unterschiedlichen Umgebungen effizient läuft.

Um zu verstehen, wie diese Funktionen in der Praxis eingesetzt werden können, denke an ein Einkaufszentrum. YOLO12 kann dabei helfen, Besucher zu verfolgen, Ladendekorationen wie Topfpflanzen oder Werbeschilder zu erkennen und verlegte oder zurückgelassene Gegenstände aufzuspüren.

Die auf Aufmerksamkeit ausgerichtete Architektur hilft dem Modell, sich auf die wichtigsten Details zu konzentrieren, während FlashAttention dafür sorgt, dass alles schnell verarbeitet wird, ohne das System zu überlasten. So können Betreiber von Einkaufszentren die Sicherheit verbessern, die Ladenaufteilung optimieren und das Einkaufserlebnis insgesamt aufwerten.

Abb. 2. Objekterkennung in einem Einkaufszentrum mit YOLO12.

Bei YOLO12 gibt es jedoch auch einige Einschränkungen zu beachten:

• Längere Trainingszeiten: Aufgrund seiner Architektur benötigt YOLO12 mehr Zeit für das Training als Ultralytics YOLO11.
• Herausforderungen beim Export: Bei einigen Nutzern kann es zu Schwierigkeiten beim Export von YOLO12-Modellen kommen, insbesondere bei der Integration in bestimmte Bereitstellungsumgebungen.

Die Leistungsbenchmarks von YOLO12 verstehen#

YOLO12 ist in mehreren Varianten erhältlich, die jeweils für unterschiedliche Anforderungen optimiert sind. Kleinere Varianten (Nano und Small) setzen auf Geschwindigkeit und Effizienz und eignen sich daher besonders für Mobilgeräte und Edge Computing. Die mittleren und großen Varianten bieten ein ausgewogenes Verhältnis zwischen Geschwindigkeit und Genauigkeit, während YOLO12x (Extra Large) für Anwendungen mit hohen Präzisionsanforderungen entwickelt wurde, etwa in der industriellen Automatisierung, der medizinischen Bildgebung und bei modernen Überwachungssystemen.

Mit diesen Varianten bietet YOLO12 je nach Modellgröße unterschiedliche Leistungsstufen. Benchmark-Tests zeigen, dass bestimmte YOLO12-Varianten YOLOv10 und Ultralytics YOLO11 in puncto Genauigkeit übertreffen und eine höhere mittlere durchschnittliche Präzision (mAP) erzielen.

Einige Modelle wie YOLO12m, YOLO12l und YOLO12x verarbeiten Bilder jedoch langsamer als YOLO11. Das verdeutlicht den Zielkonflikt zwischen Erkennungsgenauigkeit und Geschwindigkeit. Trotzdem bleibt YOLO12 effizient und benötigt weniger Parameter als viele andere Modelle, auch wenn es weiterhin mehr Parameter als YOLO11 verwendet. Das macht es zu einer guten Wahl für Anwendungen, bei denen Genauigkeit wichtiger ist als reine Geschwindigkeit.

Abb. 3 Ultralytics YOLO11 und YOLO12 im Vergleich.

YOLO12 mit dem Ultralytics-Python-Paket verwenden#

YOLO12 wird vom Ultralytics-Python-Paket unterstützt und ist einfach zu verwenden, sodass es sowohl für Einsteiger als auch für Fachleute zugänglich ist. Mit nur wenigen Codezeilen können Nutzer vortrainierte Modelle laden, verschiedene Computer-Vision-Aufgaben mit Bildern und Videos ausführen und YOLO12 mit eigenen Datensätzen trainieren. Das Ultralytics-Python-Paket vereinfacht den Ablauf und macht komplizierte Einrichtungsschritte überflüssig.

Hier sind beispielsweise die Schritte, mit denen du YOLO12 zur Objekterkennung verwenden kannst:

• Ultralytics-Paket installieren: Installiere zunächst das Ultralytics-Python-Paket, das die erforderlichen Tools für den effizienten Einsatz von YOLO12 bereitstellt. So stellst du sicher, dass alle Abhängigkeiten korrekt eingerichtet sind.
• Ein vortrainiertes YOLO12-Modell laden: Wähle die passende YOLO12-Variante (Nano, Small, Medium, Large oder Extra Large) entsprechend der für deine Aufgabe erforderlichen Genauigkeit und Geschwindigkeit aus.
• Ein Bild oder Video bereitstellen: Gib eine Bild- oder Videodatei ein, die du analysieren möchtest. YOLO12 kann auch Live-Videostreams für die Erkennung in Echtzeit verarbeiten.
• Erkennung ausführen: Das Modell durchsucht die visuellen Daten, identifiziert Objekte und zeichnet Begrenzungsrahmen um sie. Jedes erkannte Objekt wird mit seiner vorhergesagten Klasse und einem Konfidenzwert beschriftet.
• Erkennungseinstellungen anpassen: Du kannst auch Parameter wie Konfidenzschwellenwerte ändern, um Genauigkeit und Leistung der Erkennung fein abzustimmen.
• Ausgabe speichern oder verwenden: Das verarbeitete Bild oder Video mit den erkannten Objekten kann gespeichert oder in eine Anwendung integriert werden, um es weiter zu analysieren, Abläufe zu automatisieren oder Entscheidungen zu treffen.

Dank dieser Schritte lässt sich YOLO12 problemlos für vielfältige Anwendungen einsetzen, von Überwachung und der Nachverfolgung im Einzelhandel bis hin zu medizinischer Bildgebung und autonomen Fahrzeugen.

Praktische Anwendungen von YOLO12#

YOLO12 lässt sich dank der Unterstützung von Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierter Objekterkennung (OBB) in einer Vielzahl von Anwendungen aus der Praxis einsetzen. Derzeit werden allerdings nur für die Erkennung vortrainierte Gewichte veröffentlicht.

Abb. 4. YOLO12 unterstützt Aufgaben wie Objekterkennung und Instanzsegmentierung.

Wie bereits erwähnt, priorisieren die YOLO12-Modelle jedoch Genauigkeit vor Geschwindigkeit. Daher benötigen sie für die Bildverarbeitung etwas länger als frühere Versionen. Dieser Zielkonflikt macht YOLO12 ideal für Anwendungen, bei denen Präzision wichtiger ist als Verarbeitung in Echtzeit, zum Beispiel:

• Medizinische Bildgebung: YOLO12 lässt sich mit hoher Genauigkeit auf das Erkennen von Tumoren oder Auffälligkeiten in Röntgenbildern und MRT-Aufnahmen trainieren. Damit ist es ein nützliches Werkzeug für Ärzte und Radiologen, die für Diagnosen präzise Bildanalysen benötigen.
• Qualitätskontrolle in der Fertigung: Es kann dabei helfen, Produktmängel während der Herstellung zu erkennen. So gelangen nur hochwertige Produkte auf den Markt, während gleichzeitig Abfall reduziert und die Effizienz verbessert wird.
• Forensische Analyse: Strafverfolgungsbehörden können YOLO12 gezielt anpassen, um Überwachungsaufnahmen zu analysieren und Beweise zu sammeln. Bei strafrechtlichen Ermittlungen ist Präzision entscheidend, um wichtige Details zu erkennen.
• Präzisionslandwirtschaft: Landwirte können YOLO12 nutzen, um den Zustand ihrer Nutzpflanzen zu analysieren, Krankheiten oder Schädlingsbefall zu erkennen und die Bodenbedingungen zu überwachen. Präzise Einschätzungen helfen dabei, Anbaumethoden zu optimieren und Erträge sowie Ressourcen effizienter zu verwalten.

Erste Schritte mit YOLO12#

Bevor du YOLO12 ausführst, solltest du sicherstellen, dass dein System die erforderlichen Voraussetzungen erfüllt.

Technisch gesehen kann YOLO12 auf jeder dedizierten GPU (Grafikprozessor) ausgeführt werden. Standardmäßig ist FlashAttention nicht erforderlich, sodass das Modell auf den meisten GPU-Systemen auch ohne FlashAttention funktioniert. FlashAttention kann jedoch besonders bei großen Datensätzen oder hochauflösenden Bildern nützlich sein, da es Verlangsamungen verhindert, den Speicherverbrauch reduziert und die Verarbeitung effizienter macht.

Für FlashAttention benötigst du eine NVIDIA-GPU aus einer der folgenden Serien: Turing (T4, Quadro RTX), Ampere (RTX 30-Serie, A30, A40, A100), Ada Lovelace (RTX 40-Serie) oder Hopper (H100, H200).

Um Benutzerfreundlichkeit und Barrierefreiheit zu berücksichtigen, ist FlashAttention im Ultralytics Python-Paket optional und muss separat kompiliert werden, da die Installation technisch recht komplex sein kann. Weitere Informationen zum Einstieg mit YOLO12 und zur Leistungsoptimierung findest du in der offiziellen Ultralytics-Dokumentation.

Die wichtigsten Erkenntnisse#

Mit den Fortschritten in Computer Vision werden Modelle präziser und effizienter. YOLO12 verbessert Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung und Bildklassifizierung durch aufmerksamkeitssorientierte Verarbeitung und FlashAttention. Dadurch wird die Genauigkeit erhöht und zugleich der Speicherverbrauch optimiert.

Gleichzeitig ist Computer Vision heute zugänglicher denn je. YOLO12 lässt sich einfach über das Ultralytics-Python-Paket verwenden und eignet sich mit seinem Schwerpunkt auf Genauigkeit statt Geschwindigkeit besonders für medizinische Bildgebung, industrielle Prüfungen und Robotik – also für Anwendungen, bei denen Präzision entscheidend ist.

Du interessierst dich für KI? Besuche unser GitHub-Repository und tausche dich mit unserer Community aus. Entdecke auf unseren Lösungsseiten Innovationen in Bereichen wie KI in selbstfahrenden Autos und Computer Vision in der Landwirtschaft. Sieh dir unsere Lizenzoptionen an und setze deine Vision-KI-Projekte in die Tat um.