YOLO12 erklärt: Anwendungen und Einsatzbereiche aus der Praxis

Computer Vision ist ein Teilgebiet der künstlichen Intelligenz (AI), das Maschinen dabei hilft, Bilder und Videos zu verstehen. Dieses Gebiet entwickelt sich unglaublich schnell weiter, da Forschende und Entwickler im Bereich AI die Grenzen ständig verschieben. Die AI-Community arbeitet kontinuierlich daran, Modelle schneller, intelligenter und effizienter zu machen. Einer der neuesten Durchbrüche ist YOLO12, das neueste Mitglied der YOLO-Modellreihe (Du schaust nur einmal), das am 18. Februar 2025 veröffentlicht wurde.

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

Außerdem bietet es FlashAttention, eine Technik, die die Verarbeitung beschleunigt und dabei weniger Speicher benötigt, sowie einen Aufmerksamkeitsmechanismus für Bildbereiche, der die natürliche menschliche Konzentration auf zentrale Objekte nachahmen soll.

Diese Verbesserungen machen YOLO12n um 2,1 % genauer als YOLOv10n und YOLO12m um 1,0 % genauer als YOLO11m. Dies bringt jedoch einen Kompromiss mit sich: YOLO12n ist 9 % langsamer als YOLOv10n und YOLO12m ist 3 % langsamer als YOLO11m.

Abb. 1. Beispiel für die Verwendung von YOLO12 zur Objekterkennung.

In diesem Artikel erfährst du, was YOLO12 anders macht, wie es sich im Vergleich zu früheren Versionen schlägt und wo es eingesetzt werden kann.

Der Weg zur Veröffentlichung von YOLO12#

Die YOLO-Modellreihe ist eine Sammlung von Computer-Vision-Modellen, die für die Objekterkennung in Echtzeit entwickelt wurden. Das bedeutet, dass sie Objekte in Bildern und Videos schnell erkennen und lokalisieren können. Im Laufe der Zeit wurde jede Version hinsichtlich Geschwindigkeit, Genauigkeit und Effizienz verbessert.

Zum Beispiel wurde Ultralytics YOLOv5, das 2020 veröffentlicht wurde, weit verbreitet eingesetzt, weil es schnell war und sich einfach mit eigenen Daten trainieren und bereitstellen ließ. 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 Verarbeitung in Echtzeit zu verbessern und gleichzeitig ein Gleichgewicht zwischen Geschwindigkeit und Genauigkeit zu wahren. YOLO11m hatte beispielsweise 22 % weniger Parameter als YOLOv8m und erzielte dennoch eine bessere Erkennungsleistung auf dem COCO-Datensatz, einem weit verbreiteten Benchmark zur Bewertung von Modellen für die Objekterkennung.

Aufbauend auf diesen Weiterentwicklungen verändert YOLO12 die Verarbeitung visueller Informationen. Statt alle Bereiche eines Bildes gleich zu behandeln, priorisiert es die relevantesten Bereiche und verbessert dadurch die Erkennungsgenauigkeit. Einfach gesagt baut YOLO12 auf früheren Verbesserungen auf und soll zugleich präziser sein.

Wichtige Funktionen von YOLO12#

YOLO12 führt mehrere Verbesserungen ein, die Computer-Vision-Aufgaben optimieren und gleichzeitig die Verarbeitungsgeschwindigkeit in Echtzeit beibehalten. Hier ist ein Überblick über die wichtigsten Funktionen von YOLO12:

• Aufmerksamkeitszentrierte Architektur: Statt jeden Bereich eines Bildes gleich zu behandeln, konzentriert sich YOLO12 auf die wichtigsten Bereiche. Das verbessert die Genauigkeit und reduziert unnötige Verarbeitung, sodass 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 macht Aufgaben in Echtzeit reibungsloser und zuverlässiger.
• Netzwerke zur effizienten Aggregation von Residuen (R-ELAN): YOLO12 organisiert seine Schichten mithilfe von R-ELAN effizienter. Dadurch verbessert sich die Verarbeitung und das Lernen aus Daten. Das sorgt für ein stabileres Training, eine präzisere Objekterkennung und geringere Rechenanforderungen, sodass das Modell in unterschiedlichen Umgebungen effizient ausgeführt werden kann.

Um zu verstehen, wie diese Funktionen im Alltag arbeiten, kannst du dir ein Einkaufszentrum vorstellen. YOLO12 kann dabei helfen, Besucher zu verfolgen, Ladendekorationen wie Topfpflanzen oder Werbeschilder zu erkennen und falsch abgelegte oder zurückgelassene Gegenstände aufzuspüren.

Die aufmerksamkeitszentrierte Architektur hilft dem Modell, sich auf die wichtigsten Details zu konzentrieren, während FlashAttention eine schnelle Verarbeitung ohne Überlastung des Systems ermöglicht. Dadurch können Betreiber von Einkaufszentren die Sicherheit verbessern, die Gestaltung der Verkaufsflächen organisieren und das Einkaufserlebnis insgesamt optimieren.

Abb. 2. Objekterkennung in einem Einkaufszentrum mit YOLO12.

YOLO12 bringt jedoch auch einige Einschränkungen mit sich, die du berücksichtigen solltest:

• Längere Trainingszeiten: Aufgrund seiner Architektur benötigt YOLO12 im Vergleich zu Ultralytics YOLO11 mehr Zeit für das Training.
• Herausforderungen beim Export: Beim Export von YOLO12-Modellen können einige Benutzer auf Schwierigkeiten stoßen, 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 Versionen (Nano und Small) legen den Schwerpunkt auf Geschwindigkeit und Effizienz und eignen sich daher ideal für mobile Geräte und Edge Computing. Die mittleren und großen Versionen bieten ein ausgewogenes Verhältnis zwischen Geschwindigkeit und Genauigkeit, während YOLO12x (Extra Large) für hochpräzise Anwendungen wie industrielle Automatisierung, medizinische Bildgebung und fortschrittliche Überwachungssysteme entwickelt wurde.

Dank dieser Varianten bietet YOLO12 je nach Modellgröße unterschiedliche Leistungsniveaus. Benchmarktests zeigen, dass bestimmte YOLO12-Varianten Ultralytics YOLOv10 und Ultralytics YOLO11 bei der Genauigkeit übertreffen und eine höhere mittlere durchschnittliche Präzision (mAP) erreichen.

Einige Modelle wie YOLO12m, YOLO12l und YOLO12x verarbeiten Bilder jedoch langsamer als YOLO11, was den Kompromiss zwischen Erkennungsgenauigkeit und Geschwindigkeit verdeutlicht. Trotzdem bleibt YOLO12 effizient und benötigt weniger Parameter als viele andere Modelle, auch wenn es mehr als YOLO11 verwendet. Dadurch eignet es sich besonders für Anwendungen, bei denen Genauigkeit wichtiger ist als reine Geschwindigkeit.

Abb. 3. Vergleich von Ultralytics YOLO11 und YOLO12.

YOLO12 mit dem Ultralytics Python-Paket verwenden#

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

Hier sind beispielsweise die Schritte, die du durchlaufen würdest, um YOLO12 für die Objekterkennung zu verwenden:

• Ultralytics-Paket installieren: Installiere zunächst das Ultralytics Python-Paket, das die für eine effiziente Ausführung von YOLO12 benötigten Werkzeuge bereitstellt. Dadurch wird sichergestellt, dass alle Abhängigkeiten korrekt eingerichtet sind.
• Ein vortrainiertes YOLO12-Modell laden: Wähle je nach den für deine Aufgabe erforderlichen Genauigkeits- und Geschwindigkeitswerten die passende YOLO12-Variante (Nano, Small, Medium, Large oder Extra Large) 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. Es versieht jedes erkannte Objekt mit der vorhergesagten Klasse und einem Konfidenzwert.
• 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, das nun erkannte Objekte enthält, kann gespeichert oder zur weiteren Analyse, Automatisierung oder Entscheidungsfindung in eine Anwendung integriert werden.

Diese Schritte machen YOLO12 für eine Vielzahl von Anwendungen einfach nutzbar – von Überwachung und der Verfolgung von Kunden im Einzelhandel bis hin zu medizinischer Bildgebung und autonomen Fahrzeugen.

Praktische Anwendungen von YOLO12#

YOLO12 kann dank der Unterstützung für Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung und die Erkennung ausgerichteter Objekte (OBB) in zahlreichen praktischen Anwendungen eingesetzt werden.

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

Wie bereits erwähnt, priorisieren die YOLO12-Modelle jedoch die Genauigkeit gegenüber der Geschwindigkeit. Das bedeutet, dass sie im Vergleich zu früheren Versionen etwas länger für die Bildverarbeitung benötigen. Dieser Kompromiss macht YOLO12 ideal für Anwendungen, bei denen Präzision wichtiger ist als Geschwindigkeit in Echtzeit, zum Beispiel:

• Medizinische Bildgebung: YOLO12 kann mit eigenen Daten trainiert werden, um Tumore oder Anomalien in Röntgenaufnahmen und MRT-Bildern mit hoher Genauigkeit zu erkennen. Dadurch ist es ein nützliches Werkzeug für Ärzte und Radiologen, die für die Diagnose eine präzise Bildanalyse benötigen.
• Qualitätskontrolle in der Fertigung: Das Modell kann dabei helfen, Produktfehler während des Herstellungsprozesses zu erkennen. So gelangen nur hochwertige Produkte auf den Markt, während Abfall reduziert und die Effizienz verbessert wird.
• Forensische Analyse: Strafverfolgungsbehörden können YOLO12 feinabstimmen, um Überwachungsaufnahmen zu analysieren und Beweismittel zu sammeln. Bei strafrechtlichen Ermittlungen ist Präzision entscheidend, um wichtige Details zu erkennen.
• Präzisionslandwirtschaft: Landwirte können YOLO12 zur Analyse der Pflanzengesundheit, zur Erkennung von Krankheiten oder Schädlingsbefall und zur Überwachung der Bodenbedingungen einsetzen. Präzise Bewertungen helfen dabei, Anbaustrategien zu optimieren und Erträge sowie das Ressourcenmanagement zu verbessern.

Erste Schritte mit YOLO12#

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

Technisch kann YOLO12 auf jeder dedizierten GPU (Grafikprozessor) ausgeführt werden. Standardmäßig ist FlashAttention nicht erforderlich, sodass YOLO12 auf den meisten GPU-Systemen auch ohne diese Funktion verwendet werden kann. Die Aktivierung von FlashAttention kann jedoch besonders bei großen Datensätzen oder hochauflösenden Bildern nützlich sein, da sie Verlangsamungen verhindert, den Speicherbedarf reduziert und die Verarbeitungseffizienz verbessert.

Für die Verwendung von 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).

Mit Blick auf Benutzerfreundlichkeit und Zugänglichkeit unterstützt das Ultralytics Python-Paket derzeit keine FlashAttention-Inferenz, da die Installation technisch recht komplex sein kann. Weitere Informationen zu den ersten Schritten mit YOLO12 und zur Optimierung seiner Leistung findest du in der offiziellen Dokumentation von Ultralytics.

Wichtige Erkenntnisse#

Mit den Fortschritten bei Computer Vision werden Modelle immer präziser und effizienter. YOLO12 verbessert Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung und Bildklassifizierung durch aufmerksamkeitszentrierte Verarbeitung und FlashAttention. Dabei wird die Genauigkeit erhöht und gleichzeitig die Speichernutzung optimiert.

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

Interessierst du dich für AI? Besuche unser GitHub-Repository und beteilige dich an unserer Community. Entdecke auf unseren Lösungsseiten Innovationen in Bereichen wie AI in selbstfahrenden Autos und Computer Vision in der Landwirtschaft. Sieh dir unsere Lizenzoptionen an und setze deine Vision-AI-Projekte in die Tat um. 🚀