Wohin sich Ultralytics entwickelt
Von den Modellen, die Echtzeit-Vision-KI für Millionen zugänglich gemacht haben, bis hin zu den kommenden Releases. Hier erfährst du, was wir veröffentlicht haben und was als Nächstes ansteht.
Das Release, das Echtzeit-Objekterkennung für Millionen zugänglich machte — PyTorch-nativ, schnell und bemerkenswert einfach zu trainieren.
Ein Framework für Detektion, Segmentierung, Klassifizierung, Pose-Schätzung und orientierte Bounding Boxes.
Eine optimierte Architektur, die eine höhere Genauigkeit bei weniger Parametern bietet, vorgestellt auf der Ultralytics YOLO Vision 2024.
Unser derzeit empfohlenes Modell — schneller, präziser und produktionsbereit für jede Vision-Aufgabe.
Die End-to-End-Plattform, um Daten zu annotieren, YOLO-Modelle zu trainieren und über 42 globale Regionen hinweg bereitzustellen – alles an einem Ort.
Unsere ersten semantischen Segmentierungsmodelle — dichte Per-Pixel-Klassenlabels für ein vollständiges Szenenverständnis.
Eine auf Performance ausgelegte YOLO-Inferenzbibliothek und ein CLI in Rust, die Modelle auf ONNX Runtime hinter einer API ausführen, die dem Ultralytics Python-Paket nachempfunden ist.
Führe YOLO-Modelle direkt im Browser aus, ganz ohne Server und ohne Python. Es läuft auf WebGPU mit automatischem CPU- und wasm-Fallback hinter einer schlanken TypeScript-API, die von dem nach WebAssembly kompilierten Rust-Crate angetrieben wird.
Das Forschungspaper zu YOLO26 — mit Details zum NMS-freien End-to-End-Design, dem neuen MuSGD-Optimierer und einem erstklassigen Genauigkeits-Latenz-Kompromiss über alle fünf Modellgrößen hinweg.
Schnelleres, genaueres Multi-Objekt-Tracking — stabilere Identitäten bei Verdeckungen und in überfüllten Szenen für Videoanwendungen in der Praxis.
- Re-ID — Re-Identifizierung hält Objektidentitäten über Kameras hinweg und nach Verdeckungen konsistent
Integrierte Knowledge Distillation komprimiert große Lehrermodelle zu kleineren, schnelleren Schülermodellen und hilft dabei, die Genauigkeit für effizientes Edge- und Echtzeit-Deployment zu bewahren.
YOLO26-Depth-Modelle sagen dichte, Pixel-genaue Distanzkarten von einer einzelnen RGB-Kamera voraus und fügen so ein 3D-Raumbewusstsein ohne spezialisierte Tiefensensoren oder Lidar hinzu.
Ultralytics YOLO Vision 2026
Die nächste Flaggschiff-Generation von YOLO, live enthüllt auf der Ultralytics YOLO Vision 2026, die die Familie um Vision-Language erweitert:
- YOLO-VLM — ein leichtgewichtiges YOLO-Frontend, das eine tiefere LLM-Schicht für effiziente Vision-Language-Pipelines speist
Exportiere YOLO-Modelle in das neue .aimodel-Format von Apple für die Core AI-Runtime, sobald iOS 27 und macOS 27 allgemein verfügbar sind, während CoreML für eine breitere Gerätekompatibilität beibehalten wird.
Drei Produktfokusbereiche treiben die Plattform für den Rest des Jahres voran:
- Auto-Training – iterative, LLM-gestützte Trainingsanalyse, die jeden Durchlauf automatisch diagnostiziert und die Konfiguration über aufeinanderfolgende Runden verfeinert, um die Genauigkeit zu steigern
- On-Premise – betreibe die Plattform innerhalb deiner eigenen Infrastruktur, damit Daten und Training vollständig unter deiner Kontrolle bleiben
- Monitoring – Produktionsmodell-Überwachung zur Nachverfolgung der Leistung, zum Erkennen von Drift und zur Sicherstellung gesunder Deployments
Neue Fähigkeiten bereichern die YOLO Familie im Laufe des Jahres 2027:
- YOLO-OCR — schnelle, präzise Texterkennung
- YOLO-Face — Gesichtserkennung und -analyse
- YOLO-Stereo3D — Stereo-3D-Erkennung aus binokularen Kamerapaaren für die Robotik, eine kamera-native Alternative zu Lidar
Baue auf dem neuesten YOLO auf
Beginne heute mit dem Training und Deployment mit YOLO26 — und sei bereit für alles, was als Nächstes kommt.