Erste Schritte

Modellvergleiche

Die Wahl der richtigen neuronalen Netzwerkarchitektur ist der Grundstein jedes erfolgreichen Projekts im Bereich Computer Vision. Der Ultralytics Model Comparison Hub vereint detaillierte technische Analysen und Leistungsbenchmarks, die die Vor- und Nachteile des neuesten Ultralytics YOLO26 und anderer führender Architekturen wie YOLO11, YOLOv10, RT-DETR und EfficientDet beleuchten.

Ob deine Anwendung die Millisekunden-Latenz von Edge-KI oder die hohe Präzision medizinischer Bildgebung erfordert – dieser Leitfaden liefert dir die Daten, die du für eine fundierte Entscheidung brauchst. Die Modelle werden anhand der mittleren durchschnittlichen Präzision (mAP), der Inferenzgeschwindigkeit, der Parametereffizienz und der einfachen Bereitstellung bewertet.

Interaktive Leistungsbenchmarks#

Die Beziehung zwischen Geschwindigkeit und Genauigkeit zu visualisieren, ist unerlässlich, um die „Pareto-Grenze“ der Objekterkennung zu bestimmen – also die Modelle, die bei einer vorgegebenen Geschwindigkeitsbeschränkung die beste Genauigkeit bieten. Das folgende Diagramm vergleicht wichtige Kennzahlen auf Standard-Datensätzen wie COCO.

Dieses Diagramm veranschaulicht wichtige Leistungskennzahlen, damit du die Vor- und Nachteile verschiedener Modelle schnell einschätzen kannst. Diese Kennzahlen zu verstehen, ist entscheidend, um ein Modell auszuwählen, das zu deinen Bereitstellungsbeschränkungen passt.

Kurzanleitung zur Auswahl#

Du weißt nicht, wo du anfangen sollst? Verwende diesen Entscheidungsbaum, um die Auswahl auf die Architektur einzugrenzen, die am besten zu deiner Hardware und deinen Leistungsanforderungen passt.

Die aktuelle Lage: YOLO26 und mehr#

Die Objekterkennung entwickelt sich rasant. Ältere Modelle bleiben zwar für bestehende Bereitstellungen relevant, doch neue Architekturen verbessern kontinuierlich Geschwindigkeit und Genauigkeit.

Ultralytics YOLO26#

Das im Januar 2026 veröffentlichte YOLO26 ist das neueste Ultralytics-Modell und der empfohlene Ausgangspunkt für alle neuen Projekte. Es führt architektonische Neuerungen ein, darunter ein optionales End-to-End-Design ohne NMS (nms=False), das die Nichtmaximalunterdrückung (NMS) als Nachbearbeitung überflüssig macht und so für schnellere und besser vorhersehbare Inferenzzeiten sorgt. YOLO26n ist auf CPUs bis zu 43 % schneller als YOLO11n und eignet sich daher besonders für den Einsatz am Netzwerkrand.

Zu den wichtigsten Neuerungen gehören:

  • End-to-End ohne NMS: Vereinfachte Bereitstellung ohne erforderliche NMS-Nachbearbeitung (nms=False)
  • Entfernung von DFL: Vereinfachte Exporte nach ONNX, TensorRT und CoreML
  • MuSGD-Optimierer: Hybrider SGD/Muon-Optimierer, inspiriert vom Training großer Sprachmodelle (LLM), für stabile Konvergenz
  • ProgLoss + STAL: Verbesserte Leistung bei der Erkennung kleiner Objekte
Warum YOLO26 wählen?

YOLO26 vereint die Effizienz von CNNs mit End-to-End-Funktionen ähnlich denen von Transformern. Es unterstützt alle Ultralytics-Aufgaben (Erkennung, Instanz- und semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und OBB) und ist zugleich kleiner, schneller und einfacher bereitzustellen als frühere Generationen.

Ultralytics YOLO11#

YOLO11 ist weiterhin ein leistungsfähiges Modell: YOLO11m verwendet 22 % weniger Parameter als YOLOv8m und erzielt zugleich eine höhere Erkennungsgenauigkeit. Es wird vollständig unterstützt und ist für alle empfehlenswert, die auf bewährte Stabilität angewiesen sind oder bereits YOLO11-Pipelines nutzen.

Community-Modelle: ein Hinweis zu YOLO12 und YOLO13#

In Diskussionen oder Repositories der Community findest du möglicherweise Verweise auf YOLO12 oder YOLO13.

Hinweis zur Verwendung in der Produktion

Wir empfehlen derzeit nicht, YOLO12 oder YOLO13 in der Produktion einzusetzen.

  • YOLO12: Verwendet Attention-Layer, die häufig zu instabilem Training, übermäßigem Speicherverbrauch und deutlich langsameren CPU-Inferenzzeiten führen.
  • YOLO13: Benchmarks zeigen gegenüber YOLO11 nur geringfügige Genauigkeitsverbesserungen, während das Modell größer und langsamer ist. Die veröffentlichten Ergebnisse weisen auf Probleme mit der Reproduzierbarkeit hin.


Ansehen: Vergleich von YOLO-Modellen: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Detaillierte Modellvergleiche#

Sieh dir die technischen Vergleiche unten an, um konkrete Architekturunterschiede wie die Auswahl des Backbones, den Aufbau des Heads und die Verlustfunktionen zu verstehen. Die Vergleiche sind nach Modellen geordnet:

YOLO26 im Vergleich zu#

YOLO26 ist das neueste Ultralytics-Modell. Zu seinen Merkmalen zählen die NMS-freie End-to-End-Erkennung, der MuSGD-Optimierer und eine bis zu 43 % schnellere CPU-Inferenz von YOLO26n im Vergleich zu YOLO11n. Das Modell ist für den Einsatz am Netzwerkrand optimiert und erzielt zugleich eine hohe Genauigkeit.

YOLO11 im Vergleich zu#

YOLO11 baut auf dem Erfolg seiner Vorgänger auf. Die verbesserte Backbone- und Neck-Architektur sorgt für eine bessere Merkmalsextraktion und höhere Effizienz.

YOLOv10 im Vergleich zu#

Die von der Tsinghua-Universität entwickelte Architektur YOLOv10 zielt darauf ab, den NMS-Schritt zu entfernen, um Schwankungen bei der Latenz zu verringern. Sie bietet eine starke Leistung bei reduziertem Rechenaufwand.

YOLOv9 im Vergleich zu#

YOLOv9 führt programmierbare Gradienteninformationen (PGI) und das verallgemeinerte effiziente Layer-Aggregationsnetzwerk (GELAN) ein, um Informationsverluste in tiefen neuronalen Netzwerken zu vermeiden.

YOLOv8 im Vergleich zu#

Ultralytics YOLOv8 ist nach wie vor sehr beliebt. Die Architektur kombiniert ein fortschrittliches Backbone und einen Neck mit einem anchorfreien, geteilten Head und bietet so eine überzeugende Balance zwischen Genauigkeit und Geschwindigkeit.

YOLOv7 im Vergleich zu#

YOLOv7 führte einen „trainierbaren Beutel kostenloser Tricks“ und die Neuparametrisierung des Modells ein. Im Mittelpunkt stand die Optimierung des Trainingsprozesses, ohne die Inferenzkosten zu erhöhen.

YOLOv6 im Vergleich zu#

Das YOLOv6 von Meituan wurde für industrielle Anwendungen entwickelt und umfasst bidirektionale Konkatenationsmodule (BiC) sowie Strategien für das Training mit Ankerpunkten.

YOLOv5 im Vergleich zu#

Ultralytics YOLOv5 ist für seine einfache Bedienung, Stabilität und Geschwindigkeit bekannt. Für Projekte, die eine breite Gerätekompatibilität erfordern, bleibt es eine zuverlässige Wahl.

RT-DETR im Vergleich zu#

RT-DETR (Echtzeit-Detektionstransformator) kombiniert ein CNN-Backbone mit einem Transformer-Encoder-Decoder, um hohe Genauigkeit bei Echtzeit-Leistung zu erzielen. Besonders stark ist das Modell beim Erfassen globaler Zusammenhänge.

PP-YOLOE+ im Vergleich zu#

PP-YOLOE+ wurde von Baidu entwickelt und nutzt aufgabenorientiertes Lernen (TAL) sowie einen entkoppelten Kopf, um Effizienz und Genauigkeit auszubalancieren.

DAMO-YOLO im Vergleich zu#

DAMO-YOLO von der Alibaba Group nutzt die Suche nach neuronalen Architekturen (NAS) und einen effizienten RepGFPN-Neck, um Latenz und Genauigkeit auszubalancieren.

YOLOX im Vergleich zu#

YOLOX wurde von Megvii entwickelt und ist eine ankerfreie Weiterentwicklung, die für ihren entkoppelten Kopf und ihre SimOTA-Strategie zur Zuordnung von Labels bekannt ist.

EfficientDet im Vergleich zu#

EfficientDet von Google Brain verwendet eine kombinierte Skalierung und BiFPN, um die Parametereffizienz zu optimieren. Die Modellreihe umfasst Modelle von D0 bis D7 für unterschiedliche Anforderungen.

Dieser Index wird aktualisiert, sobald neue Modelle veröffentlicht und Benchmarks verfeinert werden. Informationen zur privaten Lizenzierung für den Unternehmenseinsatz findest du auf der Ultralytics-Lizenzierungsseite.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.