Ultralytics YOLO27:
Get Started

Modellvergleiche#

Die Wahl der passenden neuronalen Netzwerkarchitektur ist entscheidend für jedes erfolgreiche Computer-Vision-Projekt. Willkommen beim Ultralytics-Modellvergleichsportal! Auf dieser Seite findest du gebündelte, ausführliche technische Analysen und Leistungsbenchmarks, die die Kompromisse zwischen dem neuesten Ultralytics YOLO26 und anderen führenden Architekturen wie YOLO11, YOLOv10, RT-DETR und EfficientDet aufschlüsseln.

Ob deine Anwendung die Latenz im Millisekundenbereich von Edge-KI oder die hohe Präzision für medizinische Bildgebung erfordert – dieser Leitfaden liefert die datengestützten Erkenntnisse, die du für eine fundierte Entscheidung brauchst. Wir bewerten Modelle anhand der mittleren durchschnittlichen Präzision (mAP), der Inferenzgeschwindigkeit, der Parametereffizienz und der einfachen Bereitstellung.

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 stellt wichtige Leistungskennzahlen dar, damit du die Kompromisse zwischen verschiedenen Modellen schnell einschätzen kannst. Diese Kennzahlen zu verstehen, ist grundlegend, um ein Modell auszuwählen, das zu deinen spezifischen Anforderungen bei der Bereitstellung 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 sind zwar weiterhin für die Unterstützung bestehender Systeme relevant, doch neue Architekturen verschieben die Grenzen des Machbaren.

Ultralytics YOLO26#

YOLO26 wurde im Januar 2026 veröffentlicht und ist das neueste Modell auf dem neuesten Stand der Technik sowie der empfohlene Ausgangspunkt für alle neuen Projekte. Es bringt wegweisende architektonische Neuerungen mit, darunter ein optionales End-to-End-Design ohne NMS (nms=False), das die Nachbearbeitung mit Non-Maximum Suppression überflüssig macht und dadurch schnellere und besser vorhersehbare Inferenzzeiten ermöglicht. YOLO26 ist auf CPUs bis zu 43 % schneller als frühere Generationen und eignet sich damit ideal für den Einsatz auf Edge-Geräten.

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 ist der Höhepunkt der Entwicklungsarbeit von Ultralytics und vereint die Effizienz von CNNs mit End-to-End-Fähigkeiten, die denen von Transformern ähneln. Das Modell unterstützt alle Aufgaben – Erkennung, Instanz- und semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und OBB – und ist dabei kleiner, schneller und einfacher bereitzustellen als je zuvor.

Ultralytics YOLO11#

YOLO11 bleibt ein leistungsfähiges Modell: YOLO11m benötigt 22 % weniger Parameter als YOLOv8m und erreicht zugleich eine höhere Erkennungsgenauigkeit. Das Modell wird vollständig unterstützt und ist für alle empfehlenswert, die auf bewährte Stabilität angewiesen sind oder bereits YOLO11-Pipelines betreiben.

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 unsere ausführlichen technischen Vergleiche an, um die konkreten architektonischen Unterschiede zu verstehen, etwa bei der Auswahl des Backbones, dem Head-Design und den Verlustfunktionen. Wir haben die Vergleiche nach Modell geordnet, damit du sie leicht findest:

YOLO26 im Vergleich zu#

YOLO26 ist das neueste Modell von Ultralytics und bietet End-to-End-Erkennung ohne NMS, den MuSGD-Optimierer und bis zu 43 % schnellere CPU-Inferenz. Das Modell ist für den Einsatz auf Edge-Geräten optimiert und erreicht zugleich Genauigkeit auf dem neuesten Stand der Technik.

YOLO11 im Vergleich zu#

YOLO11 baut auf den Erfolgen seiner Vorgänger auf und integriert aktuelle Forschungsergebnisse. Das Modell verfügt über eine verbesserte Backbone- und Neck-Architektur für eine bessere Merkmalsextraktion und höhere Effizienz.

YOLOv10 im Vergleich zu#

YOLOv10 wurde von der Tsinghua-Universität entwickelt und konzentriert sich darauf, den Schritt der nichtmaximalen Unterdrückung (NMS) zu entfernen, um die Latenzschwankungen zu verringern. Das Modell bietet eine Leistung auf dem neuesten Stand der Technik bei geringerem Rechenaufwand.

YOLOv9 im Vergleich zu#

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

YOLOv8 im Vergleich zu#

Ultralytics YOLOv8 ist weiterhin eine sehr beliebte Wahl. Das Modell bietet fortschrittliche Backbone- und Neck-Architekturen sowie einen anchorfreien, geteilten Head, der ein optimales Verhältnis zwischen Genauigkeit und Geschwindigkeit ermöglicht.

YOLOv7 im Vergleich zu#

YOLOv7 führte „trainierbare Sammlung kostenloser Verbesserungen“ und die Neuparametrisierung des Modells ein. Der Fokus lag darauf, den Trainingsprozess zu optimieren, ohne die Inferenzkosten zu erhöhen.

YOLOv6 im Vergleich zu#

Meituans YOLOv6 wurde für industrielle Anwendungen entwickelt und bietet bidirektionale Verkettungsmodule (BiC) sowie trainingsstrategien mit Anchor-Unterstützung.

YOLOv5 im Vergleich zu#

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

RT-DETR im Vergleich zu#

RT-DETR (Echtzeit-Detektionstransformer) nutzt Vision Transformer, um hohe Genauigkeit bei Echtzeitverarbeitung zu erzielen, und zeichnet sich durch ein umfassendes Verständnis des globalen Kontexts aus.

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 stammt von der Alibaba Group und verwendet neuronale Architektursuche (NAS) sowie das effiziente RepGFPN, um die Genauigkeit bei statischen Benchmarks zu maximieren.

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.

Dieses Verzeichnis wird laufend aktualisiert, sobald neue Modelle veröffentlicht und Benchmarks verfeinert werden. Wir empfehlen dir, diese Ressourcen zu erkunden, um das passende Modell für dein nächstes Computer-Vision-Projekt zu finden. Wenn du nach Lösungen mit privater Lizenzierung auf Enterprise-Niveau suchst, besuche bitte unsere Lizenzierungsseite. Viel Spaß beim Vergleichen!

Mitwirkende
GLglenn-jocher17PDpderrenger1RIRizwanMunawar1

Kommentare