Ultralytics YOLO27:

Modellvergleiche#

Die Wahl der richtigen neuronalen Netzwerkarchitektur ist der Grundstein für jedes erfolgreiche Computer-Vision-Projekt. Willkommen im Ultralytics-Modellvergleichs-Hub! Diese Seite bündelt detaillierte technische Analysen und Leistungsbenchmarks und untersucht die Abwägungen zwischen dem neuesten Ultralytics YOLO26 und anderen führenden Architekturen wie YOLO11, YOLOv10, RT-DETR und EfficientDet.

Ob deine Anwendung die Latenz von Edge-KI im Millisekundenbereich 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 Visualisierung des Zusammenhangs zwischen Geschwindigkeit und Genauigkeit ist entscheidend, um die „Pareto-Grenze“ der Objekterkennung zu bestimmen – also Modelle, die bei einer bestimmten Geschwindigkeitsvorgabe die beste Genauigkeit bieten. Das folgende Diagramm stellt wichtige Metriken auf Standard-Datensätzen wie COCO gegenüber.

Dieses Diagramm visualisiert wichtige Leistungsmetriken, damit du die Abwägungen zwischen verschiedenen Modellen schnell beurteilen kannst. Das Verständnis dieser Metriken ist grundlegend für die Auswahl eines Modells, das zu deinen spezifischen Anforderungen an die Bereitstellung passt.

Kurzanleitung zur Entscheidungsfindung#

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

graph TD
    A[Start: Define Project Needs]:::start --> B{Deployment Hardware?}:::decide
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}:::decide
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}:::decide

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]:::out
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]:::out

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]:::out
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]:::out

    A --> I{Specialized Features?}:::decide
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]:::out
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]:::out
    I -- "Video Analytics" --> L[YOLO26 + Tracking]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Die aktuelle Landschaft: YOLO26 und darüber hinaus#

Das Feld der Objekterkennung entwickelt sich rasant. Während ältere Modelle für die Unterstützung bestehender Systeme weiterhin relevant sind, erweitern neue Architekturen die Grenzen des Möglichen.

Ultralytics YOLO26#

YOLO26 wurde im Januar 2026 veröffentlicht und ist das neueste Spitzenmodell sowie der empfohlene Ausgangspunkt für alle neuen Projekte. Es führt bahnbrechende architektonische Neuerungen ein, darunter ein Ende-zu-Ende-Design ohne NMS, das die nachgelagerte Verarbeitung durch Non-Maximum Suppression überflüssig macht und dadurch schnellere und besser vorhersehbare Inferenzzeiten ermöglicht. YOLO26 ist im Vergleich zu früheren Generationen auf CPUs bis zu 43 % schneller und damit ideal für die Bereitstellung am Edge geeignet.

Zu den wichtigsten Neuerungen gehören:

  • Ende-zu-Ende ohne NMS: Vereinfachte Bereitstellung ohne erforderliche Nachverarbeitung
  • Entfernung von DFL: Optimierte Exporte nach ONNX, TensorRT und CoreML
  • MuSGD-Optimierer: Hybrider SGD/Muon-Optimierer, inspiriert vom Training großer Sprachmodelle, für stabile Konvergenz
  • ProgLoss + STAL: Verbesserte Leistung bei der Erkennung kleiner Objekte
Warum YOLO26 wählen?

YOLO26 steht für die Spitzenleistung der Ultralytics-Entwicklung und verbindet die Effizienz von CNN mit Ende-zu-Ende-Funktionen ähnlich denen von Transformern. Es unterstützt alle Aufgaben – Erkennung, Segmentierung, Posenschätzung, Klassifizierung und OBB – und ist dabei kleiner, schneller und einfacher bereitzustellen als je zuvor.

Ultralytics YOLO11#

YOLO11 bleibt ein äußerst leistungsfähiges Modell. Es reduziert die Anzahl der Parameter im Vergleich zu YOLOv8 um 22 % und verbessert gleichzeitig die Erkennungsgenauigkeit. Es wird vollständig unterstützt und für Nutzer empfohlen, die bewährte Stabilität benötigen oder bereits YOLO11-Pipelines einsetzen.

Community-Modelle: Ein Hinweis zu YOLO12 und YOLO13#

In Community-Diskussionen oder -Repositorys stößt du möglicherweise auf Verweise auf YOLO12 oder YOLO13.

Hinweis für den Produktionseinsatz

Wir empfehlen YOLO12 oder YOLO13 derzeit nicht für den Produktionseinsatz.

  • YOLO12: Verwendet Aufmerksamkeitsschichten, die häufig zu instabilem Training, übermäßigem Speicherverbrauch und deutlich langsameren CPU-Inferenzgeschwindigkeiten führen.
  • YOLO13: Benchmarks zeigen gegenüber YOLO11 nur geringfügige Genauigkeitsgewinne, während das Modell größer und langsamer ist. Die gemeldeten Ergebnisse weisen auf Probleme bei der Reproduzierbarkeit hin.


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Detaillierte Modellvergleiche#

Erkunde unsere ausführlichen technischen Vergleiche, um spezifische architektonische Unterschiede wie die Auswahl des Backbones, den Aufbau des Heads und die Verlustfunktionen zu verstehen. Wir haben sie zur einfachen Navigation nach Modell geordnet:

YOLO26 vs.#

YOLO26 ist das neueste Modell von Ultralytics und bietet eine NMS-freie Ende-zu-Ende-Erkennung, den MuSGD-Optimierer und bis zu 43 % schnellere CPU-Inferenz. Es ist für die Bereitstellung am Edge optimiert und erreicht gleichzeitig Genauigkeit auf dem neuesten Stand der Technik.

YOLO11 vs.#

YOLO11 baut mit aktueller Forschung auf dem Erfolg seiner Vorgänger auf. Es bietet eine verbesserte Backbone- und Neck-Architektur für eine bessere Merkmalsextraktion und optimierte Effizienz.

YOLOv10 vs.#

YOLOv10 wurde von der Tsinghua-Universität entwickelt und konzentriert sich darauf, den Schritt der Unterdrückung nicht maximaler Werte (NMS) zu entfernen, um die Latenzschwankungen zu reduzieren. So bietet es Spitzenleistung bei geringerem Rechenaufwand.

YOLOv9 vs.#

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

YOLOv8 vs.#

Ultralytics YOLOv8 bleibt eine äußerst beliebte Wahl. Es bietet fortschrittliche Backbone- und Neck-Architekturen sowie einen ankerfreien, aufgeteilten Head für ein optimales Verhältnis zwischen Genauigkeit und Geschwindigkeit.

YOLOv7 im Vergleich zu#

YOLOv7 führte einen „trainierbaren Bag of Freebies“ und die Reparametrisierung von Modellen ein und konzentrierte sich darauf, den Trainingsprozess zu optimieren, ohne die Inferenzkosten zu erhöhen.

YOLOv6 im Vergleich zu#

YOLOv6 von Meituan wurde für industrielle Anwendungen entwickelt und verfügt über Module zur bidirektionalen Verkettung (BiC) sowie Trainingsstrategien mit Ankerunterstützung.

YOLOv5 im Vergleich zu#

Ultralytics YOLOv5 ist für seine Benutzerfreundlichkeit, Stabilität und Geschwindigkeit bekannt. Es bleibt eine robuste Wahl für Projekte, die eine umfassende Gerätekompatibilität erfordern.

RT-DETR im Vergleich zu#

RT-DETR (Transformer zur Objekterkennung in Echtzeit) nutzt Vision Transformer, um eine hohe Genauigkeit bei Echtzeitleistung zu erreichen, und zeichnet sich durch ein umfassendes Verständnis globaler Zusammenhänge aus.

PP-YOLOE+ im Vergleich zu#

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

DAMO-YOLO im Vergleich zu#

DAMO-YOLO von der Alibaba Group verwendet die Suche nach neuronalen Architekturen (NAS) und ein effizientes RepGFPN, um die Genauigkeit bei statischen Benchmarks zu maximieren.

YOLOX im Vergleich zu#

YOLOX wurde von Megvii entwickelt und ist eine bekannte anchor-freie Weiterentwicklung mit einem entkoppelten Kopf und einer SimOTA-Strategie zur Zuordnung von Labels.

EfficientDet im Vergleich zu#

EfficientDet von Google Brain verwendet eine kombinierte Skalierung und BiFPN, um die Parametereffizienz zu optimieren, und bietet eine Reihe von Modellen (D0–D7) für unterschiedliche Einschränkungen.

Dieser Index wird kontinuierlich aktualisiert, sobald neue Modelle veröffentlicht und Benchmarks verfeinert werden. Wir empfehlen dir, diese Ressourcen zu erkunden, um die perfekte Lösung für dein nächstes Computer-Vision-Projekt zu finden. Wenn du nach Lösungen auf Enterprise-Niveau mit privater Lizenzierung suchst, besuche bitte unsere Lizenzierungsseite. Viel Erfolg beim Vergleichen!

Mitwirkende
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Kommentare