Seite auf GitHub bearbeiten (EN)

Modellvergleiche: Wähle das beste Objekterkennungsmodell für dein Projekt

Die Wahl der richtigen neuronalen Netzwerkarchitektur ist der Grundstein jedes erfolgreichen Computer Vision Projekts. Willkommen im Ultralytics Model Comparison Hub! Diese Seite zentralisiert detaillierte technische Analysen und Performance-Benchmarks und analysiert die Kompromisse zwischen dem neuesten Ultralytics YOLO26 und anderen führenden Architekturen wie YOLO11, YOLOv10, RT-DETR und EfficientDet.

Egal, ob deine Anwendung die Millisekunden-Latenz von Edge AI erfordert oder die hohe Präzision, die für medizinische Bildgebung notwendig ist – dieser Leitfaden liefert die datengestützten Erkenntnisse, die du für eine fundierte Entscheidung benötigst. Wir bewerten Modelle basierend auf der mean Average Precision (mAP), der Inferenzgeschwindigkeit, der Parametereffizienz und der einfachen Bereitstellung.

Interaktive Performance-Benchmarks

Die Visualisierung des Verhältnisses zwischen Geschwindigkeit und Genauigkeit ist entscheidend, um die "Pareto-Front" der Objekterkennung zu identifizieren – Modelle, die bei einer gegebenen Geschwindigkeitsvorgabe die beste Genauigkeit bieten. Das Diagramm unten vergleicht Schlüsselmetriken auf Standard-Datensätzen wie COCO.

Dieses Diagramm visualisiert wichtige Leistungsmetriken, mit denen du schnell die Kompromisse zwischen verschiedenen Modellen beurteilen kannst. Das Verständnis dieser Metriken ist grundlegend, um ein Modell auszuwählen, das zu deinen spezifischen Bereitstellungsbeschränkungen passt.

Schnellentscheidungs-Leitfaden

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

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

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

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

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

Die aktuelle Landschaft: YOLO26 und darüber hinaus

Der Bereich der Objekterkennung entwickelt sich rasant. Während ältere Modelle für die Unterstützung von Altsystemen relevant bleiben, verschieben neue Architekturen die Grenzen dessen, was möglich ist.

Ultralytics YOLO26

Veröffentlicht im Januar 2026, ist YOLO26 das neueste State-of-the-Art-Modell und der empfohlene Ausgangspunkt für alle neuen Projekte. Es führt bahnbrechende architektonische Innovationen ein, einschließlich eines End-to-End NMS-Free Designs, das die Notwendigkeit einer Non-Maximum Suppression Nachverarbeitung überflüssig macht, was zu schnelleren und vorhersehbareren Inferenzzeiten führt. YOLO26 ist im Vergleich zu früheren Generationen bis zu 43% schneller auf CPUs, was es ideal für die Edge-Bereitstellung macht.

Zu den wichtigsten Innovationen gehören:

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

YOLO26 repräsentiert den Höhepunkt der Ultralytics-Entwicklung und kombiniert die Effizienz von CNNs mit Transformer-ähnlichen End-to-End-Fähigkeiten. Es unterstützt alle Aufgaben – Erkennung, Segmentierung, Pose-Schätzung, Klassifizierung und OBB – und ist gleichzeitig kleiner, schneller und einfacher bereitzustellen als je zuvor.

Ultralytics YOLO11

YOLO11 bleibt ein hochleistungsfähiges Modell und bietet im Vergleich zu YOLOv8 eine Reduzierung der Parameter um 22%, während die Erkennungsgenauigkeit verbessert wird. Es wird vollständig unterstützt und für Anwender empfohlen, die nachgewiesene Stabilität benötigen oder über bestehende YOLO11-Pipelines verfügen.

Community-Modelle: Ein Hinweis zu YOLO12 und YOLO13

Du stößt in Community-Diskussionen oder Repositories möglicherweise auf Verweise zu YOLO12 oder YOLO13.

Vorsicht bei der Produktion

Wir empfehlen derzeit nicht, YOLO12 oder YOLO13 für den Produktionseinsatz zu verwenden.

  • YOLO12: Verwendet Attention-Layer, die oft zu Trainingsinstabilität, übermäßigem Speicherverbrauch und deutlich langsameren CPU-Inferenzgeschwindigkeiten führen.
  • YOLO13: Benchmarks zeigen nur marginale Genauigkeitsgewinne gegenüber YOLO11, während es gleichzeitig größer und langsamer ist. Gemeldete Ergebnisse wiesen Probleme mit der Reproduzierbarkeit auf.


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

Detaillierte Modellvergleiche

Entdecke unsere eingehenden technischen Vergleiche, um spezifische architektonische Unterschiede wie Backbone-Auswahl, Head-Design und Verlustfunktionen zu verstehen. Wir haben sie zur einfacheren Übersicht nach Modell organisiert:

YOLO26 vs

YOLO26 ist das neueste Ultralytics-Modell mit NMS-freier End-to-End-Erkennung, dem MuSGD-Optimizer und bis zu 43% schnellerer CPU-Inferenz. Es ist für die Edge-Bereitstellung optimiert und erzielt dabei eine branchenführende Genauigkeit.

YOLO11 vs

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

YOLOv10 vs

Das von der Tsinghua University entwickelte YOLOv10 konzentriert sich auf die Entfernung des Non-Maximum Suppression (NMS) Schritts, um Latenzschwankungen zu reduzieren und eine erstklassige Leistung bei geringerem Rechenaufwand zu bieten.

YOLOv9 vs

YOLOv9 führt Programmable Gradient Information (PGI) und das Generalized Efficient Layer Aggregation Network (GELAN) ein, um Informationsverluste in tiefen neuronalen Netzwerken zu adressieren.

YOLOv8 vs

Ultralytics YOLOv8 bleibt eine sehr beliebte Wahl und bietet fortschrittliche Backbone- und Neck-Architekturen sowie einen ankerfreien Split-Head für optimale Genauigkeits-Geschwindigkeits-Kompromisse.

YOLOv7 vs

YOLOv7 führte "trainable bag-of-freebies" und Modell-Reparametrisierung ein, mit dem Fokus auf die Optimierung des Trainingsprozesses ohne Erhöhung der Inferenzkosten.

YOLOv6 vs

Das von Meituan entwickelte YOLOv6 wurde für industrielle Anwendungen konzipiert und zeichnet sich durch Bi-directional Concatenation (BiC)-Module sowie ankergestützte Trainingsstrategien aus.

YOLOv5 vs

Ultralytics YOLOv5 wird für seine Benutzerfreundlichkeit, Stabilität und Geschwindigkeit geschätzt. Es bleibt eine robuste Wahl für Projekte, die eine breite Gerätekompatibilität erfordern.

RT-DETR vs

RT-DETR (Real-Time Detection Transformer) nutzt Vision Transformer, um hohe Genauigkeit bei Echtzeitleistung zu erzielen, und überzeugt besonders beim Verständnis globaler Kontexte.

PP-YOLOE+ vs

PP-YOLOE+, entwickelt von Baidu, nutzt Task Alignment Learning (TAL) und einen entkoppelten Head, um Effizienz und Genauigkeit auszubalancieren.

DAMO-YOLO vs

Das von der Alibaba Group entwickelte DAMO-YOLO nutzt Neural Architecture Search (NAS) und das effiziente RepGFPN, um die Genauigkeit auf statischen Benchmarks zu maximieren.

YOLOX vs

YOLOX, entwickelt von Megvii, ist eine ankerfreie Weiterentwicklung, die für ihren entkoppelten Head und die SimOTA-Label-Zuweisungsstrategie bekannt ist.

EfficientDet vs

EfficientDet von Google Brain nutzt Compound Scaling und BiFPN zur Optimierung der Parametereffizienz und bietet eine Reihe von Modellen (D0-D7) für unterschiedliche Anforderungen.

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

Contributors
Seite auf GitHub bearbeiten (EN)
GLglenn-jocher10PDpderrenger1RIRizwanMunawar1

Kommentare