Erste Schritte

PP-YOLOE+ im Vergleich zu YOLOv8

Die Nachfrage nach leistungsstarken Computer-Vision-Modellen in Echtzeit hat die rasante Innovation in der gesamten KI-Branche vorangetrieben. Die Wahl der passenden Architektur kann darüber entscheiden, ob eine Bereitstellung effizient oder eine schwerfällige, ressourcenintensive Pipeline wird. Dieser technische Leitfaden vergleicht PP-YOLOE+ und Ultralytics YOLOv8 und beleuchtet ihre zugrunde liegenden Architekturen, Trainingseffizienz und idealen Bereitstellungsszenarien.

Einführung in die Architekturen#

Beide Modelle sind wichtige Meilensteine in der Entwicklung der Objekterkennung. Sie entstammen jedoch völlig unterschiedlichen Entwicklungsansätzen und Ökosystemen.

PP-YOLOE+#

PP-YOLOE+ wurde als Erweiterung der PaddleDetection-Suite entwickelt und baut auf früheren Versionen der PP-YOLO-Reihe auf. Das Modell ist stark für das Deep-Learning-Framework PaddlePaddle optimiert und richtet sich vor allem an industrielle Bereitstellungen auf Basis des Software-Stacks von Baidu.

PP-YOLOE+ verwendet ein CSPRepResNet-Backbone und einen Efficient Task-aligned Head (ET-Head), der Klassifikations- und Lokalisierungsaufgaben dynamisch aufeinander abstimmt. Obwohl das Modell bei standardisierten Benchmarks eine starke mittlere durchschnittliche Präzision (mAP) erzielt, kann seine starke Abhängigkeit vom PaddlePaddle-Ökosystem für Entwickler, die mit weiter verbreiteten Frameworks vertraut sind, zu Reibungsverlusten führen.

Erfahre mehr über PP-YOLOE+

Ultralytics YOLOv8#

YOLOv8 wurde im Januar 2023 von Ultralytics veröffentlicht und setzte damals einen neuen Maßstab für die Objekterkennung. Das Modell brachte der PyTorch-Entwicklergemeinschaft Benutzerfreundlichkeit, breite Vielseitigkeit und hohe Ausführungsgeschwindigkeit.

YOLOv8 führte einen optimierten, ankerfreien Erkennungskopf und einen überarbeiteten C2f-Baustein ein, der das ältere C3-Modul ersetzt. Dieses Design verbessert den Gradientenfluss und ermöglicht ein schnelles Modelltraining. YOLOv8 ist mehr als ein einfaches Erkennungsmodell: Es unterstützt über dieselbe benutzerfreundliche API auch die Instanzsegmentierung, die Bildklassifizierung und die Posenschätzung.

Leistungs- und Metrikvergleich#

Ein direkter Vergleich dieser Architekturen zeigt unterschiedliche Abwägungen zwischen Parameterzahl und Inferenzlatenz. Im Folgenden findest du die Leistungsübersicht auf dem COCO-Datensatz.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Das größte PP-YOLOE+x-Modell erzielt zwar eine geringfügig höhere mAP als YOLOv8x, benötigt dafür aber fast 100 Mio. Parameter. Ultralytics YOLOv8-Modelle bieten durchweg eine bessere Leistungsbalance. Die YOLOv8-Architekturen benötigen beim Training und bei der Inferenz deutlich weniger Speicher als umfangreichere Modelle und eignen sich daher gut für die Skalierung im Produktiveinsatz.

Die Vorteile des Ultralytics-Ökosystems#

Bei der Bewertung von Modellen ist das jeweilige Ökosystem ebenso wichtig wie die reine Architektur. Bei PP-YOLOE+ musst du dich mit komplexen Konfigurationsdateien und Abhängigkeiten auseinandersetzen, die speziell für das PaddlePaddle-Framework entwickelt wurden.

Im Gegensatz dazu ist die Ultralytics-Erfahrung auf schnelle Entwicklungszyklen ausgelegt. Das gut gepflegte Ökosystem bietet eine einfache Python-API und eine sehr aktive Community. Die Ultralytics Platform vereinfacht außerdem die gesamte ML-Pipeline und bietet Datenverwaltung, Cloud-Training und unkomplizierte Exporte in Formate wie ONNX und TensorRT.

Optimierte Bereitstellung mit PyTorch

Da YOLOv8 nativ auf PyTorch basiert, lässt es sich deutlich einfacher in bestehende KI-Pipelines integrieren, über CoreML für mobile Umgebungen exportieren oder auf Edge-Geräten bereitstellen als Frameworks, die spezielle Software-Stacks erfordern.

Benutzerfreundlichkeit: Code im Vergleich#

Mit Ultralytics reichen nur wenige Codezeilen, um einen Objektdetektor zu trainieren. Komplexe hierarchische Konfigurationsordner musst du dafür nicht durchforsten.

from ultralytics import YOLO

# Ein vortrainiertes kleines YOLOv8-Modell laden
model = YOLO("yolov8s.pt")

# Das Modell effizient mit deinem eigenen Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Das Modell anhand von mAP-Kennzahlen validieren
metrics = model.val()

# Für die schnelle Bereitstellung am Netzwerkrand exportieren
model.export(format="engine", dynamic=True)  # Exportiert nach TensorRT

Anwendungsfälle und Empfehlungen#

Ob PP-YOLOE+ oder YOLOv8 besser geeignet ist, hängt von den konkreten Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen Präferenzen beim Ökosystem ab.

Wann du PP-YOLOE+ wählen solltest#

PP-YOLOE+ eignet sich besonders für:

  • Integration in das PaddlePaddle-Ökosystem: Unternehmen mit einer bestehenden Infrastruktur auf Basis des PaddlePaddle-Frameworks und der Werkzeuge von Baidu.
  • Edge-Bereitstellung mit Paddle Lite: Bereitstellung auf Hardware mit hochoptimierten Inferenzkernen speziell für Paddle Lite oder die Paddle-Inferenz-Engine.
  • Erkennung mit hoher Genauigkeit auf Servern: Szenarien, in denen höchste Erkennungsgenauigkeit auf leistungsstarken GPU-Servern gefragt ist und die Abhängigkeit von einem bestimmten Framework keine Rolle spielt.

Wann du YOLOv8 wählen solltest#

YOLOv8 empfiehlt sich für:

  • Vielseitige Bereitstellung für mehrere Aufgaben: Projekte, die ein bewährtes Modell für Erkennung, Segmentierung, Klassifizierung und Posenschätzung innerhalb des Ultralytics-Ökosystems benötigen.
  • Etablierte Produktivsysteme: Bestehende Produktivumgebungen, die bereits auf der YOLOv8-Architektur und stabilen, umfassend getesteten Bereitstellungspipelines basieren.
  • Umfangreiche Unterstützung durch Community und Ökosystem: Anwendungen, die von den zahlreichen YOLOv8-Anleitungen, Integrationen von Drittanbietern und aktiven Community-Ressourcen profitieren.

Wann du Ultralytics (YOLO26) wählen solltest#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:

  • NMS-freie Bereitstellung auf Edge-Geräten: Anwendungen, die eine gleichbleibende Inferenz mit geringer Latenz ohne die Komplexität der Nachbearbeitung durch Non-Maximum Suppression erfordern.
  • Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 (YOLO26n gegenüber YOLO11n) einen klaren Vorteil bietet.
  • Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftbilder von Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei sehr kleinen Objekten deutlich steigern.

Über YOLOv8 hinaus: Der Beginn von YOLO26#

YOLOv8 bleibt eine robuste und zuverlässige Wahl. Entwickler, die nach den neuesten Fortschritten suchen, sollten jedoch Ultralytics YOLO26 in Betracht ziehen. YOLO26 wurde im Januar 2026 veröffentlicht und entwickelt die grundlegenden Prinzipien der YOLO-Architekturen zu einer Modellfamilie weiter, die auf KI für Edge-Geräte ausgelegt ist.

YOLO26 bringt mehrere Innovationen mit, die sowohl PP-YOLOE+ als auch frühere YOLO-Generationen verbessern, darunter YOLO11:

  • End-to-End-Design ohne NMS: Aufbauend auf Konzepten aus YOLOv10 bietet YOLO26 einen optionalen End-to-End-Kopf (nms=False). Durch den Wegfall der Nachverarbeitung mit Nicht-Maximum-Unterdrückung (NMS) liefert das Modell unabhängig davon, wie dicht gedrängt eine Szene ist, eine gleichmäßige Inferenz mit niedriger Latenz.
  • Bis zu 43 % schnellere CPU-Inferenz: Durch die Entfernung von Distribution Focal Loss (DFL) verringert YOLO26 den Verarbeitungsaufwand deutlich. So läuft YOLO26n auf Edge-CPUs bis zu 43 % schneller als YOLO11n und eignet sich für Smart Cities und IoT-Anwendungen, bei denen keine leistungsstarken GPUs verfügbar sind.
  • MuSGD-Optimierer: YOLO26 übernimmt Techniken aus dem Training großer Sprachmodelle (LLM). Der hybride MuSGD-Optimierer sorgt für mehr Stabilität und schnellere Konvergenz beim Training.
  • ProgLoss + STAL: Eine progressive Loss-Funktion und eine zuweisung kleiner Objekte berücksichtigende Label-Zuweisung verbessern die Erkennung kleiner und weit entfernter Objekte deutlich. Das ist ein großer Vorteil für Drohnenbetreiber, die Luftaufnahmen analysieren, und für die Fehlererkennung an schnell laufenden Fertigungsstraßen.

Für Entwickler, die neue Computer-Vision-Projekte beginnen, ist YOLO26 die empfohlene Wahl.

Anwendungen in der Praxis#

Die Wahl zwischen diesen Modellen hängt oft von den konkreten Bedingungen bei der Bereitstellung ab:

Stärken von PP-YOLOE+:

  • Hardwaresysteme speziell für Paddle: Wenn du ausschließlich auf von Baidu unterstützter Hardware bereitstellst, für die PaddlePaddle als Laufzeitumgebung vorgeschrieben ist, bietet PP-YOLOE+ eine starke native Integration.
  • Umfangreiche serverseitige Verarbeitung: Wenn weder die Parameterzahl noch der Speicherbedarf ein Problem sind und du ausschließlich Offline-Inferenz auf Servern ausführst.

Stärken von Ultralytics YOLOv8 und YOLO26:

  • Dynamisches Edge-Computing: Von NVIDIA-Jetson-Geräten bis zu Raspberry-Pi-Boards bieten Ultralytics-Modelle eine gute Balance zwischen Geschwindigkeit und geringem Speicherbedarf.
  • Multi-Task-Pipelines: Wenn deine Anwendung sich von einfachen Begrenzungsrahmen zu orientierten Begrenzungsrahmen (OBB) für Luftaufnahmen oder zur Posenschätzung für Verhaltensanalysen weiterentwickeln soll, unterstützt Ultralytics diese Aufgaben direkt einsatzbereit.
  • Vom schnellen Prototyp bis zum Produktiveinsatz: Das Ultralytics-Ökosystem hilft Teams, schnell zu iterieren. Dank leicht verfügbarer vortrainierter Gewichte lassen sich benutzerdefinierte Modelle über die Ultralytics Platform deutlich schneller trainieren und bereitstellen als mit konkurrierenden Architekturen.

PP-YOLOE+ bietet zwar konkurrenzfähige Benchmark-Ergebnisse, doch die Vielseitigkeit, Benutzerfreundlichkeit und kontinuierliche Weiterentwicklung der Ultralytics-Modelle – zuletzt mit YOLO26 – machen sie zur besseren Wahl für heutige Entwickler und Forschende.

Kommentare

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