Meet YOLO26: next-gen vision AI.

Link to this sectionYOLO11 vs. RTDETRv2#

Die Computer-Vision-Landschaft hat sich rasant erweitert und bietet Entwicklern eine Vielzahl an Möglichkeiten, um robuste vision-basierte Anwendungen zu erstellen. Im Bereich der Echtzeit-Objekterkennung ist die Debatte zwischen Convolutional Neural Networks (CNNs) und Vision Transformers (ViTs) aktueller denn je. Dieser technische Vergleich untersucht zwei führende Architekturen: YOLO11, das die Spitze hochoptimierter CNN-Frameworks repräsentiert, und RTDETRv2, eine leistungsstarke Iteration der Detection-Transformer-Familie.

Durch die Analyse ihrer Architekturen, Leistungskennzahlen und idealen Einsatzszenarien soll dieser Leitfaden Machine-Learning-Ingenieuren dabei helfen, fundierte Entscheidungen zu treffen. Während beide Modelle die Grenzen der Genauigkeit erweitern, bieten Ultralytics YOLO-Modelle typischerweise ein überlegenes Gleichgewicht aus Geschwindigkeit, Ökosystem-Unterstützung und Benutzerfreundlichkeit für den produktiven Einsatz.

Link to this sectionYOLO11: Der Maßstab für Vielseitigkeit in der Praxis#

YOLO11 wurde von Ultralytics eingeführt und baut auf jahrelanger Grundlagenforschung auf, um ein Modell zu liefern, das schnell, präzise und unglaublich vielseitig ist. Es ist darauf ausgelegt, Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Pose-Schätzung und die Extraktion von orientierten Begrenzungsrahmen (OBB) nativ zu verarbeiten.

Erfahre mehr über YOLO11

Link to this sectionArchitektur und Stärken#

YOLO11 verfügt über ein verfeinertes CNN-Backbone und fortschrittliche räumliche Feature-Pyramiden, wodurch es außergewöhnlich ressourceneffizient ist. Es bewährt sich in Umgebungen mit strengen Hardware-Beschränkungen und bietet einen minimalen Speicherbedarf sowohl beim Training als auch bei der Inferenz. Die Ultralytics Platform bietet native Unterstützung für YOLO11 und ermöglicht so eine optimierte Modellüberwachung, Datenannotation und Cloud-Training, ohne dass verschiedene MLOps-Tools mühsam kombiniert werden müssen.

Für Entwickler, die auf Edge Computing abzielen, bietet YOLO11 eine extrem niedrige Latenz. Seine leichtgewichtige Natur ermöglicht den effizienten Betrieb auf Geräten von Raspberry Pis bis hin zu handelsüblichen Mobiltelefonen, was es zum Standard für den smarten Einzelhandel, die Qualitätskontrolle in der Fertigung und das automatisierte Verkehrsmanagement macht.

Link to this sectionRTDETRv2: Echtzeit-Transformer von Baidu#

RTDETRv2 (Real-Time Detection Transformer Version 2) stellt Baidus Bemühungen dar, transformer-basierte Architekturen für Echtzeitaufgaben nutzbar zu machen. Es baut auf dem ursprünglichen RT-DETR auf, indem es einen "Bag-of-Freebies"-Ansatz integriert, um die Basisgenauigkeit zu verbessern, ohne die Inferenzlatenz zu erhöhen.

Erfahre mehr über RTDETR

Link to this sectionArchitektur und Stärken#

Im Gegensatz zu herkömmlichen CNNs verwendet RTDETRv2 eine Encoder-Decoder-Architektur mit Self-Attention-Mechanismen, wodurch es den globalen Kontext über ein Bild hinweg erfassen kann. Dies ist besonders vorteilhaft in überfüllten Szenen, in denen Verdeckungen häufig vorkommen. RTDETRv2 macht die Non-Maximum Suppression (NMS) bei der Nachbearbeitung überflüssig und setzt stattdessen auf Hungarian Matching während des Trainings für ein eins-zu-eins bipartites Matching.

Transformer-Modelle sind jedoch bekanntermaßen hungrig nach VRAM und CUDA-Speicher. Das Training von RTDETRv2 von Grund auf oder die Feinabstimmung auf benutzerdefinierten Datensätzen erfordert oft beträchtliche High-End-GPU-Cluster, was für kleinere, agile Teams im Vergleich zum leichtgewichtigen Trainingsaufwand von Ultralytics-Modellen eine Hürde darstellen kann.

Link to this sectionAnalyse von Leistung und Metriken#

Bei der Bewertung dieser Modelle auf dem Standard-COCO-Datensatz beobachten wir klare Kompromisse zwischen Parametern, FLOPs und der tatsächlichen Genauigkeit.

ModellGröße
(Pixel)		mAPval
50-95		Geschwindigkeit
CPU ONNX
(ms)		Geschwindigkeit
T4 TensorRT10
(ms)		Parameter
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02,59.421,5
YOLO11m64051.5183.24.720,168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356,9194.9
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Link to this sectionDie Ergebnisse im Überblick#

Wie in der Tabelle zu sehen ist, bietet YOLO11 ein unglaubliches Verhältnis von Leistung zu Größe. Das YOLO11x erreicht eine höhere mAPval (54,7) im Vergleich zu RTDETRv2-x (54,3), bei gleichzeitig deutlich weniger Parametern (56,9M vs. 76M) und weitaus weniger Rechen-FLOPs (194,9B vs. 259B).

Darüber hinaus sind die Inferenzgeschwindigkeiten von YOLO11 auf T4 TensorRT außergewöhnlich schnell. YOLO11s schließt die Inferenz in nur 2,5 ms ab, während das kleinste RTDETRv2-s 5,03 ms benötigt. Dies macht YOLO11 zur definitiven Wahl für schnelle Echtzeit-Videoanalysestreams, bei denen die Frame-Verarbeitungszeit der primäre Engpass ist.

Die Kosten der Transformer

Während RTDETRv2 durch seine Attention-Layer eine exzellente Genauigkeit erreicht, skalieren diese Mechanismen quadratisch mit der Bildauflösung, was zu einem höheren VRAM-Verbrauch während des Trainings und der Inferenz führt. YOLO11 umgeht dies mit seinen hocheffizienten Convolutional-Blöcken.

Link to this sectionTrainings-Ökosystem und Benutzerfreundlichkeit#

Der wesentliche Vorteil der Verwendung eines Ultralytics-Modells liegt im umgebenden Ökosystem. Das Training von RTDETRv2 erfordert oft das Navigieren durch komplexe Repositories auf Forschungsniveau, das Anpassen komplizierter Verlustgewichtungen für das bipartite Matching und die Verwaltung eines erheblichen Speicheraufwands.

Im Gegensatz dazu konzentriert sich Ultralytics stark auf die Entwicklererfahrung. Die vereinheitlichte Python API abstrahiert Boilerplate-Code, integriert sich nahtlos in Tools wie Weights & Biases für Experiment-Tracking und übernimmt Datenaugmentierungen automatisch.

Hier ist, wie einfach es ist, ein Modell mit dem ultralytics-Paket zu trainieren und zu exportieren:

from ultralytics import YOLO

# Initialize YOLO11 model with pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model efficiently on a local GPU or cloud instance
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Utilize CUDA GPU
)

# Export the trained model to ONNX for widespread deployment
export_path = model.export(format="onnx")

Nach dem Training erfordert der Export eines YOLO11-Modells in Formate wie ONNX, OpenVINO oder CoreML nur einen einzigen Befehl, wodurch sichergestellt wird, dass deine Vision-Pipeline mühelos über diverse Hardware-Backends skalieren kann.

Multi-Task-Fähigkeiten

Denk daran, dass RTDETRv2 sich ausschließlich auf die Objekterkennung mit Begrenzungsrahmen konzentriert, während die YOLO11-Architektur nativ Pose-Schätzung und Instanzsegmentierung unterstützt, was es dir ermöglicht, mehrere Vision-Aufgaben in einer einzigen Modellfamilie zu konsolidieren.

Link to this sectionAnwendungsfälle und Empfehlungen#

Die Entscheidung zwischen YOLO11 und RT-DETR hängt von deinen spezifischen Projektanforderungen, den Bereitstellungseinschränkungen und deinen Präferenzen bezüglich des Ökosystems ab.

Link to this sectionWann du YOLO11 wählen solltest#

YOLO11 ist eine starke Wahl für:

  • Edge-Deployment in der Produktion: Kommerzielle Anwendungen auf Geräten wie Raspberry Pi oder NVIDIA Jetson, bei denen Zuverlässigkeit und aktive Wartung von größter Bedeutung sind.
  • Multitasking-Vision-Anwendungen: Projekte, die Erkennung, Segmentierung, Pose Estimation und OBB innerhalb eines einzigen einheitlichen Frameworks erfordern.
  • Schnelles Prototyping und Deployment: Teams, die mithilfe der optimierten Ultralytics Python API schnell von der Datenerfassung bis zur Produktion gelangen müssen.

Link to this sectionWann du RT-DETR wählen solltest#

RT-DETR wird empfohlen für:

  • Transformer-basierte Erkennungsforschung: Projekte, die Aufmerksamkeitsmechanismen und Transformer-Architekturen für die End-to-End-Objekterkennung ohne NMS erforschen.
  • Szenarien mit hoher Genauigkeit bei flexibler Latenz: Anwendungen, bei denen die Erkennungsgenauigkeit oberste Priorität hat und eine etwas höhere Inferenzlatenz akzeptabel ist.
  • Erkennung großer Objekte: Szenen mit hauptsächlich mittelgroßen bis großen Objekten, bei denen der globale Aufmerksamkeitsmechanismus von Transformern einen natürlichen Vorteil bietet.

Link to this sectionWann du Ultralytics wählen solltest (YOLO26)#

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

  • NMS-freies Edge-Deployment: Anwendungen, die eine konsistente Inferenz mit niedriger Latenz ohne die Komplexität der Non-Maximum Suppression-Nachverarbeitung erfordern.
  • Umgebungen nur mit CPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 einen entscheidenden Vorteil bietet.
  • Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten deutlich steigern.

Link to this sectionBlick in die Zukunft: Die Power von YOLO26#

Während YOLO11 eine hervorragende Wahl für die Produktion darstellt, sollten Teams, die auf dem absolut neuesten Stand der Technik sein wollen, YOLO26 in Betracht ziehen. YOLO26 wurde im Januar 2026 veröffentlicht und schließt die architektonische Lücke, indem es ein End-to-End NMS-Free Design (das erstmals in YOLOv10 eingeführt wurde) direkt in seinen Kern integriert, wodurch die Latenz bei der Nachbearbeitung und die Komplexität der Bereitstellungslogik vollständig eliminiert werden.

YOLO26 führt zudem mehrere revolutionäre Funktionen ein:

  • MuSGD-Optimierer: Inspiriert von den LLM-Trainingstechniken von Moonshot AI's Kimi K2, sorgt diese Mischung aus SGD und Muon für ein unglaublich stabiles Training und eine dramatisch schnellere Konvergenz.
  • DFL-Entfernung: Distribution Focal Loss wurde für einen saubereren, vereinfachten Exportprozess entfernt, was die Kompatibilität mit Edge-Geräten mit geringer Leistung drastisch verbessert.
  • ProgLoss + STAL: Diese fortschrittlichen Verlustfunktionen liefern bemerkenswerte Verbesserungen bei der Erkennung kleiner Objekte – eine kritische Anforderung für Drohnenüberwachung, landwirtschaftliche Überwachung und IoT-Edge-Sensoren.
  • Bis zu 43 % schnellere CPU-Inferenz: Für Bereitstellungen ohne dedizierte GPUs ist YOLO26 speziell für die CPU-Ausführung optimiert und übertrifft vorherige Generationen bei weitem.

Erfahre mehr über YOLO26

Für diejenigen, die eine breitere Palette an Architekturen erkunden möchten, bietet die Ultralytics-Dokumentation auch Einblicke in YOLOv8, das weit verbreitete YOLOv5 sowie spezialisierte Modelle wie YOLO-World für Open-Vocabulary-Erkennungsanwendungen. Letztendlich, ob du die bewährte Stabilität von YOLO11 oder die bahnbrechenden Innovationen von YOLO26 priorisierst, das Ultralytics-Ökosystem liefert unvergleichliche Tools, um deine Computer-Vision-Lösungen zum Leben zu erwecken.

Mitwirkende
GLglenn-jocher13PDpderrenger1

Kommentare