YOLO11 und YOLO26 im Vergleich
Jede Ultralytics-YOLO-Generation zielt darauf ab, Geschwindigkeit, Genauigkeit und Bereitstellungseffizienz für die echtzeitfähige Objekterkennung zu verbessern. Dieser technische Vergleich beleuchtet den Wechsel vom weitverbreiteten YOLO11 zum aktuellen YOLO26 und untersucht ihre Architekturen, Leistungskennzahlen und idealen Bereitstellungsszenarien.
Ganz gleich, ob du Drohnensysteme für die Paketzustellung entwickelst oder eine globale intelligente Fertigungspipeline optimierst: Wenn du die Unterschiede zwischen diesen beiden Modellen kennst, kannst du das passende Modell auswählen.
Modellgeschichte und Ökosystem#
Beide Modelle profitieren vom Ultralytics-Ökosystem, das eine unkomplizierte API, kontinuierliche Wartung und eine aktive Community bietet. Beide unterstützen standardmäßig Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB). YOLO26 bietet zusätzlich semantische Segmentierung und Tiefenschätzung.
YOLO11: Der bewährte Standard#
YOLO11 wurde Ende 2024 veröffentlicht, baute auf den Fortschritten früherer Generationen auf und etablierte sich als zuverlässiges Arbeitstier für Produktionsumgebungen.
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Dokumentation: YOLO11-Dokumentation
YOLO26: Die nächste Generation#
YOLO26 wurde im Januar 2026 eingeführt und setzt auf den Einsatz am Rand sowie optionale End-to-End-Inferenz. Dadurch verbessert es die CPU-Geschwindigkeit und lässt sich leichter integrieren.
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Dokumentation: YOLO26-Dokumentation
YOLO11 und YOLO26 sind vollständig in die Ultralytics Platform integriert. Sie bietet codefreie Arbeitsabläufe für die Datenannotation, das Cloud-Training und die Überwachung der Bereitstellung.
Architektonische Innovationen#
YOLO11 nutzt traditionelle Nachverarbeitungsmethoden, die die Computer Vision seit Jahren prägen. YOLO26 führt dagegen mehrere strukturelle Änderungen ein, die Engpässe bei der Bereitstellung beseitigen.
End-to-End-Design ohne NMS#
Eine der bedeutendsten Neuerungen von YOLO26 ist seine von Grund auf durchgängige Architektur. Sein optionaler One-to-One-Head (nms=False) macht die Nachverarbeitung mit Nichtmaximaler Unterdrückung (NMS) überflüssig – ein Konzept, das YOLOv10 in YOLO-Modelle einführte. Der Verzicht auf NMS vereinfacht die Bereitstellungspipeline und sorgt für gleichbleibende Latenz, was für Echtzeitanwendungen wie Algorithmen für autonomes Fahren entscheidend ist.
Entfernung von DFL zur Optimierung für Edge-Geräte#
YOLO26 verzichtet auf Distribution Focal Loss (DFL). DFL war in YOLO11 zwar für die präzise Lokalisierung nützlich, doch sein Wegfall vereinfacht den Exportgraphen des Netzwerks. Das verbessert die Kompatibilität mit stromsparender Hardware und macht YOLO26 besonders geeignet für Edge-Geräte wie den Raspberry Pi oder das NVIDIA Jetson.
MuSGD-Optimierer#
YOLO26 orientiert sich an Trainingsmethoden für große Sprachmodelle (LLMs), insbesondere an Kimi K2 von Moonshot AI, und nutzt den MuSGD-Optimierer. Diese Kombination aus Stochastic Gradient Descent (SGD) und Muon sorgt für stabileres Training und schnellere Konvergenz. Mit optimizer=auto wählt Ultralytics MuSGD für längere Trainingsläufe aus.
Verlustfunktion und Zuordnung der Bezeichnungen#
YOLO26 verwendet ProgLoss + STAL (Progressive Loss und Small-Target-Aware Label Assignment). Diese Kombination verbessert die Erkennung kleiner und dicht beieinanderliegender Objekte. Darüber hinaus bietet YOLO26 aufgabenspezifische Verbesserungen: eine Verlustfunktion für die semantische Segmentierung und ein Protomodul mit mehreren Maßstäben für die Instanzsegmentierung, Residual Log-Likelihood Estimation (RLE) für die Posenschätzung sowie eine spezielle Winkelfunktion, die Randprobleme bei OBB-Erkennungsaufgaben verringert.
Leistungsvergleich#
Die Auswahl der Hardware hängt davon ab, wie Genauigkeit (mAP), Parameteranzahl, Rechenaufwand (FLOPs) und Geschwindigkeit gegeneinander abgewogen werden. YOLO26 ist gezielt auf CPU-Inferenz ausgelegt: YOLO26n erreicht eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
YOLO26n erzielt 1,4 mAP mehr als YOLO11n (40,9 gegenüber 39,5) und verkürzt gleichzeitig die CPU-Inferenzzeit mit ONNX Runtime von 56,1 ms auf 38,9 ms. YOLO26 ist bei jeder Modellgröße genauer. Bei den Größen m, l und x bleibt YOLO11 auf der CPU schneller, während die TensorRT-Latenz auf der T4 bei beiden Modellfamilien ähnlich ist.
Anwendungsfälle und praktische Anwendungen#
Die Wahl zwischen YOLO11 und YOLO26 hängt hauptsächlich von deiner Infrastruktur und den Zielen deines Projekts ab.
Edge Computing und IoT#
Für Anwendungen mit begrenzter Stromversorgung und eingeschränkter Hardware, etwa die Überwachung intelligenter Landwirtschaft mit Drohnen oder lokale Sicherheitsalarmsysteme, eignet sich YOLO26 besser. Der Wegfall von DFL und die bis zu 43 % schnellere CPU-Inferenz (YOLO26n gegenüber YOLO11n) ermöglichen es dir, komplexe Bildverarbeitungsmodelle ohne dedizierte GPUs mit hoher Bildrate auszuführen.
Cloud und Einsatz im Unternehmensmaßstab#
YOLO11 bleibt eine gute Wahl für bestehende Unternehmenseinsätze, die darauf aufbauen, etwa cloudbasierte Videoanalysen und umfangreiche Medienverarbeitungspipelines, die bereits in die Ausgabeformate integriert sind.
Erkennung kleiner Objekte#
Wenn dein Projekt hohe Genauigkeit bei kleinen Objekten erfordert – etwa für die Erkennung von Leiterplattenfehlern oder die Verfolgung entfernter Fahrzeuge in Luftaufnahmen –, verbessert die Implementierung von ProgLoss + STAL in YOLO26 Trefferquote und Präzision bei diesen schwierigen Fällen.
Trainingseffizienz und Speicherbedarf#
Ein großer Vorteil des Ultralytics-Frameworks ist sein geringer Speicherbedarf beim Training. Anders als transformerbasierte Detektoren wie RT-DETR, die viel CUDA-Speicher belegen können, sind YOLO11 und YOLO26 für effizientes Training auf handelsüblicher Hardware optimiert.
Der MuSGD-Optimierer in YOLO26 trägt zusätzlich dazu bei, dass das Modell schneller konvergiert. So sinken die GPU-Rechenstunden insgesamt und die Cloud-Kosten.
Hier ist ein einfaches Beispiel für das Training von YOLO26 mit der Python API:
from ultralytics import YOLO
# Das YOLO26-Nano-Modell initialisieren
model = YOLO("yolo26n.pt")
# Das Modell mit dem COCO8-Datensatz trainieren
# Die Optimiererauswahl (MuSGD für längere Trainingsläufe) und die Speicherverwaltung erfolgen automatisch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Eine kurze Validierung ausführen, um die mAP-Kennzahlen zu überprüfen
metrics = model.val()
# Das trainierte Modell für eine schnelle CPU-Inferenz nach ONNX exportieren
model.export(format="onnx")Alternative Architekturen entdecken#
YOLO26 ist der empfohlene Einstiegspunkt, doch andere Modelle in der Ultralytics-Dokumentation können für bestimmte Anforderungen besser geeignet sein. Für alle, die an ältere Umgebungen gebunden sind, leisten frühere Architekturen wie YOLOv5 weiterhin zuverlässig ihren Dienst. Wenn keine Klassen vorab definiert werden können und Zero-Shot-Funktionen gefragt sind, bietet YOLO-World eine Erkennung mit offenem Vokabular auf Basis von Texteingaben.
Fazit#
Der Wechsel von YOLO11 zu YOLO26 ist mehr als ein kleines Update: Er verändert, wie echtzeitfähige Erkennungsmodelle in der Produktion ausgeführt werden. Dank optionaler Inferenz ohne NMS und Optimierungen für Edge-Geräte ist YOLO26 die empfohlene Wahl für neue Projekte. Mit der Unterstützung durch die Ultralytics-Dokumentation bietet das Upgrade auf YOLO26 eine einfachere Bereitstellung, stabiles Training und höhere Genauigkeit bei allen unterstützten Bildverarbeitungsaufgaben.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.