YOLO11 und YOLOv6-3.0
Das Gebiet des maschinellen Sehens entwickelt sich rasant, und die Wahl der passenden Modellarchitektur ist eine wichtige Entscheidung für Fachleute im Bereich maschinelles Lernen. Zwei bedeutende Meilensteine bei der Objekterkennung in Echtzeit sind YOLO11 und YOLOv6-3.0. Beide extrahieren nützliche Informationen aus visuellen Daten, wurden jedoch mit unterschiedlichen Hauptzielen und Designphilosophien entwickelt.
Dieser Leitfaden vergleicht ihre Architekturen, Leistungskennzahlen und idealen Bereitstellungsszenarien, damit du eine fundierte Entscheidung für dein nächstes KI-Projekt treffen kannst.
Modellübersicht#
Bevor wir die technischen Benchmarks betrachten, ist es hilfreich, die Ursprünge und den Schwerpunkt der einzelnen Modelle zu verstehen.
Ultralytics YOLO11#
YOLO11 wurde direkt im Ultralytics-Ökosystem entwickelt, um einen vollständigen Entwicklungsprozess vom Training bis zur Bereitstellung zu ermöglichen. Im Mittelpunkt stehen nicht nur die reine Geschwindigkeit, sondern auch die Vielseitigkeit bei mehreren Aufgaben, die Benutzerfreundlichkeit und die Integration in moderne Bereitstellungspipelines.
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 2024-09-27
- GitHub: Ultralytics-Repository
- Dokumentation: YOLO11-Dokumentation
Meituan YOLOv6-3.0#
YOLOv6-3.0 wurde gezielt für industrielle Anwendungen entwickelt, bei denen dedizierte Grafikprozessoren (GPUs) zur Verfügung stehen. Das Modell ist für die Bereitstellung mit TensorRT optimiert und darauf ausgelegt, den Durchsatz in kontrollierten Umgebungen zu maximieren.
- Autoren: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu und Xiangxiang Chu
- Organisation: Meituan
- Datum: 2023-01-13
- arXiv: 2301.05586
- GitHub: Meituan-YOLOv6-Repository
- Dokumentation: YOLOv6-Dokumentation
Architektonische Unterschiede#
Die zugrunde liegende Architektur bestimmt, wie ein Modell lernt und skaliert. Beide Frameworks erweitern die klassische YOLO-Formel auf einzigartige Weise.
YOLO11 baut auf jahrelanger Forschung auf und bietet eine parameter-effiziente Architektur. Das Modell verfügt über ein verfeinertes Backbone und einen generalisierten Kopf, der verschiedene Aufgaben des maschinellen Sehens wie Instanzsegmentierung und Posenschätzung ohne größere strukturelle Änderungen bewältigt. YOLO11 benötigt beim Training außerdem wenig CUDA-Speicher und hebt sich dadurch von größeren Transformer-Modellen wie RT-DETR ab.
YOLOv6-3.0 hingegen nutzt ein BiC-Modul (bidirektionale Konkatenation) und eine AAT-Strategie (ankerunterstütztes Training). Diese Verfahren sollen die Lokalisierungsgenauigkeit verbessern. Das Modell verwendet einen entkoppelten Kopf und ein für Quantisierung geeignetes Design für INT8-Inferenz. Damit ist es ein starker Kandidat für Hochgeschwindigkeitsfertigungslinien mit etablierten GPU-Stacks.
Wenn dein Projekt schnelles Prototyping, Unterstützung für verschiedene Aufgaben (etwa Segmentierung oder Klassifizierung) und die Bereitstellung auf unterschiedlicher Hardware (CPU, Edge TPU, Mobilgeräte) erfordert, bietet das Ultralytics-Framework eine reibungslosere Entwicklungserfahrung.
Leistung und Metriken#
Bei der Bewertung von Modellen sind mittlere Average Precision (mAP) und Inferenzgeschwindigkeit die wichtigsten Kennzahlen. Die folgende Tabelle vergleicht die Leistung von YOLO11 und YOLOv6-3.0 bei verschiedenen Modellgrößen. Die besten Kennzahlen sind fett hervorgehoben.
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLO11 erzielt auf jeder vergleichbaren Stufe einen höheren mAP-Wert bei weniger Parametern und FLOPs. Beispielsweise erreicht YOLO11s 47.0 mAP mit 9.4M Parametern, während YOLOv6-3.0s mit 18.5M Parametern 45.0 mAP erzielt. YOLOv6-3.0n ist auf T4-TensorRT das schnellste Modell (1.17 ms), während YOLO11 ab der Größe s schneller ist. Diese Parametereffizienz senkt den Speicherbedarf sowohl beim Modelltraining als auch bei der Inferenz.
Der Vorteil von Ultralytics#
Bei der Modellwahl geht es um mehr als reine Kennzahlen; entscheidend ist der gesamte Lebenszyklus des maschinellen Lernens. Ultralytics-Modelle bieten Entwicklern und Forschern mehrere Vorteile.
- Einfache Bedienung: Mit der Ultralytics Python API kannst du Modelle mit wenigen Codezeilen trainieren, validieren und exportieren. Eine manuelle Konfiguration komplexer Abhängigkeitsstrukturen ist nicht erforderlich.
- Gut gepflegtes Ökosystem: Ultralytics bietet ein einheitliches Ökosystem, das regelmäßig aktualisiert wird. Mit der Ultralytics Platform stehen Entwicklern gemeinsame Dataset-Annotation, Cloud-Training und Modellüberwachung zur Verfügung.
- Vielseitigkeit: Im Gegensatz zu YOLOv6-3.0, das hauptsächlich ein Detektor für Begrenzungsrahmen ist, unterstützt YOLO11 auch Bildklassifizierung und orientierte Begrenzungsrahmen (OBB), sodass du deinen Technologie-Stack vereinheitlichen kannst.
- Trainingseffizienz: Dank moderner Optimierungen und automatischer Batch-Größenanpassung lässt sich YOLO11 effizient auf handelsüblicher Hardware trainieren.
Codebeispiel: Training und Inferenz#
Im Folgenden findest du ein ausführbares Beispiel, das mit dem Ultralytics-Paket ein Modell trainiert, damit Inferenz ausführt und es exportiert.
from ultralytics import YOLO
# Ein vortrainiertes kleines YOLO11-Modell laden
model = YOLO("yolo11s.pt")
# Das Modell effizient mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Inferenz mit einem Bild aus dem Web ausführen
prediction = model("https://ultralytics.com/images/bus.jpg")
# Das Modell zur einfachen Bereitstellung ins ONNX-Format exportieren
model.export(format="onnx")Ideale Anwendungsfälle#
Wenn du weißt, worin die einzelnen Modelle besonders gut sind, kannst du das richtige Werkzeug für die jeweilige Aufgabe auswählen.
Wann du YOLOv6-3.0 wählen solltest: Wenn du ein älteres Industriesystem betreibst, das ausdrücklich auf bestimmte TensorRT-7.x/8.x-Pipelines ausgelegt ist, und deine Hardware ausschließlich aus dedizierten NVIDIA-T4- oder A100-GPUs für die schnelle Fertigungsautomatisierung besteht, ist YOLOv6 weiterhin eine leistungsfähige Option.
Wann du YOLO11 wählen solltest: Für die meisten modernen Anwendungen ist YOLO11 die bessere Wahl. Ob du Lösungen für die intelligente Fertigung entwickelst, Edge-KI auf Raspberry-Pi-Geräten einsetzt oder mehrere Aufgaben wie die Erkennung und Segmentierung medizinischer Bilder ausführst – YOLO11 bietet eine ausgewogene Kombination aus Geschwindigkeit, Genauigkeit und Flexibilität bei der Bereitstellung.
Ein Blick in die Zukunft: YOLO26#
Ultralytics entwickelt auch nach YOLO11 weiterhin neue Modelle. Die im Januar 2026 veröffentlichte Modellreihe YOLO26 ist die neueste Generation von Ultralytics YOLO und das empfohlene Modell für neue Projekte.
YOLO26 bietet mehrere Funktionen für die Herausforderungen moderner Bereitstellungen:
- Durchgängiges, NMS-freies Design: Aufbauend auf dem NMS-freien Training, das YOLOv10 in YOLO-Modelle einführte, bietet YOLO26 einen optionalen durchgängigen Head (
nms=False), der die Nachverarbeitung mit Nichtmaximaler Unterdrückung (NMS) überflüssig macht und so schnellere, einfachere Bereitstellungspipelines ermöglicht. - Wegfall von DFL: Durch den Wegfall des Distribution Focal Loss vereinfacht YOLO26 den Netzwerkkopf und verbessert die Kompatibilität mit stromsparenden Geräten des Internets der Dinge (IoT) und Edge-Geräten.
- MuSGD-Optimierer: Inspiriert von Trainingsmethoden für große Sprachmodelle (LLM), etwa Kimi K2 von Moonshot AI, verwendet YOLO26 einen hybriden Muon-SGD-Optimierer für stabileres Training und schnellere Konvergenz.
- Bis zu 43 % schnellere CPU-Inferenz: Bei Anwendungen ohne dedizierte GPU-Beschleuniger läuft YOLO26n auf einer CPU bis zu 43 % schneller als YOLO11n.
- ProgLoss + STAL: Progressive Loss und die auf kleine Objekte abgestimmte Labelzuweisung (STAL) verbessern die Erkennung kleiner Objekte, was für Drohnenbilder und die Luftüberwachung entscheidend ist.
- Aufgabenbezogene Verbesserungen: YOLO26 bietet maßgeschneiderte Verbesserungen für verschiedene Aufgaben, darunter ein Protomodul mit mehreren Skalen für die Segmentierung und die Schätzung der logarithmischen Likelihood mit Residuen (RLE) für die Posenschätzung.
Wenn du heute ein neues Projekt im Bereich maschinelles Sehen startest, erhältst du mit dem Training eines YOLO26-Modells auf der Ultralytics Platform Zugriff auf die derzeit genaueste und effizienteste verfügbare Ultralytics-Architektur.
Wenn du dich für die Erkennung mit offenem Vokabular interessierst, kannst du auch unsere Dokumentation zu YOLO-World lesen.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.