Erste Schritte

YOLO11 und YOLOv8

Architekturen zur Objekterkennung entwickeln sich ständig weiter. Bei der Auswahl von Modellen für den Praxiseinsatz vergleichen Entwickler häufig Ultralytics YOLO11 mit seinem weitverbreiteten Vorgänger Ultralytics YOLOv8. Beide Modelle sind für ihre Geschwindigkeit, Genauigkeit und gute Entwicklererfahrung bekannt, eignen sich jedoch für leicht unterschiedliche Projektphasen und Leistungsziele.

Dieser Leitfaden analysiert ihre Architekturen, Trainingsmethoden und idealen Einsatzbereiche, damit du das passende Modell für deine Projekte im Bereich künstliche Intelligenz auswählen kannst.

Architektonische Innovationen#

Der Wechsel von YOLOv8 zu YOLO11 brachte mehrere architektonische Verbesserungen mit sich, die die Effizienz der Merkmalsextraktion erhöhen und gleichzeitig den Rechenaufwand verringern.

YOLO11-Architektur#

YOLO11 legt den Schwerpunkt auf Parametereffizienz. Es ersetzt die C2f-Module durch C3k2-Blöcke, die die räumliche Merkmalsverarbeitung verbessern, ohne die Parameteranzahl zu erhöhen. Außerdem führt YOLO11 das C2PSA-Modul (Cross-Stage Partial Spatial Attention) in seinem Backbone ein. Dieser Aufmerksamkeitsmechanismus hilft dem Modell, sich auf wichtige Bereiche zu konzentrieren, verbessert die Erkennung kleiner Objekte und ermöglicht einen besseren Umgang mit komplexen Verdeckungen.

YOLOv8-Architektur#

YOLOv8 wurde ein Jahr zuvor eingeführt und brachte einen ankerfreien Erkennungskopf in Ultralytics YOLO. Dadurch entfiel die manuelle Abstimmung von Ankerboxen und die Formulierung der Verlustfunktion wurde vereinfacht. Die Architektur basiert auf dem C2f-Block, der Netzwerktiefe und Gradientenfluss ausbalanciert. Dadurch ist sie für eine Vielzahl von Computer-Vision-Anwendungen zuverlässig geeignet.

Designphilosophie

YOLOv8 legte im Ultralytics-Ökosystem den Grundstein für die ankerfreie Erkennung. YOLO11 verfeinerte diesen Ansatz durch räumliche Aufmerksamkeitsmechanismen und erzielte so mit weniger Rechenressourcen eine höhere Genauigkeit.

Leistung und Benchmarks#

Bei der Bereitstellung von Modellen auf Edge-Geräten wie dem Raspberry Pi oder auf Hochleistungsservern mit NVIDIA TensorRT ist es wichtig, den Kompromiss zwischen Geschwindigkeit und Genauigkeit zu verstehen. Die folgende Tabelle zeigt, dass YOLO11 bei jeder Modellgröße genauer ist als YOLOv8.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
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

Analyse der Kennzahlen#

YOLO11 erzielt eine höhere mittlere durchschnittliche Präzision (mAP) und reduziert gleichzeitig sowohl die Parameteranzahl als auch die Gleitkommaoperationen (FLOPs). So benötigt YOLO11m beispielsweise 22 % weniger Parameter als YOLOv8m und erzielt auf dem COCO-Datensatz dennoch eine um 1,3 Punkte höhere mAP. Außerdem zeigen CPU-Inferenzmessungen nach dem Export ins ONNX-Format, dass YOLO11 bei jeder Modellgröße schneller ist (56,1 ms gegenüber 80,4 ms bei den Nano-Modellen). Damit eignet es sich gut für Bereitstellungen ohne dedizierte GPU-Beschleunigung.

Die Vorteile des Ultralytics-Ökosystems#

Unabhängig davon, ob du YOLO11 oder YOLOv8 wählst: Beide Modelle profitieren vom Ultralytics-Ökosystem, das den Lebenszyklus des maschinellen Lernens vereinfacht.

Einfache Nutzung und unkomplizierte API#

Das Python-Paket ultralytics bietet eine optimierte API, mit der Ingenieure und Forschende Modelle mit wenigen Codezeilen trainieren, validieren und exportieren können. Dadurch entfallen die typischen Schwierigkeiten beim Einrichten von Deep-Learning-Umgebungen in PyTorch.

Trainingseffizienz und Speicherbedarf#

Im Gegensatz zu rechenintensiven Vision Transformers (wie RT-DETR) sind Ultralytics YOLO-Modelle für ihren geringen Speicherbedarf beim Training bekannt. Dank dieser Speichereffizienz können Entwickler präzise Netzwerke auf handelsüblichen GPUs oder in Cloud-Umgebungen wie Google Colab trainieren, ohne dass Fehler wegen unzureichenden Speichers auftreten.

Vielseitigkeit bei Computer-Vision-Aufgaben#

Sowohl YOLO11 als auch YOLOv8 sind Multitasking-Modelle. Neben der standardmäßigen Objekterkennung mit Begrenzungsrahmen unterstützen sie nativ Instanzsegmentierung, Bildklassifizierung, die menschliche Posenschätzung und orientierte Begrenzungsrahmen (OBB) für Luftbilder.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLO11 und YOLOv8 hängt von den konkreten Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen Präferenzen für das Ökosystem ab.

Wann du YOLO11 wählen solltest#

YOLO11 eignet sich besonders für:

  • Bereitstellung auf Edge-Geräten im Produktionseinsatz: Kommerzielle Anwendungen auf Geräten wie Raspberry Pi oder NVIDIA Jetson, bei denen Zuverlässigkeit und aktive Wartung entscheidend sind.
  • Bildverarbeitungsanwendungen mit mehreren Aufgaben: Projekte, die Erkennung, Segmentierung, Klassifizierung, Posenschätzung und OBB in einem einheitlichen Framework benötigen.
  • Schnelle Prototypentwicklung und Bereitstellung: Teams, die mithilfe der optimierten Ultralytics-Python-API schnell von der Datenerfassung zum Produktionseinsatz gelangen müssen.

Wann du YOLOv8 wählen solltest#

YOLOv8 empfiehlt sich für:

  • Vielseitige Bereitstellung für mehrere Aufgaben: Projekte, die ein bewährtes Modell für Erkennung, Segmentierung, Klassifizierung, Posenschätzung und OBB 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 entscheidenden Vorteil bietet.
  • Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder die Analyse von IoT-Sensordaten, bei denen ProgLoss und STAL die Genauigkeit bei kleinen Objekten verbessern.

Codebeispiel: Erste Schritte#

Das Training und die Bereitstellung eines Ultralytics-Modells erfordern nur wenige Codezeilen. Das folgende Beispiel zeigt, wie du ein vortrainiertes YOLO11-Modell lädst, es mit einem benutzerdefinierten Datensatz feinabstimmst und es mithilfe von Apple CoreML für die Bereitstellung am Netzwerkrand exportierst:

from ultralytics import YOLO

# Das kleine YOLO11-Modell initialisieren
model = YOLO("yolo11s.pt")

# Das Modell mit optimiertem Speicherbedarf effizient trainieren
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Die Leistung bei der Validierung bewerten
metrics = model.val()

# Echtzeit-Inferenz mit einem Testbild ausführen
predictions = model("https://ultralytics.com/images/bus.jpg")

# Für eine schnelle Bereitstellung auf Mobilgeräten nach CoreML exportieren
export_path = model.export(format="coreml")
Einfache Upgrades

Da die Ultralytics API standardisiert ist, muss beim Upgrade einer älteren Pipeline von YOLOv8 auf YOLO11 normalerweise nur die Gewichtszeichenfolge von "yolov8n.pt" in "yolo11n.pt" geändert werden.

Ausblick: Edge-KI mit YOLO26#

YOLO11 ist eine ausgereifte und leistungsfähige Architektur. Für Entwickler, die neue Projekte beginnen, ist Ultralytics YOLO26 (veröffentlicht im Januar 2026) jedoch das empfohlene Modell.

YOLO26 bietet mehrere neue Funktionen:

  • End-to-End-Design ohne NMS: Aufbauend auf Konzepten aus YOLOv10 bietet YOLO26 einen optionalen One-to-One-Kopf (nms=False), der die Nachverarbeitung mit Nichtmaximalunterdrückung (NMS) überspringt und so für eine geringere, besser vorhersehbare Latenz auf verschiedenen Bereitstellungshardwareplattformen sorgt.
  • Bis zu 43 % schnellere CPU-Inferenz: Durch den Wegfall des Distribution-Focal-Loss-Zweigs (DFL) läuft YOLO26n auf einer CPU bis zu 43 % schneller als YOLO11n und eignet sich damit für Edge-Computing-Geräte ohne leistungsstarke GPUs.
  • MuSGD-Optimierer: Inspiriert von Trainingstechniken für große Sprachmodelle (LLM) verwendet YOLO26 MuSGD, eine Kombination aus SGD und Muon, um eine stabile und schnelle Konvergenz beim Training zu erreichen.
  • ProgLoss + STAL: Progressive Loss und die auf kleine Objekte abgestimmte Labelzuweisung (STAL) verbessern die Erkennung kleiner und verdeckter Objekte, was für autonome Robotik und Analysen mit Drohnen unerlässlich ist.

Ob du dich auf die bewährte Zuverlässigkeit von YOLOv8, die optimierte Architektur von YOLO11 oder die Fähigkeiten der nächsten Generation von YOLO26 verlässt: Die Ultralytics Platform bietet dir die Werkzeuge, um deine KI-Anwendungen für maschinelles Sehen vom Konzept bis zur Produktion zu bringen. Die Integrationen von Ultralytics verbinden deine Modelle mit Arbeitsabläufen und Analyse-Dashboards für Unternehmen.

Kommentare

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