YOLO11 und YOLOv9
Architekturen zur echtzeitfähigen Objekterkennung entwickeln sich ständig weiter. Zwei wichtige Meilensteine sind Ultralytics YOLO11 und YOLOv9. Beide leisten viel, gehen aber die zentralen Herausforderungen bei der Deep-Learning-Inferenz und beim Training unterschiedlich an.
Dieser Leitfaden vergleicht YOLO11 und YOLOv9 und untersucht ihre Architekturen, Leistungskennzahlen und idealen Bereitstellungsszenarien. So kannst du das passende Modell für dein nächstes Computer-Vision-Projekt auswählen.
Modellübersicht#
Ultralytics YOLO11#
YOLO11 ist ein optimiertes und vielseitiges Modell für den Einsatz in Produktionsumgebungen. Es verbindet hohe Genauigkeit mit den praktischen Anforderungen von Edge-Computing und groß angelegten Bereitstellungen.
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Dokumentation: https://docs.ultralytics.com/models/yolo11
YOLOv9#
YOLOv9 ist ein Forschungsbeitrag, der neue Konzepte zur Verringerung des Informationsverlusts in tiefen neuronalen Netzen einführt und den Schwerpunkt auf die Merkmalsextraktion legt.
- Autoren: Chien-Yao Wang und Hong-Yuan Mark Liao
- Organisation: Institute of Information Science, Academia Sinica, Taiwan
- Datum: 2024-02-21
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
- Dokumentation: https://docs.ultralytics.com/models/yolov9
Architektonische Innovationen#
YOLOv9: Programmierbare Gradienteninformationen#
YOLOv9 geht das Problem des „Informationsengpasses“ an, bei dem Daten beim Durchlaufen der aufeinanderfolgenden Schichten eines tiefen Netzwerks verloren gehen. Dafür führten die Autoren Programmierbare Gradienteninformation (PGI) und das Generalisierte effiziente Schichtaggregationsnetzwerk (GELAN) ein. PGI hilft dabei, dass die Gradienten, mit denen die Gewichte während der Rückpropagierung angepasst werden, möglichst vollständige Informationen behalten. Das führt zu präzisen Merkmalsdarstellungen. Die GELAN-Architektur maximiert die Parametereffizienz, sodass YOLOv9 bei vergleichsweise geringer Modellgröße eine hohe Genauigkeit erreicht.
YOLO11: Ökosystem und Effizienz#
YOLOv9 konzentriert sich auf den Gradientenfluss, während YOLO11 auf Zuverlässigkeit und Vielseitigkeit in der Praxis ausgelegt ist. YOLO11 verfeinert die grundlegende YOLO-Architektur, sodass der CUDA-Speicherbedarf beim Training geringer bleibt als bei transformerbasierten Alternativen. YOLO11 kann mehr als Objekte erkennen: Während YOLOv9 in Ultralytics Erkennung und Segmentierung unterstützt, bietet YOLO11 auch Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB).
Eine der größten Stärken von YOLO11 ist die Integration in das Ultralytics-Python-Paket. Dieses fasst die komplexe Datenladung, Augmentierung und verteiltes Training in einer einheitlichen API zusammen.
Leistungsvergleich#
Bei der Auswahl eines Modells für die Produktion solltest du die Kompromisse zwischen mittlerer durchschnittlicher Präzision (mAP), Inferenzgeschwindigkeit und Parameteranzahl abwägen.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
YOLOv9e erzielt mit 55,6 mAP die höchste Gesamtgenauigkeit und eignet sich damit für akademische Leistungsvergleiche. Auf der T4 mit TensorRT benötigt das Modell jedoch 16,77 ms gegenüber 11,3 ms bei YOLO11x. YOLO11 bietet bei jeder Modellgröße ein besseres Verhältnis zwischen Geschwindigkeit und Genauigkeit. Beispielsweise erzielt YOLO11m 51,5 mAP bei 4,7 ms (TensorRT), während das ähnlich große YOLOv9m 51,4 mAP bei 6,43 ms erreicht.
Trainingsmethoden und Ökosystem#
Die Entwicklererfahrung unterscheidet sich bei den beiden Frameworks erheblich.
YOLOv9 trainieren#
Das Training von YOLOv9 im ursprünglichen Repository erfordert häufig die Arbeit mit angepasstem Forschungscode, die Verwaltung bestimmter Abhängigkeitsversionen und die Verwendung komplexer Befehlszeilenargumente. Das kann Teams in Unternehmen ausbremsen. YOLOv9-Gewichte sind außerdem im Paket ultralytics verfügbar, wodurch der größte Teil dieses Einrichtungsaufwands entfällt.
YOLO11 trainieren#
YOLO11 nutzt die gut gepflegte Ultralytics Python API, mit der du in wenigen Schritten von der Installation zu einem trainierten Modell gelangst. Vortrainierte Gewichte sind leicht verfügbar, und eine aktive Community unterstützt das Training.
from ultralytics import YOLO
# Ein vortrainiertes kleines YOLO11-Modell laden
model = YOLO("yolo11s.pt")
# Mit integrierten Augmentierungen auf einem benutzerdefinierten Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Für die Bereitstellung ins ONNX-Format exportieren
model.export(format="onnx")Mit nur drei Zeilen Python-Code können Entwickler ein Modell laden, das Training mit optimierten Standardwerten für Hyperparameter starten und die trainierte Architektur für Edge-Bereitstellungen in Frameworks wie ONNX oder TensorRT exportieren.
Anwendungen in der Praxis#
Wann du YOLOv9 wählen solltest#
YOLOv9 eignet sich gut für Forschende, die Architekturen für Deep Learning und Techniken zur Nutzung von Gradienteninformationen untersuchen. Die größte Variante, YOLOv9e, ist für genauigkeitskritische Analysen dichter Szenen geeignet, bei denen die algorithmische Leistung wichtiger ist als die Komplexität der Bereitstellung.
Wann du YOLO11 wählen solltest#
Für den Produktionseinsatz ist YOLO11 die bessere Wahl. Seine Fähigkeiten zur Objekterkennung eignen sich für Verkehrsmanagement in intelligenten Städten und Edge-Geräte wie den Raspberry Pi oder NVIDIA Jetson. Dank seiner Vielseitigkeit bei verschiedenen Aufgaben kann eine einzige Entwicklungspipeline außerdem sowohl die Segmentierung in der Fertigung als auch die Posenschätzung für Sportanalysen übernehmen.
YOLO26 kennenlernen#
Entwicklern, die heute neue Projekte beginnen, empfiehlt Ultralytics YOLO26, das neueste Ultralytics-YOLO-Modell, das im Januar 2026 veröffentlicht wurde.
YOLO26 vereint aktuelle Fortschritte in einem produktionsreifen Modell:
- End-to-End-Design ohne NMS: Der optionale One-to-One-Kopf von YOLO26 (
nms=False) überspringt die Nachverarbeitung mit Nicht-Maximum-Unterdrückung (NMS). Das Ergebnis sind einfachere und schnellere Bereitstellungspipelines. - Wegfall von DFL: Durch den Wegfall von Distribution Focal Loss verbessert sich die Kompatibilität mit stromsparenden Geräten und Edge-KI-Beschleunigern.
- MuSGD-Optimierer: Inspiriert von Trainingsmethoden für große Sprachmodelle (LLMs) bietet der MuSGD-Optimierer – eine Kombination aus SGD und Muon – stabiles Training und schnellere Konvergenz.
- Bis zu 43 % schnellere CPU-Inferenz: YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n und eignet sich damit für Edge-Computing-Geräte ohne dedizierte GPUs.
- ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte. Das ist für die landwirtschaftliche Überwachung und Luftaufnahmen besonders wichtig.
Wer verschiedene Architekturen untersuchen möchte, kann sich auch RT-DETR für transformerbasierte Erkennung oder YOLO-World für Zero-Shot-Erkennung mit offenem Vokabular ansehen.
Fazit#
YOLO11 und YOLOv9 sind beide wichtige Modelle in der Geschichte der Computer Vision. YOLOv9 bietet bemerkenswerte Architekturideen zur Erhaltung von Merkmalen. Für die meisten Einsätze in der Praxis – von KI-Anwendungen in Unternehmen bis hin zu mobilen Edge-Geräten – ist YOLO11 dank einfacher Bedienung, effizienter Speichernutzung und vielseitiger Unterstützung verschiedener Aufgaben im Vorteil. Für neue Systeme bietet das neuere YOLO26 eine schnellere CPU-Inferenz und optional eine Bereitstellung ohne NMS.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.