YOLO11 und YOLOX im Vergleich
Modelle zur Objekterkennung in Echtzeit haben sich in den vergangenen Jahren rasant weiterentwickelt. Bei der Wahl einer Architektur für den Produktiveinsatz oder die akademische Forschung wägen Entwickler häufig bewährte Meilensteine gegen neuere Entwürfe ab. Dieser Vergleich beleuchtet die Unterschiede zwischen Ultralytics YOLO11 und Megviis YOLOX, einschließlich ihrer Architekturen, Leistungskennzahlen und geeigneten Bereitstellungsszenarien.
Architekturüberblick#
Beide Modelle brachten die Objekterkennung bei ihrer Veröffentlichung voran, gehen jedoch auf unterschiedliche Entwicklungsphilosophien zurück und bieten eine jeweils andere Entwicklererfahrung.
YOLO11: die vielseitige Multitasking-Engine#
YOLO11 wurde im September 2024 von Glenn Jocher und Jing Qiu bei Ultralytics veröffentlicht. Das Modell ist als einheitliches Framework konzipiert, das hohe Genauigkeit und Effizienz vereint.
- 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
YOLO11 kann mehr als herkömmliche Begrenzungsrahmen erkennen und unterstützt auch Instanzsegmentierung, Bildklassifizierung, Posenschätzung und die Erkennung orientierter Begrenzungsrahmen (OBB). Die überarbeitete Architektur verbessert die Merkmalsextraktion und den Erhalt von Merkmalen über komplexe räumliche Hierarchien hinweg.
YOLOX: Vorreiter der ankerfreien Detektion#
YOLOX wurde von Forschenden bei Megvii entwickelt und erregte 2021 große Aufmerksamkeit, weil es Forschung und industrielle Anwendungen mit einem rein ankerfreien Ansatz verband.
- Autoren: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li und Jian Sun
- Organisation: Megvii
- Datum: 2021-07-18
- arXiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- Dokumentation: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs
YOLOX führte einen entkoppelten Erkennungskopf und ein ankerfreies Paradigma ein. Dadurch verringerte sich die Zahl der Entwurfsparameter und die Leistung auf akademischen Benchmarks verbesserte sich zum Zeitpunkt der Veröffentlichung.
Das von YOLOX populär gemachte ankerfreie Design inspirierte viele nachfolgende Architekturen. Ultralytics übernahm und verfeinerte diese ankerfreien Konzepte in späteren Modellen wie YOLOv8 und YOLO11, um Genauigkeit und Flexibilität bei der Bereitstellung zu verbessern.
Leistung und Metriken#
Bei der Bewertung von Erkennungsmodellen ist es wichtig, das Verhältnis zwischen Parameterzahl, Rechenaufwand (FLOPs) und mittlerem durchschnittlichem Präzisionswert (mAP) für die Bereitstellung von Modellen in der Praxis zu untersuchen.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
YOLO11x übertrifft YOLOXx bei der Genauigkeit (54,7 mAP gegenüber 51,1 mAP), benötigt dabei etwa halb so viele Parameter (56,9 Mio. gegenüber 99,1 Mio.) und läuft auf T4 mit TensorRT schneller (11,3 ms gegenüber 16,1 ms). Diese Effizienz führt zu einem geringeren Speicherbedarf beim Training und bei der Inferenz – ein klarer Vorteil in Produktionsumgebungen.
Ökosystem und Entwicklererfahrung#
Der Vorteil von Ultralytics#
Einer der größten Unterschiede zwischen YOLO11 und YOLOX liegt in der Benutzerfreundlichkeit. YOLOX ist in erster Linie eine Codebasis für die Forschung. Für das Training mit eigenen Datensätzen sind eine komplexe Umgebungskonfiguration, das Kompilieren von C++-Operatoren und ausführliche Befehlszeilenargumente erforderlich.
YOLO11 ist vollständig in das Ultralytics-Python-Paket integriert und bietet einen optimierten Ablauf von der Installation bis zur Bereitstellung. Die Ultralytics Platform stellt Werkzeuge zur Datenannotation, Experimentverfolgung und zum cloudbasierten Training bereit. Sie übernimmt den Boilerplate-Code, sodass sich Ingenieure auf die Modellleistung konzentrieren können.
from ultralytics import YOLO
# Ein vortrainiertes YOLO11-Modell laden
model = YOLO("yolo11n.pt")
# Das Modell mit der Ultralytics-API trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Nach ONNX exportieren
model.export(format="onnx")Außerdem genügt ein einziger Befehl, um ein Ultralytics-Modell in Formate wie TensorRT, CoreML oder OpenVINO zu exportieren. Bei älteren Repositories sind dagegen häufig komplexe Werkzeuge von Drittanbietern oder manuelle Eingriffe in den Berechnungsgraphen nötig.
Anwendungsfälle in der Praxis#
Wann YOLOX infrage kommt#
YOLOX ist weiterhin eine sinnvolle Option für spezialisierte ältere Bereitstellungen, bei denen Entwickler bereits angepasste C++-Inferenzpipelines rund um die Tensor-Ausgaben des entkoppelten Erkennungskopfs aufgebaut haben. Auch Forschende, die Vergleichsstudien mit Architekturen aus dem Jahr 2021 durchführen, können YOLOX weiterhin als Basismodell verwenden.
Worin YOLO11 besonders stark ist#
Für die meisten modernen Produktionsszenarien bietet YOLO11 eine bessere Nutzererfahrung:
- Intelligente Städte und Einzelhandel: Dank seines guten Verhältnisses von Geschwindigkeit zu Genauigkeit bewältigt YOLO11 Szenen mit vielen Personen gut. Das Modell unterstützt automatisierte Einzelhandelsanalysen und Verkehrsmanagementsysteme, ohne große GPU-Cluster zu benötigen.
- Edge Computing: Dank seiner Speichereffizienz und der großen Auswahl an Exportformaten eignet sich YOLO11 gut für Edge-KI-Bereitstellungen auf Geräten wie Raspberry Pi oder NVIDIA-Jetson-Plattformen.
- Komplexe Pipelines: Wenn ein Projekt die Objekterkennung mit Posenschlüsselpunkten (z. B. für Sportanalysen) oder präziser Instanzsegmentierung (z. B. für medizinische Bildgebung) kombinieren muss, bewältigt YOLO11 alle Aufgaben nativ über eine einheitliche API.
Anwendungsfälle und Empfehlungen#
Die Wahl zwischen YOLO11 und YOLOX hängt von den konkreten Anforderungen deines Projekts, den Bereitstellungsbedingungen und deinen Präferenzen beim 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.
- Anwendungen für visuelle Aufgaben mit mehreren Funktionen: Projekte, die Erkennung, Segmentierung, Klassifizierung, Posenschätzung und OBB innerhalb eines einzigen einheitlichen Frameworks erfordern.
- Schnelle Prototypentwicklung und Bereitstellung: Teams, die mithilfe der optimierten Ultralytics-Python-API schnell von der Datenerfassung zum Produktionseinsatz gelangen müssen.
Wann du YOLOX wählen solltest#
YOLOX empfiehlt sich für:
- Forschung zur anchorfreien Erkennung: Akademische Forschung, bei der YOLOX aufgrund seiner übersichtlichen, anchorfreien Architektur als Grundlage für Experimente mit neuen Erkennungs-Heads oder Verlustfunktionen dient.
- Besonders leichte Edge-Geräte: Bereitstellung auf sehr eingeschränkter oder älterer mobiler Hardware, bei der der geringe Speicherbedarf der YOLOX-Nano-Variante (0,91 Mio. Parameter) entscheidend ist.
- Studien zur SimOTA-Labelzuweisung: Forschungsprojekte, die Strategien zur Labelzuweisung auf Grundlage optimalen Transports und deren Auswirkungen auf die Trainingskonvergenz untersuchen.
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 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.
Ausblick: die Leistungsfähigkeit von YOLO26#
YOLO11 ist weiterhin eine starke Wahl, doch für neue Computer-Vision-Projekte, bei denen höchste Effizienz und stabiles Training gefragt sind, wird YOLO26 (veröffentlicht im Januar 2026) empfohlen.
YOLO26 implementiert einen optionalen durchgängigen, NMS-freien Head (nms=False). Durch den Wegfall der Nachverarbeitung mit Nichtmaximaler Unterdrückung (NMS) werden Latenzschwankungen beseitigt und die Bereitstellungslogik vereinfacht – ein Konzept, das YOLOv10 in YOLO-Modelle einführte.
YOLO26 bietet außerdem DFL Removal (Distribution Focal Loss). Dadurch erreicht YOLO26n auf der CPU eine bis zu 43 % schnellere Inferenz als YOLO11n und eignet sich gut für stromsparende Geräte und Edge-Geräte. Der MuSGD-Optimierer verbessert die Trainingsstabilität. Als Hybrid aus SGD und Muon ist er vom Training großer Sprachmodelle (LLMs) inspiriert und beschleunigt die Konvergenz. In Verbindung mit ProgLoss + STAL (Progressive Loss and Small-Target-Aware Label Assignment) eignet sich YOLO26 besonders gut zur Erkennung kleiner Objekte in anspruchsvollen Umgebungen wie Drohnenaufnahmen und IoT-Edge-Sensoren.
Möchtest du mehr über Architekturen zur Objekterkennung erfahren? Entdecke die Fähigkeiten von YOLO-World für ein offenes Vokabular oder das Transformer-basierte Modell RT-DETR, das im Ultralytics-Ökosystem dokumentiert ist.
Zusammenfassend lässt sich sagen: YOLOX führte 2021 wichtige Architekturkonzepte ein. Doch das Werkzeugspektrum, die Speichereffizienz und die Genauigkeit von YOLO11 – insbesondere des neueren YOLO26 – machen das Ultralytics-Ökosystem heute zur besseren Wahl für Forschende und Entwickler in Unternehmen.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.