Erste Schritte

YOLO26 und EfficientDet im Vergleich

Die Wahl der richtigen neuronalen Netzwerkarchitektur ist entscheidend für den Erfolg jeder Computer-Vision-Anwendung. Dieser technische Leitfaden beleuchtet die Kompromisse, Leistungskennzahlen und architektonischen Neuerungen zweier bedeutender Modelle: Ultralytics YOLO26 und Googles bewährtes EfficientDet.

Ganz gleich, ob du auf Cloud-Server mit hohem Durchsatz oder auf Geräte mit strengen Latenzanforderungen im Bereich Edge-KI zielst: Wenn du die Unterschiede zwischen diesen Architekturen kennst, kannst du Geschwindigkeit, Genauigkeit und Effizienz besser gegeneinander abwägen.

Architekturübersicht: YOLO26#

YOLO26 wurde Anfang 2026 veröffentlicht und ist das neueste Modell der YOLO-Familie. Es wurde für einfache Bedienung und eine hohe mittlere durchschnittliche Präzision (mAP) auf moderner Hardware entwickelt. Unterstützt werden Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und die Erkennung orientierter Begrenzungsrahmen (OBB).

YOLO26 bietet mehrere Funktionen, die sowohl die Trainingsstabilität als auch die Inferenzgeschwindigkeit verbessern:

  • Durchgängiges, NMS-freies Design: Aufbauend auf dem NMS-freien Training, das YOLOv10 in YOLO-Modelle einführte, bietet YOLO26 einen optionalen durchgängigen One-to-One-Head (nms=False), der die Nachverarbeitung mit Nichtmaximaler Unterdrückung (NMS) überflüssig macht. Das vereinfacht die Bereitstellungslogik und verringert Latenzschwankungen.
  • Bis zu 43 % schnellere CPU-Inferenz: Durch architektonische Optimierungen ist YOLO26n auf standardmäßigen CPUs bis zu 43 % schneller als YOLO11n. Das eignet sich für IoT- und eingebettete Systeme.
  • Wegfall von DFL: Der Distribution Focal Loss wurde entfernt. Dadurch wird der Export vereinfacht und die Kompatibilität mit stromsparenden Edge-Geräten verbessert, auf denen Tools wie ONNX zum Einsatz kommen.
  • MuSGD-Optimierer: Inspiriert von den Trainingsverfahren für LLMs bei Kimi K2 von Moonshot AI, bringt diese Kombination aus SGD und Muon Innovationen aus dem Training großer Sprachmodelle direkt in die Computer Vision und ermöglicht schnellere Konvergenz und stabileres Training.
  • ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte – ein wichtiger Faktor für Anwendungen mit Drohnenaufnahmen aus der Luft und Robotik.
Optimierter Export

Dank des Wegfalls von DFL und der Architektur ohne NMS lassen sich YOLO26-Modelle praktisch ohne Entwicklung benutzerdefinierter Plug-ins in für Edge-Geräte geeignete Formate wie NVIDIA TensorRT oder Intel OpenVINO exportieren.

Architekturübersicht: EfficientDet#

EfficientDet wurde von Google eingeführt, basiert auf dem TensorFlow-Ökosystem und wurde nach dem Prinzip der zusammengesetzten Skalierung entwickelt. Seine Architektur skaliert das Backbone-Netzwerk, das Feature-Netzwerk und die Netzwerke für die Vorhersage von Boxen und Klassen gleichzeitig – abhängig von den verfügbaren Ressourcen.

Zu den wichtigsten Innovationen von EfficientDet gehören:

  • BiFPN (bidirektionales Merkmals-Pyramidennetzwerk): Ein Mechanismus, der eine einfache und schnelle Fusion von Merkmalen auf mehreren Maßstabsebenen ermöglicht, sodass das Netzwerk Objekte unterschiedlicher Größe besser erfassen kann.
  • Zusammengesetzte Skalierung: Eine heuristische Methode, um Auflösung, Tiefe und Breite gleichmäßig zu skalieren und eine Modellfamilie von d0 (kleinstes Modell) bis d7 (größtes Modell) zu erstellen.

EfficientDet ist zwar nach wie vor eine solide Wahl für die Erkennung von Begrenzungsrahmen, bietet aber weder die moderne Vielseitigkeit für mehrere Aufgaben (etwa native OBB-Aufgaben) noch das einheitliche, schlanke Python-Ökosystem, das Entwickler heute erwarten.

Erfahre mehr über EfficientDet

Leistungs- und Metrikvergleich#

Die folgende Tabelle vergleicht beide Architekturen anhand des COCO-Datensatzes und zeigt Unterschiede bei Modellgröße, Genauigkeit und Latenz. Die CPU-Geschwindigkeiten wurden mit ONNX Runtime und die GPU-Geschwindigkeiten mit TensorRT auf einer NVIDIA T4 gemessen.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

YOLO26x erzielt die höchste Genauigkeit (57.5 mAP), 3.8 Punkte mehr als EfficientDet-d7, und benötigt auf einer T4 mit TensorRT 11.8 ms statt 128.07 ms. YOLO26 ist über alle Modellgrößen hinweg auf der GPU deutlich schneller (bis zu 1.7 ms).

Trainingseffizienz und die Vorteile des Ökosystems#

Ein wesentlicher Unterschied zwischen den beiden Architekturen liegt in ihren Entwicklungsumgebungen. EfficientDet ist eng in Googles AutoML- und TensorFlow-Ökosystem eingebunden. Das kann steile Lernkurven und starre Konfigurationen für benutzerdefinierte Datensätze und neuere Aufgaben wie die orientierte Erkennung auf DOTAv1 mit sich bringen.

Ultralytics bietet ein gut gepflegtes Ökosystem auf Basis von PyTorch und speichereffizientes Training, das auch auf GPUs mit begrenzten Ressourcen läuft.

Einheitliche Plattformintegration

Über die Ultralytics Platform erhalten Entwickler einen durchgängigen MLOps-Arbeitsablauf für Datenannotation, Cloud-Training und Modellbereitstellung. So wird der Weg vom Prototyp bis zur Produktion kürzer.

Implementierungsbeispiel#

Mit der Ultralytics API kannst du ein YOLO26-Modell mit wenigen Codezeilen trainieren und exportieren.

from ultralytics import YOLO

# Das durchgängige YOLO26-Modell ohne NMS initialisieren
model = YOLO("yolo26n.pt")

# Auf einem benutzerdefinierten Datensatz trainieren (optimizer='auto' wählt MuSGD für längere Trainingsläufe aus)
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Auf der GPU trainieren
)

# Für eine Bereitstellung mit extrem niedriger Latenz nativ nach TensorRT exportieren
model.export(format="engine")

Ideale Anwendungsfälle#

Wann solltest du YOLO26 verwenden?

  • Edge-Computing und Mobilgeräte: Da YOLO26n auf der CPU bis zu 43 % schneller ist als YOLO11n und optional ohne NMS inferieren kann, eignet sich YOLO26 gut für Geräte mit streng begrenzten Rechenressourcen, etwa Raspberry Pis oder Mobiltelefone.
  • Mehrere Aufgaben: Wenn eine einzelne Pipeline Begrenzungsrahmen, Segmentierungsmasken und Tracking benötigt, verarbeitet YOLO26 all diese Aufgaben in einem Framework.
  • Drohnen- und Luftaufnahmen: Die Kombination aus ProgLoss und STAL verbessert die Erkennung kleiner Objekte aus großer Höhe.

Wann solltest du EfficientDet verwenden?

  • Ältere TensorFlow-Pipelines: Wenn deine Infrastruktur nur TensorFlow SavedModels unterstützt oder bestimmte TensorFlow-Serving-Pipelines erfordert, bietet EfficientDet native Kompatibilität.
  • TPUs mit begrenzten Ressourcen: EfficientDet wurde für Googles speziell entwickelte Tensorverarbeitungseinheiten (TPUs) optimiert.

Weitere Alternativen entdecken#

Dieser Leitfaden konzentriert sich auf YOLO26 und EfficientDet, aber das Ultralytics-Ökosystem umfasst weitere Architekturen. Wenn deine Anwendung auf Transformern basiert, bietet RT-DETR eine echtzeitfähige Erkennung mit Transformer-Architektur. Wenn du dagegen ältere Systeme unterstützt, wird YOLO11 weiterhin vollständig unterstützt. Einen umfassenderen Überblick findest du im Ultralytics Model Comparisons Hub.

Für neue Computer-Vision-Pipelines machen die Geschwindigkeit, einfache Bedienung und Genauigkeit von YOLO26 das Modell zur empfohlenen Wahl für Forschende und Entwickler.

Kommentare

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