YOLO26 vs. PP-YOLOE+
Echtzeit-Objekterkennungsmodelle haben sich rasant weiterentwickelt. Ingenieure, die ein Modell für die Bereitstellung auswählen, müssen Geschwindigkeit, Genauigkeit und Tools vergleichen. Diese Seite vergleicht Ultralytics YOLO26 und PP-YOLOE+ anhand ihrer Architekturen, Trainingsmethoden, Leistungskennzahlen und idealen Einsatzszenarien in der Praxis.
Ursprung und Metadaten der Modelle#
Wenn du den Hintergrund dieser Objekterkennungsarchitekturen kennst, kannst du ihre Designphilosophien und Zielumgebungen besser einordnen.
YOLO26 im Überblick
YOLO26 wurde im Januar 2026 veröffentlicht. Es ist das neueste Ultralytics-YOLO-Modell und die empfohlene Wahl für neue Projekte. Das Modell ist für die Bereitstellung von Edge-KI ausgelegt und bietet eine geringe Größe, optionale End-to-End-Inferenz sowie hohe CPU- und GPU-Geschwindigkeiten.
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 2026-01-14
- GitHub: Ultralytics GitHub-Repository
- Dokumentation: Offizielle YOLO26-Dokumentation
PP-YOLOE+ im Überblick
PP-YOLOE+ wurde als Weiterentwicklung der PP-YOLO-Serie entwickelt und ist ein für das PaddlePaddle-Ökosystem optimierter ankerfreier Detektor. Das Modell nutzt ein CSPRepResNet-Backbone und einen ET-Kopf, um die üblichen Erkennungskennzahlen zu verbessern.
- Autoren: PaddlePaddle-Autoren
- Organisation: Baidu
- Datum: 2022-04-02
- arXiv: PP-YOLOE+-Forschungsartikel
- GitHub: PaddleDetection-Repository
- Dokumentation: PP-YOLOE+-Dokumentation
Architektonische Innovationen#
Die Unterschiede bei der Verarbeitung visueller Daten wirken sich auf den Speicherbedarf, die Trainingsstabilität und die Inferenzlatenz der Modelle aus.
YOLO26: Native durchgängige Detektion#
YOLO26 bietet mehrere Architekturänderungen, die eine einfachere Modellbereitstellung ermöglichen:
- End-to-End-Design ohne NMS: Aufbauend auf den erstmals in YOLOv10 eingeführten Konzepten unterstützt YOLO26 die native End-to-End-Inferenz, die dank des optionalen One-to-One-Kopfs (
nms=False) die Nachverarbeitung durch Nichtmaximalunterdrückung (NMS) überspringt. Das reduziert Latenzschwankungen und vereinfacht Bereitstellungspipelines. - Entfernung von DFL: Die Entfernung von Distribution Focal Loss (DFL) vereinfacht den Erkennungskopf und erleichtert den Export in Formate wie TensorRT und CoreML.
- MuSGD-Optimierer: Inspiriert von Kimi K2 von Moonshot AI überträgt YOLO26 Innovationen aus dem Training großer Sprachmodelle auf Computer Vision. Der hybride MuSGD-Optimierer (SGD + Muon) ermöglicht stabileres Training und schnellere Konvergenz.
- ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte. Dadurch eignet sich die Architektur für Drohnenaufnahmen und landwirtschaftliche Anwendungen.
PP-YOLOE+: Ein Ansatz mit Fokus auf Paddle#
PP-YOLOE+ setzt auf ein ankerfreies Design, das auf hohe Genauigkeit mit herkömmlicher Serverhardware ausgelegt ist. Das CSPRepResNet-Backbone verbessert die Merkmalsextraktion. Da das Modell jedoch auf Operationen basiert, die speziell für den Deep-Learning-Stack von Baidu entwickelt wurden, kann es komplexer sein, das Netzwerk anzupassen oder für Edge-Geräte mit begrenzten Ressourcen zu exportieren als bei Ultralytics-Frameworks.
Leistungs- und Metrikvergleich#
PP-YOLOE+ bietet eine wettbewerbsfähige Genauigkeit, doch YOLO26 erreicht bei jeder Größe in der folgenden Tabelle einen höheren mAP und eine geringere T4-TensorRT-Latenz. Bei den x-Modellen sind es beispielsweise 57,5 gegenüber 54,7 mAP und 11,8 gegenüber 14,3 ms.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
Edge-Optimierungen und die Entfernung von DFL machen YOLO26n auf der CPU bis zu 43 % schneller als YOLO11n. Die CPU-Geschwindigkeit von PP-YOLOE+ mit ONNX wird hier nicht angegeben. Miss daher beide Modelle auf deinem Zielgerät, etwa einem Raspberry Pi oder einer anderen Edge-Recheneinheit.
Beim Vergleich von Modellarchitekturen solltest du beachten, dass Ultralytics-YOLO-Modelle beim Training normalerweise weniger Speicher benötigen als Transformer-Modelle. Dadurch eignen sie sich für Prototyping auf handelsüblichen GPUs.
Die Vorteile des Ultralytics-Ökosystems#
PP-YOLOE+ ist ein leistungsfähiges Modell, doch die Entwicklererfahrung unterscheidet sich deutlich. Das integrierte Ultralytics-Ökosystem deckt den gesamten Arbeitsablauf für Fachleute im Bereich Vision-KI ab.
- Einfache Nutzung: Eine unkomplizierte Python-API nimmt dir die Komplexität von Datenpipelines und Trainingsschleifen ab. Dazu kommen eine umfassende, aktiv gepflegte Dokumentation und hilfreiche Beispiele.
- Vielseitigkeit: Im Gegensatz zu PP-YOLOE+, das hauptsächlich auf Objekterkennung ausgerichtet ist, unterstützt YOLO26 mit derselben API Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsboxen (OBB).
- Effizientes Training: Vortrainierte Gewichte werden automatisch heruntergeladen. Integrierte Augmentierungen ermöglichen effizientes Training, das üblicherweise weniger CUDA-Speicher und Zeit benötigt als ältere Frameworks.
Codebeispiel: Einfach in der Anwendung#
Das folgende Beispiel zeigt, wie du mit der Ultralytics-API ein Projekt startest:
from ultralytics import YOLO
# Ein vortrainiertes YOLO26-Nano-Modell für optimale Edge-Leistung laden
model = YOLO("yolo26n.pt")
# Das Modell mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")
# NMS-freie Inferenz für ein Zielbild ausführen
inference_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)
# Für die Bereitstellung ins ONNX-Format exportieren
model.export(format="onnx")Ideale Anwendungen in der Praxis#
Die Entscheidung zwischen YOLO26 und PP-YOLOE+ hängt weitgehend von den Einschränkungen deiner Produktionsumgebung ab.
Wann du PP-YOLOE+ einsetzen solltest:
- Integration ins Baidu-Ökosystem: Projekte auf Basis der PaddlePaddle-Infrastruktur oder in Umgebungen, die den Software-Stack von Baidu standardisieren.
- Stapelverarbeitung auf Servern: Szenarien auf Unternehmenshardware, bei denen durch NMS verursachte Latenzschwankungen weniger kritisch sind.
Wann du YOLO26 einsetzen solltest:
- Edge-Geräte und IoT: Dank der höheren CPU-Geschwindigkeit eignet sich YOLO26 hervorragend für intelligente Kameras, Drohnen und stromsparende Robotik.
- Zeitkritische Bereitstellungen: Der optionale Inferenzmodus ohne NMS (
nms=False) ermöglicht stabile Inferenz mit geringer Latenz. Das ist wichtig für die Forschung zum autonomen Fahren und die Qualitätskontrolle in der Hochgeschwindigkeitsfertigung. - Projekte mit mehreren Aufgaben: Wenn ein Projekt Objekterkennung mit Segmentierungsmasken oder Keypoints aus der Posenschätzung kombiniert, verarbeitet das einheitliche YOLO26-Framework alle diese Aufgaben.
Anwendungsfälle und Empfehlungen#
Die Wahl zwischen YOLO26 und PP-YOLOE+ hängt von den konkreten Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen Präferenzen beim Ökosystem ab.
Wann du YOLO26 wählen solltest#
YOLO26 ist eine gute Wahl für:
- 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: In anspruchsvollen Szenarien wie Drohnenaufnahmen aus der Luft oder der Analyse von IoT-Sensordaten verbessern ProgLoss und STAL die Genauigkeit bei kleinen Objekten.
Wann du PP-YOLOE+ wählen solltest#
PP-YOLOE+ empfiehlt sich für:
- Integration in das PaddlePaddle-Ökosystem: Unternehmen mit einer bestehenden Infrastruktur auf Basis des PaddlePaddle-Frameworks und der Werkzeuge von Baidu.
- Edge-Bereitstellung mit Paddle Lite: Bereitstellung auf Hardware mit hochoptimierten Inferenzkernen speziell für Paddle Lite oder die Paddle-Inferenz-Engine.
- Erkennung mit hoher Genauigkeit auf Servern: Szenarien, in denen höchste Erkennungsgenauigkeit auf leistungsstarken GPU-Servern gefragt ist und die Abhängigkeit von einem bestimmten Framework keine Rolle spielt.
Weitere Architekturen entdecken#
Einen umfassenderen Überblick bietet YOLO11, die vorherige Generation der Ultralytics-Modelle, die in der Produktion weiterhin weit verbreitet ist. Für Transformer-basierte Objekterkennung ist RT-DETR eine Alternative, benötigt beim Training jedoch mehr Speicher.
Mit dem MuSGD-Optimierer, ProgLoss + STAL und optionaler Inferenz ohne NMS ist YOLO26 die empfohlene Wahl für skalierbare und effiziente Vision-KI-Lösungen.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.