Erste Schritte

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.

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.

Erfahre mehr über PP-YOLOE+

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.

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
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

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.

Speichereffizienz

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.

  1. 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.
  2. 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).
  3. 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.