Erste Schritte

YOLO26 im Vergleich zu RTDETRv2

Anwender im Bereich Computer Vision entscheiden sich häufig zwischen optimierten Faltungsneuronalen Netzen (CNNs) und neueren Transformer-Architekturen. Zwei prominente Beispiele sind Ultralytics YOLO26 und RTDETRv2 von Baidu. Beide zielen auf Objekterkennung in Echtzeit ab, setzen dabei jedoch auf unterschiedliche Architekturansätze.

Dieser Leitfaden vergleicht ihre Strukturen, Leistungskennzahlen und idealen Einsatzbereiche, damit du die beste Grundlage für dein nächstes Computer-Vision-Projekt auswählen kannst.

Ultralytics YOLO26: Visuelle KI mit Edge-first-Ansatz#

YOLO26 wurde von Ultralytics entwickelt und im Januar 2026 veröffentlicht. Es ist das neueste YOLO-Modell und die empfohlene Wahl für neue Projekte. Das Modell ist auf Geschwindigkeit, Genauigkeit und eine unkomplizierte Bereitstellung in Cloud- und Edge-Umgebungen ausgelegt.

Architektonische Neuerungen und Stärken#

YOLO26 bietet mehrere Funktionen, die es nicht nur von Transformer-Modellen, sondern auch von früheren Versionen wie YOLO11 unterscheiden:

  • Durchgängiges, NMS-freies Design: Der optionale One-to-One-Head von YOLO26 (nms=False) überspringt die herkömmliche Nichtmaximale Unterdrückung (NMS) während der Nachverarbeitung. YOLOv10 führte diesen Ansatz für durchgängige Verarbeitung in YOLO-Modelle ein. Er verringert die Schwankungen der Inferenzlatenz und vereinfacht die Bereitstellungslogik, insbesondere auf Edge-Hardware.
  • Bis zu 43 % schnellere CPU-Inferenz: YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n und eignet sich damit für Geräte ohne dedizierte GPU, wie etwa den Raspberry Pi.
  • Entfernung von DFL: Die Entfernung von Distribution Focal Loss (DFL) vereinfacht den Export und verbessert die Kompatibilität mit stromsparenden Edge-Geräten.
  • MuSGD-Optimierer: YOLO26 überträgt Trainingsideen aus großen Sprachmodellen (LLMs) auf Computer Vision und verwendet dafür den MuSGD-Optimierer. Diese Kombination aus SGD und Muon, inspiriert von Kimi K2 von Moonshot AI, ermöglicht stabileres Training und schnellere Konvergenz.
  • ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte. Das ist für Branchen wichtig, die auf Luftbildanalyse und Sensoren des Internets der Dinge (IoT) setzen.

Vielseitigkeit bei Computer-Vision-Aufgaben#

Im Gegensatz zu Modellen, die auf Begrenzungsboxen beschränkt sind, unterstützt YOLO26 Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und OBB-Erkennung. Das Modell bietet aufgabenbezogene Verbesserungen, etwa einen Verlust für semantische Segmentierung und ein Multi-Scale-Proto-Modul für die Instanzsegmentierung, Residual Log-Likelihood Estimation (RLE) für die Posenschätzung und einen spezialisierten Winkelfehler zur Behebung von Randproblemen bei Aufgaben mit orientierten Begrenzungsboxen (OBB).

Strategie für die Edge-Bereitstellung

Verwende bei der Bereitstellung auf Edge-Geräten die Varianten YOLO26n (Nano) oder YOLO26s (Small). Die Entfernung von DFL und der optionale Kopf ohne NMS vereinfachen den Export nach CoreML oder LiteRT für die Echtzeit-Inferenz unter iOS und Android.

RTDETRv2: Transformer für die Echtzeit-Erkennung weiterentwickeln#

RTDETRv2 wurde von Forschern bei Baidu entwickelt und baut auf dem ursprünglichen RT-DETR-Framework auf. Das Modell soll zeigen, dass Detection-Transformer (DETRs) in Echtzeitszenarien mit der Geschwindigkeit und Genauigkeit hochoptimierter CNNs mithalten und diese mitunter übertreffen können.

Architektur und Funktionen#

RTDETRv2 verwendet eine Transformer-Architektur, die Bilder anders als CNNs verarbeitet und mithilfe von Self-Attention den globalen Kontext erfasst.

  • Bag-of-Freebies: Die Version 2 bietet eine Reihe optimierter Trainingstechniken (Bag-of-Freebies), die die Basisleistung verbessern, ohne die Inferenzkosten zu erhöhen.
  • Erfassung des globalen Kontexts: Dank seiner Transformer-Attention-Schichten bewältigt RTDETRv2 komplexe Szenen, in denen der globale Kontext erforderlich ist, um überlappende oder verdeckte Objekte zu unterscheiden.

Erfahre mehr über RTDETRv2

Einschränkungen von Transformer-Modellen#

Transformer-basierte Erkennungsmodelle wie RTDETRv2 stellen bei der praktischen Bereitstellung oft eine Herausforderung dar. Beim Training benötigen sie im Allgemeinen mehr CUDA-Speicher als effiziente CNNs. Außerdem können die von Attention-Schichten benötigten Operationen die Integration in unterschiedliche Edge-Umgebungen erschweren. Bei Bereitstellungen mit begrenzten Ressourcen lassen sich CNNs wie YOLO26 in der Regel einfacher ausrollen.

Leistungsvergleich#

Die folgende Tabelle vergleicht Genauigkeit (mAP), Geschwindigkeit und Modellgröße auf dem COCO-Validierungsdatensatz.

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
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Bei vergleichbarer Größe bietet YOLO26 einen höheren mAP und eine geringere TensorRT-Latenz als RTDETRv2. YOLO26x erreicht 57,5 mAP bei geringerer Latenz (11,8 ms mit TensorRT) und weniger Parametern (55,7M) als RTDETRv2-x (54,3 mAP, 15,03 ms, 76M Parameter).

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLO26 und RT-DETR hängt von den konkreten Anforderungen deines Projekts, den Bereitstellungseinschränkungen und deinen Ökosystempräferenzen 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 YOLO26 (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.

Wann du RT-DETR wählen solltest#

RT-DETR empfiehlt sich für:

  • Forschung zu Transformer-basierter Erkennung: Projekte, die Aufmerksamkeitsmechanismen und Transformer-Architekturen für die End-to-End-Objekterkennung ohne NMS untersuchen.
  • Anwendungsfälle mit hohen Genauigkeitsanforderungen und flexibler Latenz: Anwendungen, bei denen die Erkennungsgenauigkeit oberste Priorität hat und eine etwas höhere Inferenzlatenz akzeptabel ist.
  • Erkennung großer Objekte: Szenen mit überwiegend mittelgroßen bis großen Objekten, bei denen der globale Aufmerksamkeitsmechanismus von Transformern einen natürlichen Vorteil bietet.

Der Vorteil von Ultralytics#

Die Wahl der richtigen Architektur ist nur ein Teil der Gleichung; das zugehörige Ökosystem bestimmt, wie schnell ein Team vom Prototyp zur Produktion gelangt.

Benutzerfreundlichkeit und Trainingseffizienz#

Die Ultralytics Python API hält den Trainingscode kurz und verzichtet auf ausführlichen Boilerplate-Code. YOLO26 benötigt außerdem üblicherweise weniger GPU-VRAM als die speicherintensiven Attention-Schichten von RTDETRv2. Dadurch sind größere Batch-Größen auf handelsüblicher Hardware möglich.

from ultralytics import YOLO

# Das YOLO26-Nano-Modell initialisieren
model = YOLO("yolo26n.pt")

# 100 Epochen lang mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Hochgeschwindigkeitsinferenz ohne NMS ausführen
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Für die Bereitstellung nach ONNX exportieren
model.export(format="onnx")

Ein gut gepflegtes Ökosystem#

Ultralytics-Modelle werden mit einem aktiv gepflegten Framework bereitgestellt, das sich in Tools zur Experimentverfolgung wie Weights & Biases und Comet integrieren lässt. Für einen Ansatz ohne Code bietet die Ultralytics Platform Cloud-Training, Datensatzverwaltung und Modellbereitstellung.

Ausgewogene Leistung#

YOLO26 bietet ein ausgewogenes Verhältnis von Inferenzgeschwindigkeit und Genauigkeit. Die optionale Inferenz ohne NMS, der MuSGD-Optimierer und ProgLoss + STAL ergeben ein Modell, das kleine Objekte genau und in der Produktion schnell erkennt. Damit ist es eine starke Standardwahl für die meisten Computer-Vision-Anwendungen.

Weitere Modelle im Ökosystem#

Wer bestehende Pipelines betreut, kann auch YOLOv8 für etablierte Unternehmensumgebungen in Betracht ziehen oder nachlesen, wie YOLO26 im Vergleich zu EfficientDet abschneidet. Für neue Projekte ist YOLO26 die empfohlene Wahl.

Kommentare

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