YOLO26 vs. YOLOv10: Die Entwicklung der End-to-End-Objekterkennung

Die Landschaft der Echtzeit-Objekterkennung verändert sich rasant. Im Jahr 2024 wird YOLOv10 mit seinem bahnbrechenden Trainingsansatz ohne Non-Maximum Suppression (NMS) für Schlagzeilen und beseitigte damit einen erheblichen Engpass in Inferenz-Pipelines. Im Jahr 2026 hat Ultralytics diese Konzepte weiterentwickelt und erweitert und bietet nun eine native End-to-End-Architektur, die schneller und genauer ist und tief in das Ultralytics integriert ist.

Dieser Leitfaden enthält einen technischen Vergleich dieser beiden einflussreichen Modelle und hilft Entwicklern, Forschern und Ingenieuren dabei, das richtige Tool für ihre Computer-Vision-Anwendungen auszuwählen.

Vergleich von Leistungsmetriken

Bei der Bewertung moderner Detektoren ist der Kompromiss zwischen Geschwindigkeit und Genauigkeit von entscheidender Bedeutung. YOLO26 bietet bedeutende Optimierungen, die speziell auf Edge-Geräte und CPU ausgerichtet sind und im Vergleich zu früheren Generationen eine Geschwindigkeitssteigerung von bis zu 43 % auf CPUs erzielen. Während YOLOv10 ein hocheffizientes Modell bleibt, erweitert YOLO26 die Grenzen des Möglichen mit geringeren Rechenressourcen.

Modell	Größe ^(Pixel)	mAP^val 50-95	Geschwindigkeit ^{CPU ONNX (ms)}	Geschwindigkeit ^{T4 TensorRT10 (ms)}	Parameter ^(M)	FLOPs ^(B)
YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

Architektonische Innovationen

Ultralytics : Der neue Standard

Autoren: Glenn Jocher, Jing Qiu
Organisation:Ultralytics
Datum: 14. Januar 2026

YOLO26 ist das Ergebnis intensiver Forschung im Hinblick auf Effizienz und Benutzerfreundlichkeit. Es basiert wie YOLOv10 auf einem End-to-End-Design NMS, wurde jedoch durch mehrere wichtige architektonische Änderungen verbessert, die für Robustheit und Flexibilität bei der Bereitstellung sorgen.

DFL-Entfernung: Durch die Entfernung von Distribution Focal Loss (DFL) wird die Modellarchitektur vereinfacht. Diese Änderung ist entscheidend für die Exportkompatibilität, da das Modell dadurch einfacher auf eingeschränkter Edge-Hardware wie Raspberry Pi oder Mobilgeräten eingesetzt werden kann, wo komplexe Ausgabeschichten zu Latenzzeiten führen können.
MuSGD-Optimierer: Inspiriert durch die Trainingsstabilität großer Sprachmodelle (LLMs) nutzt YOLO26 einen hybriden Optimierer, der SGD Muon kombiniert. Diese Innovation, die von Moonshot AI's Kimi K2 adaptiert wurde, sorgt für eine schnellere Konvergenz und stabile Trainingsläufe, wodurch die Rechenkosten gesenkt werden.
ProgLoss + STAL: Die Einführung von Progressive Loss (ProgLoss) und Soft-Target Anchor Loss (STAL) steigert die Leistung bei kleinen Objekten erheblich. Dadurch eignet sich YOLO26 besonders gut für Aufgaben wie die Analyse von Luftbildern oder die Fehlererkennung in der Fertigung.

Erfahren Sie mehr über YOLO26

YOLOv10: Der Pionier NMS

Autoren: Ao Wang et al.
Organisation: Tsinghua-Universität
Datum: 23. Mai 2024

YOLOv10 eine bahnbrechende Veröffentlichung, die sich mit der Redundanz der NMS befasste. Die wichtigste Neuerung war die Verwendung von konsistenten Doppelzuweisungen für NMS Training.

Doppelte Zuweisungen: Während des Trainings verwendet das Modell sowohl Eins-zu-Viele- als auch Eins-zu-Eins-Label-Zuweisungen. Dadurch kann das Modell reichhaltige Darstellungen lernen und gleichzeitig sicherstellen, dass während der Inferenz nur eine Vorhersage pro Objekt getroffen wird, wodurch die Notwendigkeit von NMS entfällt.
Ganzheitliches Effizienzdesign: Die Autoren führten leichtgewichtige Klassifizierungsköpfe und räumlich-kanalunabhängiges Downsampling ein, um den Rechenaufwand zu reduzieren, was sich in der geringen FLOP- Zahl widerspiegelt.

Erfahren Sie mehr über YOLOv10

Der NMS

Non-Maximum Suppression (NMS) ist ein Nachbearbeitungsschritt, der zum Filtern überlappender Begrenzungsrahmen verwendet wird. Dieser Schritt ist zwar effektiv, führt jedoch zu Latenzschwankungen und erschwert die Bereitstellung. Sowohl YOLO26 als auch YOLOv10 diesen Schritt, wodurch die Inferenzzeiten deterministisch und schneller werden.

Integration und Ökosystem

Einer der wichtigsten Unterschiede liegt im umgebenden Ökosystem. Ultralytics ist das Flaggschiffmodell der Ultralytics und gewährleistet sofortige Unterstützung für alle Aufgaben und Modi.

Der Ultralytics Vorteil

Vielseitigkeit: Während YOLOv10 in erster Linie auf die Erkennung YOLOv10 , bietet YOLO26 native Unterstützung für Instanzsegmentierung, Posenschätzung, OBB und Klassifizierung.
Ultralytics : YOLO26 ist vollständig in die Ultralytics (ehemals HUB) integriert und ermöglicht so eine nahtlose Verwaltung von Datensätzen, Cloud-Training mit einem Klick und die Bereitstellung in Formaten wie TFLite und OpenVINO.
Wartung: Als Kernprodukt erhält YOLO26 regelmäßig Updates, Bugfixes und Community-Support über GitHub und Discord.

Code-Vergleich

Beide Modelle können mit dem ultralytics Python , das die Flexibilität der Bibliothek unterstreicht. YOLO26 profitiert jedoch von den neuesten Hilfsfunktionen und Optimierungen.

from ultralytics import YOLO

# ----------------- YOLO26 -----------------
# Load the latest YOLO26 model (NMS-free, optimized for CPU)
model_26 = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimizer enabled automatically
model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with simplified output (no NMS overhead)
results_26 = model_26("path/to/image.jpg")


# ----------------- YOLOv10 -----------------
# Load the YOLOv10 model (Historical academic checkpoint)
model_10 = YOLO("yolov10n.pt")

# Train using standard settings
model_10.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results_10 = model_10("path/to/image.jpg")

Anwendungsfälle und Empfehlungen

Die Wahl zwischen diesen Modellen hängt von Ihren spezifischen Einsatzbedingungen und Projektzielen ab.

Ideale Szenarien für YOLO26

Edge-KI auf CPU: Wenn Ihre Anwendung auf Hardware ohne dedizierte GPU läuft GPU z. B. Standard-Laptops, IoT-Gateways mit geringem Stromverbrauch), ist YOLO26 mit seiner um 43 % schnelleren CPU die unangefochtene Wahl.
Kommerzielle Lösungen: Für Unternehmensanwendungen, die langfristige Wartbarkeit, strenge Lizenzklarheit (Unternehmenslizenz) und zuverlässigen Support erfordern, ist YOLO26 für die Produktion ausgelegt.
Komplexe Aufgaben: Projekte, die orientierte Begrenzungsrahmen für Luftbildvermessungen oder Posenschätzungen für Sportanalysen erfordern, profitieren von den Multitasking-Fähigkeiten von YOLO26.

Ideale Szenarien für YOLOv10

Wissenschaftliche Forschung: Forscher, die sich mit den theoretischen Grundlagen von NMS Trainings- oder Labelzuweisungsstrategien befassen, finden in der arXiv-Veröffentlichung und der Architektur YOLOv10 eine wertvolle Referenz.
Legacy-Benchmarking: Für den Vergleich mit den Basiswerten für das Jahr 2024 YOLOv10 als hervorragender Standard für effizienzorientierte Architekturen.

Bereitstellungsflexibilität

Ultralytics zeichnen sich durch ihre Exportierbarkeit aus. Sie können ein trainiertes YOLO26-Modell ganz einfach exportieren nach ONNX, TensorRT oder CoreML einem einzigen Befehl: yolo export model=yolo26n.pt format=onnx.

Fazit

Beide Architekturen haben eine entscheidende Rolle bei der Weiterentwicklung der Computervision gespielt. YOLOv10 stellte erfolgreich die Notwendigkeit von NMS in Frage und bewies, dass eine End-to-End-Erkennung für Echtzeitanwendungen praktikabel ist.

Ultralytics nutzt diesen Durchbruch und perfektioniert ihn. Durch die Kombination des NMS Designs mit der Stabilität des MuSGD-Optimierers, der randfreundlichen Entfernung von DFL und der vielseitigen Unterstützung des Ultralytics bietet YOLO26 die derzeit ausgewogenste und leistungsstärkste Lösung für Entwickler. Ganz gleich, ob Sie ein intelligentes Verkehrssystem für Städte oder einen mobilen Dokumentenscanner entwickeln – YOLO26 bietet die Geschwindigkeit und Genauigkeit, die Sie für Ihren Erfolg benötigen.