Erste Schritte

YOLO26 im Vergleich zu YOLOv5

Die Wahl der richtigen Architektur ist entscheidend für den Erfolg jedes Computer-Vision-Projekts. Dieser Leitfaden vergleicht zwei wichtige Veröffentlichungen von Ultralytics: das weit verbreitete YOLOv5 und das aktuelle YOLO26. Beide haben die Echtzeit-Objekterkennung geprägt, doch ihre zugrunde liegenden Designs spiegeln mehr als fünf Jahre Fortschritt bei der Verarbeitung visueller Daten durch neuronale Netze wider.

Modellübersicht#

Die wichtigsten Details zu beiden Modellen sind nachfolgend zusammengefasst.

YOLO26-Details:

YOLOv5-Details:

Weitere Optionen entdecken

Dieser Leitfaden konzentriert sich zwar auf YOLO26 und YOLOv5, aber für Entwickler, die Altsysteme migrieren, könnte auch ein Vergleich mit YOLO11 oder der NMS-freien Architektur von YOLOv10 interessant sein. Beide bieten hervorragende Übergangsmöglichkeiten für bestimmte Bereitstellungsumgebungen.

Architektonische Innovationen#

Der Abstand von mehr als fünf Jahren zwischen YOLOv5 und YOLO26 umfasst bedeutende Fortschritte in der Deep-Learning-Forschung. YOLOv5 trug dazu bei, das YOLO-Training auf Basis von PyTorch populär zu machen, und bot einen optimierten, ankerbasierten Erkennungsmechanismus, der zum Industriestandard wurde. Bei der Nachverarbeitung war das Modell jedoch auf Non-Maximum Suppression (NMS) angewiesen, was auf Geräten mit begrenzten Ressourcen zu Latenzengpässen führen konnte.

YOLO26 gestaltet die Inferenzpipeline mit einem durchgängigen, NMS-freien Design neu. Sein optionaler One-to-One-Head (nms=False) macht die NMS-Nachverarbeitung überflüssig und ermöglicht eine schnellere, einfachere Bereitstellungslogik – ein Konzept, das YOLOv10 in YOLO-Modelle einführte. YOLO26 bietet außerdem den Wegfall von DFL (Verteilungsverlust mit Fokus auf schwierige Beispiele), wodurch der Ausgabe-Head vereinfacht wird. Das erleichtert den Export des Modells in Formate wie ONNX und TensorRT und verbessert die Kompatibilität mit Edge-Geräten und Geräten mit geringem Energieverbrauch.

Beim Training verwendet YOLO26 den MuSGD-Optimierer, eine Kombination aus SGD und Muon, inspiriert von Kimi K2 von Moonshot AI. Dadurch fließen Trainingsideen aus LLMs in die Computer Vision ein, was im Vergleich zum einfachen SGD-Optimierer, den YOLOv5 standardmäßig verwendet, für stabileres Training und schnellere Konvergenz sorgt.

Leistung und Metriken#

Bei der Modellbewertung entscheidet das Verhältnis zwischen mittlerer Average Precision (mAP) und Inferenzgeschwindigkeit über die Praxistauglichkeit. YOLO26 ist sowohl für leistungsstarke GPUs als auch für Edge-CPUs optimiert.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Die Benchmarks zeigen einen deutlichen Genauigkeitsgewinn. So erreicht YOLO26n eine mAP von 40,9 gegenüber 28,0 bei YOLOv5n, und YOLO26n bietet eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n. Damit eignet sich YOLO26 besser für eingebettete Systeme wie den Raspberry Pi oder Mobilgeräte. YOLOv5 ist bei T4-TensorRT in den Größen n, s und m schneller, doch der Genauigkeitsunterschied spricht klar für YOLO26 (zum Beispiel 53,1 gegenüber 45,4 mAP bei den m-Modellen).

Trainingsökosystem und Benutzerfreundlichkeit#

Beide Modelle profitieren vom gut gepflegten Ultralytics-Ökosystem mit einer einfachen Python-API, ausführlicher Dokumentation und aktiver Unterstützung durch die Community. YOLO26 bietet darüber hinaus weitere Verbesserungen beim Training.

Ultralytics-Modelle benötigen beim Training in der Regel weniger CUDA-Speicher als stark auf Transformer ausgerichtete Alternativen. YOLO26 ergänzt ProgLoss + STAL (Progressive Loss und Small-Target-Aware Label Assignment), wodurch die Erkennung kleiner Objekte verbessert wird, ohne zusätzlichen Speicherbedarf zu verursachen.

from ultralytics import YOLO

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

# Das Modell trainieren (optimizer='auto' wählt MuSGD bei längeren Trainingsläufen aus)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Schnelle Inferenz ohne NMS auf einem Testbild ausführen
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

Mit diesem Skript können Entwickler benutzerdefinierte Datensätze schnell iterativ bearbeiten – von der Datenaufnahme bis zu einem produktionsreifen Modell.

Einfache Bereitstellung

Mit der Ultralytics Platform kannst du deine trainierten YOLO26-Modelle in Formate wie CoreML oder LiteRT exportieren, ohne auch nur eine Zeile Konvertierungscode zu schreiben.

Vielseitigkeit und ideale Anwendungsfälle#

Wann du YOLOv5 verwenden solltest#

YOLOv5 bleibt ein zuverlässiges Arbeitstier für Bestandssysteme. Wenn du eine bestehende industrielle Pipeline hast, die eng an ankerbasierte Ausgaben gekoppelt ist, oder auf älteren NVIDIA-Jetson-Geräten mit ausgereiften, eingefrorenen TensorRT-Stacks Inferenz ausführst, bietet YOLOv5 eine stabile und gut dokumentierte Lösung.

Wann du YOLO26 verwenden solltest#

YOLO26 wird für neue Computer-Vision-Projekte empfohlen und deckt mehr Aufgaben ab als sein Vorgänger. Während YOLOv5 sich hauptsächlich auf Erkennung konzentriert und Segmentierung sowie Klassifizierung erst später hinzukamen, unterstützt YOLO26 nativ Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und die Erkennung orientierter Begrenzungsrahmen (OBB).

YOLO26 führt aufgabenspezifische Verbesserungen ein, darunter einen speziellen Verlust für semantische Segmentierung, Residual Log-Likelihood Estimation (RLE) für präzisere Pose-Schlüsselpunkte und einen speziellen Winkelfehler für OBB, der Probleme an den Begrenzungen behebt.

  • Edge-IoT und Robotik: Optionale NMS-freie Inferenz und eine bis zu 43 % schnellere CPU-Inferenz (YOLO26n gegenüber YOLO11n) machen YOLO26 besonders geeignet für die Echtzeitnavigation von Robotern und intelligente Heimkameras.
  • Luftbilder: Die Verbesserungen durch ProgLoss + STAL machen die Erkennung winziger Objekte aus Drohnenaufnahmen zuverlässiger – zum Beispiel von Fahrzeugen auf Parkplätzen oder Feldfrüchten auf landwirtschaftlichen Flächen.
  • Echtzeit-Videoanalyse: Ob es um das Tracking von Sportlern bei Sportübertragungen oder die Überwachung des Verkehrsflusses geht – YOLO26 bietet ein ausgewogenes Verhältnis zwischen Genauigkeit und Geschwindigkeit bei Echtzeitvideos.

Da beide Modelle zum Ultralytics-Ökosystem gehören, ist der Wechsel von YOLOv5 zu YOLO26 unkompliziert und eröffnet Forschenden und Entwicklern Zugriff auf die neuesten Funktionen von Ultralytics.

Kommentare

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