YOLO26 im Vergleich zu YOLOv5#
Die Entwicklung im Bereich Computer Vision war stets vom Streben nach höherer Geschwindigkeit, Genauigkeit und Zugänglichkeit geprägt. Die Wahl der richtigen Architektur ist entscheidend für den Erfolg jedes KI-Projekts. In diesem umfassenden Leitfaden vergleichen wir zwei Meilensteine von Ultralytics: das wegweisende YOLOv5 und das bahnbrechende YOLO26. Beide haben die Entwicklung der Objekterkennung in Echtzeit stark beeinflusst, doch ihre zugrunde liegenden Technologien spiegeln einen tiefgreifenden Paradigmenwechsel bei der Verarbeitung visueller Daten durch neuronale Netze wider.
Modellübersicht#
Bevor wir uns mit architektonischen Feinheiten befassen, sehen wir uns zunächst die grundlegenden Details beider Modelle an.
YOLO26-Details:
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Dokumentation: YOLO26-Dokumentation
YOLOv5-Details:
- Autoren: Glenn Jocher
- Organisation: Ultralytics
- Datum: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Dokumentation: YOLOv5-Dokumentation
Dieser Leitfaden konzentriert sich zwar auf YOLO26 und YOLOv5, doch Entwickler, die Altsysteme migrieren, könnten auch an einem Vergleich mit YOLO11 oder der bahnbrechenden NMS-freien Architektur von YOLOv10 interessiert sein. Beide Modelle bieten hervorragende Einstiegsmöglichkeiten für bestimmte Bereitstellungsumgebungen.
Architektonische Innovationen#
Der Abstand von sechs Jahren zwischen YOLOv5 und YOLO26 steht für einen gewaltigen Sprung in der Deep-Learning-Forschung. YOLOv5 machte den weit verbreiteten Einsatz von PyTorch für Bildverarbeitungsmodelle populär und bot einen hochgradig optimierten, ankerbasierten Erkennungsmechanismus, der zum Industriestandard wurde. Bei der Nachverarbeitung war das Modell jedoch stark auf die Unterdrückung nicht maximaler Werte (NMS) angewiesen, was auf Geräten mit begrenzten Ressourcen zu Latenzengpässen führen konnte.
YOLO26 denkt die Inferenzpipeline mit einem End-to-End-Design ohne NMS grundlegend neu. Der optionale One-to-one-Kopf (nms=False) macht eine NMS-Nachverarbeitung überflüssig und ermöglicht eine schnellere sowie deutlich einfachere Bereitstellungslogik – ein Konzept, das erstmals mit YOLOv10 eingeführt und hier perfektioniert wurde. Außerdem bietet YOLO26 die Entfernung des Verteilungs-Fokalverlusts (DFL), wodurch der Ausgabekopf deutlich einfacher wird. So lässt sich das Modell besonders problemlos in Formate wie ONNX und TensorRT exportieren und ist damit hervorragend mit Edge-Geräten und Geräten mit geringem Stromverbrauch kompatibel.
Während des Trainings verwendet YOLO26 den hochmodernen MuSGD-Optimierer, eine von Kimi K2 von Moonshot AI inspirierte Kombination aus SGD und Muon. Damit fließen Innovationen aus dem Training großer Sprachmodelle in die Bildverarbeitung ein und sorgen im Vergleich zu den herkömmlichen SGD- oder AdamW-Optimierern von YOLOv5 für äußerst stabiles Training und eine deutlich schnellere Konvergenz.
Leistung und Metriken#
Bei der Bewertung von Modellen bestimmt das Verhältnis zwischen mittlerer durchschnittlicher Präzision (mAP) und Inferenzgeschwindigkeit die Praxistauglichkeit. YOLO26 ist von Grund auf sowohl für leistungsstarke GPUs als auch für Edge-CPUs optimiert.
| Modell | Größe (Pixel) | mAPval 50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Die Benchmarks zeigen eine erstaunliche Verbesserung. YOLO26n erreicht beispielsweise eine mAP von 40.9 gegenüber 28.0 bei YOLOv5n. Außerdem ist die CPU-Inferenz mit YOLO26 bis zu 43 % schneller als mit YOLO11n. Dadurch ist YOLO26 für eingebettete Anwendungen wie Raspberry Pi oder Mobilgeräte wesentlich besser geeignet. YOLOv5 ist bei der TensorRT-GPU-Geschwindigkeit in der Nano-Klasse zwar leicht im Vorteil, doch bei der Genauigkeit schneidet YOLO26 deutlich besser ab.
Trainingsökosystem und Benutzerfreundlichkeit#
Beide Modelle profitieren erheblich vom gut gepflegten Ultralytics-Ökosystem. Sie bieten einen unkomplizierten Einstieg mit einer übersichtlichen Python-API, umfassender Dokumentation und einer aktiven Community. YOLO26 hebt die Trainingseffizienz jedoch auf ein neues Niveau.
Ultralytics-Modelle benötigen beim Training durchweg deutlich weniger CUDA-Speicher als transformerlastige Alternativen. YOLO26 steigert die Effizienz zusätzlich mit den Verlustfunktionen ProgLoss + STAL. Diese Verbesserungen erhöhen die Erkennungsleistung bei kleinen Objekten deutlich, ohne den Speicherbedarf aufzublähen.
from ultralytics import YOLO
# Das hochmoderne 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 einfachen Skript können Entwickler schnell mit benutzerdefinierten Datensätzen iterieren und nahtlos von der Datenaufnahme zu einem produktionsreifen Modell gelangen.
Mit der Ultralytics-Plattform kannst du deine trainierten YOLO26-Modelle automatisch in Formate wie CoreML oder LiteRT exportieren, ohne eine einzige Zeile Konvertierungscode schreiben zu müssen.
Vielseitigkeit und ideale Anwendungsfälle#
Wann du YOLOv5 verwenden solltest#
YOLOv5 bleibt ein zuverlässiges Arbeitstier für Altsysteme. Wenn du eine bestehende industrielle Pipeline hast, die stark ankerbasierte Ausgaben voraussetzt, oder Inferenz auf älteren NVIDIA-Jetson-Geräten mit ausgereiften, unveränderten TensorRT-Stacks ausführst, bietet YOLOv5 eine stabile und umfassend dokumentierte Lösung.
Wann du YOLO26 verwenden solltest#
YOLO26 ist die erste Wahl für moderne Bildverarbeitungsprojekte. Seine Vielseitigkeit übertrifft die seines Vorgängers deutlich. Während YOLOv5 hauptsächlich auf Erkennung ausgerichtet ist (mit später hinzugefügter Segmentierung), bietet YOLO26 umfassende native Unterstützung für Instanzsegmentierung, Posenschätzung, Bildklassifizierung und orientierte Begrenzungsrahmen (OBB).
YOLO26 bietet aufgabenspezifische Verbesserungen, darunter eine spezialisierte Verlustfunktion für semantische Segmentierung, die residuale Log-Likelihood-Schätzung (RLE) für äußerst präzise Posenschlüsselpunkte und eine fortschrittliche Winkelfehlerfunktion für OBB, die knifflige Probleme an Begrenzungen löst.
- Edge-IoT und Robotik: Optionale Inferenz ohne NMS und eine bis zu 43 % schnellere CPU-Inferenz als bei YOLO11n machen YOLO26 ideal für die Echtzeitnavigation von Robotern und intelligente Überwachungskameras.
- Luftbilder: Die Verbesserungen durch ProgLoss + STAL machen die Erkennung winziger Objekte auf Drohnenbildern – etwa von Fahrzeugen auf Parkplätzen oder Feldfrüchten auf Äckern – deutlich zuverlässiger.
- Echtzeit-Videoanalyse: Ob es darum geht, Sportler bei Übertragungen zu verfolgen oder Verkehrsströme zu überwachen – die ausgewogene Leistung von YOLO26 sorgt für eine hohe Trefferquote, ohne Bilder auszulassen.
Das Engagement von Ultralytics für ein zugängliches, leistungsstarkes Ökosystem sorgt letztlich dafür, dass der Umstieg von YOLOv5 auf YOLO26 reibungslos gelingt und Forschern wie Entwicklern modernste Funktionen eröffnet.