Erste Schritte

YOLO26 vs. YOLOv8

Computer-Vision-Modelle streben Echtzeitleistung an, ohne Abstriche bei der Genauigkeit zu machen, und für Entwickler, die im Bereich des maschinellen Lernens arbeiten, ist die Wahl der richtigen Modellarchitektur entscheidend. Dieser technische Vergleich beleuchtet den Wechsel von Ultralytics YOLOv8, einer 2023 veröffentlichten und weithin verbreiteten Architektur, zu Ultralytics YOLO26, das im Januar 2026 veröffentlicht wurde.

Der Vergleich ihrer Architekturen, Leistungskennzahlen und Trainingsmethoden zeigt, welche Vorteile ein Wechsel für die Objekterkennung, Segmentierung und weitere Aufgaben bietet.

Modellhintergrund und Metadaten#

Die Entstehungsgeschichte dieser Architekturen hilft, ihre Designentscheidungen zu verstehen. Beide Modelle wurden von Ultralytics entwickelt, mit dem Ziel, Bildverarbeitungs-KI zugänglich und einfach bereitstellbar zu machen.

YOLO26-Details:

YOLOv8-Details:

Architektonische Innovationen#

Der Wechsel von YOLOv8 zu YOLO26 verändert, wie das Netzwerk Vorhersagen erzeugt und den Verlust berechnet.

YOLO26: Effizienz auf Edge-Geräten#

YOLO26 wurde entwickelt, um Engpässe bei der Bereitstellung zu beseitigen und die Inferenzgeschwindigkeit auf Geräten mit beschränkten Ressourcen zu maximieren.

  • Durchgängiges, NMS-freies Design: Aufbauend auf dem NMS-freien Training, das YOLOv10 in YOLO-Modelle einführte, unterstützt YOLO26 mit einem optionalen One-to-One-Head (nms=False) durchgängige Inferenz. Durch den Verzicht auf die Nachverarbeitung mit Nichtmaximaler Unterdrückung (NMS) werden Latenzschwankungen reduziert und die Bereitstellungslogik für Anwendungen vereinfacht, die strenge Echtzeitgarantien erfordern.
  • Verzicht auf DFL: Durch den Wegfall des Distribution-Focal-Losses (DFL) wird der Ausgabekopf vereinfacht. Diese Architekturentscheidung verbessert die Kompatibilität mit stromsparenden Edge-Geräten und erleichtert den Export in Formate wie ONNX und CoreML.
  • MuSGD-Optimierer: Inspiriert von der Trainingsstabilität, die bei großen Sprachmodellen (LLMs) wie Kimi K2 von Moonshot AI zu beobachten ist, verwendet YOLO26 den MuSGD-Optimierer – eine Kombination aus Stochastischem Gradientenabstieg und Muon. Dadurch fließen Trainingsideen aus LLMs in die Computer Vision ein, was zu schnellerer Konvergenz und stabileren Trainingsläufen führt.
  • ProgLoss + STAL: Um die schwierige Aufgabe der Erkennung kleiner Objekte zu bewältigen, kombiniert YOLO26 Progressive Loss (ProgLoss) mit Small-Target-Aware Label Assignment (STAL). Das verbessert die Erkennung kleiner Objekte und macht das Modell besonders geeignet für Drohnenanwendungen.
Aufgabenspezifische Verbesserungen

YOLO26 bietet außerdem gezielte Verbesserungen in mehreren Bereichen der Computer Vision. Für eine bessere Instanzsegmentierung verwendet das Modell einen Verlust für semantische Segmentierung und mehrskalige Prototypen, für eine genauere Posenschätzung Residual Log-Likelihood Estimation (RLE) und für orientierte Begrenzungsrahmen (OBB) einen speziellen Winkelfehler, der Probleme an den Begrenzungen behebt.

YOLOv8: Der vielseitige Allrounder#

Bei seiner Veröffentlichung im Jahr 2023 setzte YOLOv8 mit dem vollständigen Wechsel zu einem ankerfreien Design einen neuen Maßstab, das sich besser auf unterschiedliche Seitenverhältnisse in Datensätzen übertragen ließ.

  • C2f-Modul: Das ältere C3-Modul wurde durch den C2f-Block ersetzt, der den Gradientenfluss im Netzwerkrückgrat verbessert.
  • Entkoppelter Kopf: YOLOv8 verfügt über einen entkoppelten Kopf, in dem Klassifizierung und Regression der Begrenzungsrahmen unabhängig voneinander berechnet werden. Dadurch verbessert sich die mittlere Average Precision (mAP).
  • Vielseitigkeit bei Aufgaben: Das Modell gehörte zu den ersten, die eine einheitliche API für Erkennung, Segmentierung, Bildklassifizierung, Pose und später auch OBB-Aufgaben direkt einsatzbereit bereitstellten.

Leistungskennzahlen und Ressourcenbedarf#

Bei der Bewertung von Modellen für den Produktionseinsatz ist das Verhältnis zwischen Genauigkeit, Inferenzgeschwindigkeit und Modellgröße entscheidend. YOLO26 ist bei jeder Modellgröße genauer als YOLOv8, benötigt weniger Parameter und FLOPs und weist ab der Größe s eine geringere T4-TensorRT-Latenz auf.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Hinweis: Die hervorgehobenen Werte veranschaulichen die Leistungsbalance und Effizienzgewinne der YOLO26-Architektur gegenüber ihrem Vorgänger.

Analyse#

YOLO26 ermöglicht bei den meisten Modellgrößen eine schnellere CPU-Inferenz als vergleichbare YOLOv8-Modelle. So läuft YOLO26n mit ONNX in 38,9 ms auf der CPU, verglichen mit 80,4 ms für YOLOv8n, während die mAP von 37,3 auf 40,9 steigt. Dieser Effizienzgewinn auf der CPU ist größtenteils auf den Wegfall von DFL und den NMS-freien Kopf zurückzuführen. Dadurch eignet sich YOLO26 besonders für Umgebungen ohne dedizierte GPUs. YOLOv8x ist die Ausnahme und läuft auf der CPU schneller als YOLO26x (479,1 ms gegenüber 525,8 ms).

Außerdem haben YOLO26-Modelle in ihren jeweiligen Größenklassen weniger Parameter und FLOPs, wodurch sich der GPU-Speicherbedarf bei Inferenz und Training verringert.

Die Vorteile des Ultralytics-Ökosystems#

Ein wichtiger Aspekt bei der Auswahl eines KI-Modells ist die dazugehörige Infrastruktur. Sowohl YOLO26 als auch YOLOv8 profitieren von der einheitlichen Ultralytics Platform und derselben Entwicklererfahrung.

  1. Einfache Verwendung: Entwickler können Modelle mit wenigen Codezeilen laden, trainieren und exportieren. Die Python-API bleibt über verschiedene Modellgenerationen hinweg einheitlich.
  2. Trainingseffizienz: Ultralytics-YOLO-Modelle benötigen beim Training in der Regel weniger CUDA-Speicher als Transformer-Modelle wie RT-DETR. Dadurch sind auf handelsüblicher Hardware größere Stapelgrößen möglich.
  3. Gut gepflegtes Ökosystem: Dank kontinuierlicher Aktualisierungen, strenger CI/CD-Pipelines und umfassender Integrationen mit Werkzeugen wie Weights & Biases und TensorRT ist das Ultralytics-Repository für den Produktionseinsatz bereit.
  4. Vielseitigkeit: Ein einziger Import unterstützt verschiedene Aufgaben und Datensätze und ermöglicht komplexe Systeme, die gleichzeitiges Tracking, Klassifizierung und Segmentierung erfordern.
Einfacher Modellwechsel

Da die Ultralytics-API stark standardisiert ist, kann die Aktualisierung eines Produktionssystems von YOLOv8 auf YOLO26 so einfach sein wie das Ändern der Zeichenfolge "yolov8n.pt" in deinem Skript zu "yolo26n.pt".

Anwendungen in der Praxis#

Die Wahl zwischen diesen Modellen hängt oft von den Einschränkungen deiner Bereitstellungsumgebung ab, für neue Projekte wird jedoch YOLO26 empfohlen.

Edge-Computing und IoT-Netzwerke#

Für Edge-Umgebungen – etwa Bereitstellungen auf Raspberry Pi oder lokale Sensoren in Fabrikhallen – ist YOLO26 die bessere Wahl. Die CPU-Geschwindigkeit und der optionale NMS-freie Kopf helfen intelligenten Kameras, Videos mit hoher Bildrate für die Parkraumbewirtschaftung ohne Engpässe durch Nachverarbeitung auszuwerten.

Luftaufnahmen und Aufnahmen aus großer Höhe#

Bei der landwirtschaftlichen Überwachung oder der Inspektion von Infrastruktur mit Drohnen ist die Erkennung kleiner Objekte entscheidend. Die Implementierung von ProgLoss + STAL in YOLO26 hilft bei der Erkennung kleiner Schädlinge oder feiner Risse in Rohrleitungen, die ältere Architekturen wie YOLOv8 möglicherweise übersehen. Das ist beim Training mit Luftbilddatensätzen wie VisDrone nützlich.

Ältere GPU-Systeme#

YOLOv8 bleibt für Systeme relevant, die eng an seine spezifischen Ausgaben für die Regression von Begrenzungsrahmen gekoppelt sind, sowie für Unternehmensbereitstellungen, die an lange Validierungszyklen gebunden sind und nicht ohne Weiteres auf eine andere Architektur umgestellt werden können.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLO26 und YOLOv8 hängt von den konkreten Projektanforderungen, den Einschränkungen der Bereitstellungsumgebung und den Präferenzen für das 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 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 YOLOv8 wählen solltest#

YOLOv8 empfiehlt sich für:

  • Vielseitige Bereitstellung für mehrere Aufgaben: Projekte, die ein bewährtes Modell für Erkennung, Segmentierung, Klassifizierung und Posenschätzung innerhalb des Ultralytics-Ökosystems benötigen.
  • Etablierte Produktivsysteme: Bestehende Produktivumgebungen, die bereits auf der YOLOv8-Architektur und stabilen, umfassend getesteten Bereitstellungspipelines basieren.
  • Umfangreiche Unterstützung durch Community und Ökosystem: Anwendungen, die von den zahlreichen YOLOv8-Anleitungen, Integrationen von Drittanbietern und aktiven Community-Ressourcen profitieren.

Codebeispiel: Erste Schritte#

Der folgende Python-Code zeigt, wie du ein YOLO26-Modell mit dem COCO8-Datensatz trainierst und eine NMS-freie Inferenz ausführst.

from ultralytics import YOLO

# Das besonders effiziente YOLO26-Nano-Modell laden
model = YOLO("yolo26n.pt")

# Mit dem standardmäßigen COCO8-Datensatz trainieren
# Die Standard-Hyperparameter und -Augmentierungen werden automatisch angewendet
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # erste CUDA-GPU; verwende device="cpu", um auf der CPU zu trainieren
)

# Eine End-to-End-Inferenz ohne NMS mit einem Quellbild ausführen
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Die erkannten Objekte visualisieren
predictions[0].show()

Weitere Modelle, die du in Betracht ziehen kannst#

YOLO26 ist zwar das empfohlene Ultralytics-Modell, doch Entwickler, die verschiedene Anwendungen entwickeln, können auch folgende Modelle ausprobieren:

  • YOLO11: Der direkte Vorgänger von YOLO26, der YOLOv8 weiterentwickelt und in Produktionssystemen nach wie vor weit verbreitet ist.
  • RT-DETR: Baidus Transformer zur Echtzeit-Erkennung. Das Modell eignet sich für Forschende, die den Aufmerksamkeitsmechanismus bei Bildverarbeitungsaufgaben untersuchen. Zum Training benötigt es jedoch mehr CUDA-Speicher als herkömmliche Ultralytics-YOLO-Modelle.

Informationen zu Training in der Cloud, Beschriftung von Datensätzen und Bereitstellung an einem Ort findest du auf der Ultralytics Platform.

Kommentare

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