YOLO26 und YOLOv9
Dieser technische Vergleich beleuchtet die Unterschiede zwischen YOLO26 und YOLOv9, zwei bedeutenden Modellen für die Echtzeit-Objekterkennung. Beide bieten unterschiedliche architektonische Neuerungen. Um das richtige Werkzeug für dein nächstes Computer-Vision-Projekt auszuwählen, musst du ihre Leistung, Bereitstellungsmöglichkeiten und Hardwareanforderungen verstehen.
YOLO26: Für Edge-Geräte optimierte Detektion#
Das Anfang 2026 veröffentlichte Ultralytics YOLO26 ist auf effiziente Bereitstellung und stabiles Training ausgerichtet. Seine optionale End-to-End-Inferenz löst Engpässe bei der Bereitstellung, die Edge-KI-Anwendungen seit Langem beeinträchtigen.
Modelldetails:
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 2026-01-14
- GitHub: Ultralytics-Repository
- Dokumentation: YOLO26-Dokumentation
Architektur und Innovationen#
YOLO26 gestaltet die Nachbearbeitungspipeline neu und führt ein End-to-End-Design ohne NMS ein. Bei Verwendung des optionalen One-to-One-Heads (nms=False) überspringt das Modell die Nichtmaximalunterdrückung (NMS) und erzielt geringere Latenzschwankungen. Das erleichtert die Bereitstellung auf mobilen Plattformen und Edge-Plattformen, insbesondere beim Export in Frameworks wie ONNX und Apple CoreML.
Darüber hinaus vereinfacht der Wegfall des Distribution-Focal-Losses (DFL) den Export und verbessert die Kompatibilität mit stromsparenden Edge-Geräten. Um das Training stabiler zu machen, integriert YOLO26 den MuSGD-Optimierer, eine Kombination aus stochastischem Gradientenabstieg (SGD) und Muon, die von Neuerungen beim Training großer Sprachmodelle (LLM) inspiriert ist. Das Ergebnis ist eine schnellere Konvergenz.
Dank architektonischer Vereinfachungen und des Verzichts auf DFL erzielt YOLO26n eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n. Damit eignet es sich besonders für Edge-Geräte mit knappen Ressourcen wie den Raspberry Pi oder den NVIDIA Jetson Nano.
Zur Erkennung kleiner Objekte in Szenen wie Luftaufnahmen von Drohnen verwendet YOLO26 ProgLoss + STAL (progressiver Verlust und labelbasierte Zuweisung unter Berücksichtigung kleiner Objekte), wodurch die Erkennungsrate kleiner Objekte steigt. Das Modell umfasst außerdem aufgabenspezifische Verbesserungen, darunter ein Prototypmodul mit mehreren Maßstäben für die Instanzsegmentierung, die residuale Log-Likelihood-Schätzung (RLE) für die Posenschätzung und eine spezielle Winkelfunktion zur Berechnung des Verlusts für die Erkennung orientierter Begrenzungsrahmen (OBB).
YOLOv9: Programmierbare Gradienteninformationen#
YOLOv9 wurde Anfang 2024 vorgestellt und brachte theoretische Fortschritte beim Umgang neuronaler Netze mit dem Gradientenfluss während des Trainings. Dabei lag der Schwerpunkt auf Parametereffizienz und dem Erhalt tiefer Merkmale.
Modelldetails:
- Autoren: Chien-Yao Wang und Hong-Yuan Mark Liao
- Organisation: Institute of Information Science, Academia Sinica, Taiwan
- Datum: 2024-02-21
- arXiv: YOLOv9-Artikel
- GitHub: YOLOv9-Repository
- Dokumentation: YOLOv9-Dokumentation
Architektur und Stärken#
YOLOv9 basiert auf den Konzepten der programmierbaren Gradienteninformationen (PGI) und des effizienten, verallgemeinerten Schichtaggregationsnetzwerks (GELAN). Diese Konzepte lösen das Informationsengpassproblem, das häufig in tiefen neuronalen Netzen auftritt. Indem GELAN wesentliche Informationen während des Vorwärtsdurchlaufs bewahrt, stellt es sicher, dass die für die Aktualisierung der Gewichte verwendeten Gradienten zuverlässig bleiben. Diese Architektur bietet eine hohe Genauigkeit und macht YOLOv9 zu einem starken Kandidaten für die akademische Forschung zur Theorie neuronaler Netze und zur Optimierung von Gradientenpfaden mit dem Framework PyTorch.
Einschränkungen#
Trotz seiner hohen Parametereffizienz setzt YOLOv9 bei der Nachbearbeitung von Begrenzungsrahmen auf die herkömmliche NMS, was bei der Inferenz auf Edge-Geräten zu Rechenengpässen führen kann. Außerdem konzentriert sich das offizielle Repository weitgehend auf die Objekterkennung. Für spezielle Aufgaben wie Tracking oder Posenschätzung ist daher zusätzlicher Entwicklungsaufwand erforderlich.
Leistungsvergleich#
Bei der Bewertung dieser Modelle für den praktischen Einsatz ist es entscheidend, Genauigkeit (mAP), Inferenzgeschwindigkeit und Speicherbedarf gegeneinander abzuwägen. Ultralytics-Modelle sind für ihren geringen Speicherbedarf beim Training und bei der Inferenz bekannt und benötigen typischerweise weniger CUDA-Speicher als transformerbasierte Alternativen wie RT-DETR.
Nachfolgend findest du einen direkten Leistungsvergleich von YOLO26 und YOLOv9 auf dem COCO-Datensatz. Die jeweils besten Werte sind fett hervorgehoben.
| Modell | Größe (Pixel) | mAPval50-95 | 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Hinweis: In dieser Tabelle sind keine CPU-ONNX-Geschwindigkeiten für YOLOv9 angegeben. Auf T4 TensorRT ist YOLO26 bei jeder Modellgröße schneller als YOLOv9. Außerdem ist YOLO26 bei vergleichbaren Modellgrößen genauer (zum Beispiel 57,5 gegenüber 55,6 mAP für YOLO26x gegenüber YOLOv9e, bei weniger Parametern).
Anwendungsfälle und Empfehlungen#
Ob du YOLO26 oder YOLOv9 wählst, hängt von den Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen Präferenzen beim 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 YOLO26n gegenüber YOLO11n einen entscheidenden Vorteil bietet.
- Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftbilder von Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei sehr kleinen Objekten deutlich steigern.
Wann du YOLOv9 wählen solltest#
YOLOv9 empfiehlt sich für:
- Forschung zu Informationsengpässen: Akademische Projekte, die programmierbare Gradienteninformationen (PGI) und Architekturen mit effizienten, verallgemeinerten Schichtaggregationsnetzwerken (GELAN) untersuchen.
- Studien zur Optimierung des Gradientenflusses: Forschung, die darauf abzielt, Informationsverluste in tiefen Netzwerkschichten während des Trainings zu verstehen und zu verringern.
- Benchmarking hochgenauer Erkennung: Szenarien, in denen die starke COCO-Benchmarkleistung von YOLOv9 als Vergleichsmaßstab für Architekturvergleiche benötigt wird.
Der Vorteil von Ultralytics#
Bei der Modellauswahl reicht es nicht aus, einen Genauigkeitsbenchmark zu lesen. Das umgebende Softwareökosystem bestimmt, wie schnell du von der Datenerfassung zum Produktionseinsatz gelangst.
Benutzerfreundlichkeit und Ökosystem#
Die Ultralytics Python API hält den Arbeitsablauf einfach. Statt komplexe Repositories zu klonen oder Skripte für verteiltes Training manuell zu konfigurieren, können Entwickler das Paket über pip installieren und sofort mit dem Training beginnen. Das aktiv gepflegte Ultralytics-Ökosystem bietet häufige Aktualisierungen, Integrationen mit ML-Plattformen wie Weights & Biases und umfassende Dokumentation.
Vielseitigkeit bei Computer-Vision-Aufgaben#
YOLOv9 ist in erster Linie ein Erkennungsmodell, während YOLO26 ein vielseitiges Bildverarbeitungsmodell ist. Mit einer einheitlichen Syntax kannst du von der Objekterkennung zu Bildsegmentierung, semantischer Segmentierung, Tiefenschätzung, Bild-Klassifizierung, Posenschätzung oder OBB wechseln. Diese Vielseitigkeit verringert die technische Schuld, die durch die Pflege mehrerer voneinander getrennter Codebasen für unterschiedliche Computer-Vision-Funktionen entsteht.
Effizientes Training und Bereitstellung#
YOLO26 verwendet leicht verfügbare vortrainierte Gewichte und benötigt in der Regel weniger Speicher als große Vision-Transformer. Nach dem Training ermöglichen integrierte Exportpipelines die Konvertierung mit einer einzigen Codezeile in optimierte Formate wie TensorRT oder LiteRT und erleichtern so den Weg in den Produktionseinsatz.
Codebeispiel: Erste Schritte mit YOLO26#
Das folgende Python-Codebeispiel zeigt, wie du mit der Ultralytics API ein vortrainiertes Modell lädst, mit eigenen Daten trainierst und Inferenz ausführst.
from ultralytics import YOLO
# Das neueste YOLO26-Nano-Modell laden
model = YOLO("yolo26n.pt")
# Trainiere das Modell mit dem COCO8-Datensatz (optimizer='auto' wählt MuSGD für längere Trainingsläufe)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Verwende GPU 0 oder 'cpu' für das CPU-Training
)
# Führe eine Inferenz ohne NMS auf einem Beispielbild aus
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Zeige die Begrenzungsrahmen und Konfidenzwerte an
predictions[0].show()Mit der Geschwindigkeit, der vereinfachten Architektur und dem Ökosystem von YOLO26 können Teams Bildverarbeitungsanwendungen schneller und mit weniger technischen Hürden auf den Markt bringen.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.