Erste Schritte

YOLO26 und YOLOX im Vergleich

2021 führte YOLOX ein wegweisendes ankerfreies Design ein, das die Lücke zwischen akademischer Forschung und industrieller Anwendung bei der Echtzeit-Objekterkennung schloss. Im Januar 2026 veröffentlichte Ultralytics YOLO YOLO26. Dieser Vergleich zeigt, wie YOLO26 auf früheren Innovationen aufbaut und worin sich die Modelle hinsichtlich Leistung, Vielseitigkeit und Benutzerfreundlichkeit unterscheiden.

Modellübersicht#

Wenn du die Ursprünge und Grundprinzipien dieser Modelle verstehst, kannst du fundierte Entscheidungen für die Bereitstellung treffen.

Details zu YOLO26#

YOLO26 ist das neueste Ultralytics-YOLO-Modell. Sein optionaler End-to-End-Kopf ohne NMS (nms=False) beseitigt Engpässe bei der Nachverarbeitung. Das Modell ist sowohl für Cloud- als auch für Edge-Bereitstellungen optimiert und wird von einem Ökosystem unterstützt, das unterschiedliche Vision-Aufgaben abdeckt.

Details zu YOLOX#

Mehr über YOLOX erfahren

YOLOX war ein bedeutender Fortschritt: Das Modell führte einen entkoppelten Kopf und eine ankerfreie Architektur sowie die SimOTA-Strategie zur Labelzuweisung ein. Zum Zeitpunkt seiner Veröffentlichung bot es ein hervorragendes Verhältnis von Geschwindigkeit und Genauigkeit und wurde dadurch für viele bestehende Systeme zu einer beliebten Wahl.

Architektonische Innovationen#

Die Unterschiede zwischen YOLO26 und YOLOX spiegeln die Fortschritte im Deep-Learning-Design zwischen 2021 und 2026 wider.

YOLOX setzte sich für den anchorfreien Ansatz ein, nutzte aber weiterhin die herkömmliche Nichtmaximale Unterdrückung (NMS), um überflüssige Begrenzungsrahmen herauszufiltern. YOLO26 bietet einen optionalen durchgängigen, NMS-freien Head (nms=False). Dieser Ansatz, den YOLOv10 in YOLO-Modelle einführte, überspringt die NMS-Nachverarbeitung und ermöglicht schnellere, einfachere Bereitstellungspipelines mit geringeren Latenzschwankungen.

Außerdem bietet YOLO26 die Entfernung von DFL. Die Entfernung von Distribution Focal Loss vereinfacht den Export und verbessert die Kompatibilität mit Edge-Geräten und stromsparender Hardware. Zusammen mit weiteren Architekturverbesserungen ist YOLO26n auf der CPU bis zu 43 % schneller als YOLO11n und eignet sich damit hervorragend für Umgebungen ohne dedizierte GPUs.

Die Trainingsstabilität ist ein weiterer wichtiger Unterschied. YOLO26 verwendet den MuSGD-Optimierer, eine Kombination aus SGD und Muon, die von Innovationen beim Training großer Sprachmodelle von Moonshot AI inspiriert ist. Dieser Optimierer überträgt die Trainingsstabilität großer Sprachmodelle auf Computer Vision und ermöglicht eine schnellere Konvergenz.

Verbesserungen beim Training

YOLO26 verwendet ProgLoss + STAL: ein Verfahren zum progressiven Ausgleich des Verlusts und eine auf kleine Objekte abgestimmte Strategie zur Label-Zuweisung, die deren Erkennung verbessern. Das ist wichtig für Aufgaben wie die Verarbeitung von Luftbildern und die Analyse dicht belegter Umgebungen.

Leistung und Benchmarks#

Auf dem COCO-Datensatz erreicht YOLO26 bei jeder vergleichbaren Größe einen höheren mAP als YOLOX (bei den s-Modellen beispielsweise 48,6 gegenüber 40,5) und eine geringere T4-TensorRT-Latenz.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

Hinweis: YOLO26x erreicht 57,5 mAP mit 55,7M Parametern, während YOLOXx 51,1 mAP mit 99,1M Parametern erzielt.

Ökosystem und Benutzerfreundlichkeit#

Einer der größten Vorteile von YOLO26 ist das gut gepflegte Ökosystem von Ultralytics. Während die Arbeit mit YOLOX die Einarbeitung in Forschungs-Codebasen und die manuelle Einrichtung der Umgebung erfordert, bietet Ultralytics eine einfachere Entwicklererfahrung.

Mit der einheitlichen Python-API können Entwickler problemlos zwischen Aufgaben wie Objekterkennung, Instanzsegmentierung, semantischer Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und OBB wechseln. YOLOX ist auf die Erkennung von Begrenzungsboxen beschränkt.

Trainingsbeispiel#

Mit Ultralytics lässt sich ein Modell effizient auf einem eigenen Datensatz trainieren. Die Trainingspipeline hält den CUDA-Speicherbedarf gering. Dadurch sind größere Batch-Größen auf handelsüblicher Hardware möglich als mit vielen älteren Architekturen oder umfangreichen Transformer-Modellen.

from ultralytics import YOLO

# Das kleine YOLO26-Modell initialisieren
model = YOLO("yolo26s.pt")

# Das Modell mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Exportiere das trainierte Modell zur Bereitstellung im ONNX-Format
model.export(format="onnx")

Die Ultralytics Platform verbessert diesen Arbeitsablauf zusätzlich und bietet Cloud-Training, KI-gestützte Datensatzannotation und Bereitstellungsoptionen für Teams, die vom Prototyp zur Produktion übergehen.

Ideale Anwendungsfälle und praktische Einsatzgebiete#

Das richtige Modell hängt von deiner Bereitstellungsumgebung ab.

Edge AI und IoT#

Für Anwendungen, die eine lokale Verarbeitung auf begrenzter Hardware erfordern, etwa intelligente Alarmanlagen oder entfernte Umweltsensoren, ist YOLO26 die bessere Wahl. Der optionale Kopf ohne NMS und die schnelle CPU-Ausführung ermöglichen den Einsatz auf Geräten wie dem Raspberry Pi, ohne komplizierte Umwege zur Quantisierung.

Autonome Robotik#

Robotikanwendungen erfordern hohe Präzision und geringe Latenz. Die durch Residual Log-Likelihood Estimation (RLE) verbesserte Posenschätzung von YOLO26 ermöglicht es Robotern, die menschliche Kinematik in Echtzeit zu erfassen. Da YOLOX keine native Keypoint-Erkennung bietet, eignet sich das Modell nicht für solche fortgeschrittenen Aufgaben der Mensch-Roboter-Interaktion.

Inspektion aus großer Höhe und aus der Luft#

Bei der Inspektion von Infrastruktur mit Drohnen ist es entscheidend, kleine Schäden zu erkennen. ProgLoss und STAL in YOLO26 verbessern den Recall bei kleinen Objekten. Außerdem unterstützt YOLO26 nativ orientierte Begrenzungsboxen (OBB) und bietet dafür einen spezialisierten Winkelfehler zur Behebung von Randproblemen. Das macht das Modell besonders geeignet für Satelliten- und Luftbilder, auf denen Objekte beliebig gedreht sein können.

Bestehende Bereitstellungen#

YOLOX kann weiterhin in älteren Umgebungen zum Einsatz kommen, in denen bestehende C++-Bereitstellungspipelines ausdrücklich auf die spezifischen Ausgaben seines entkoppelten Kopfs aus dem Jahr 2021 zugeschnitten wurden. Für neue Projekte empfiehlt sich der Wechsel zum Ultralytics-Ökosystem, das Leistungssteigerungen und fortlaufende Unterstützung durch die Community bietet.

Weitere Modelle im Überblick#

YOLO26 ist zwar das empfohlene Ultralytics-Modell, doch das Ökosystem bietet verschiedene Modelle für unterschiedliche Anforderungen. Für Entwickler, die sich für Transformer-Architekturen interessieren, bietet RT-DETR einen alternativen Ansatz für die End-to-End-Erkennung. Außerdem bleibt YOLO11 eine gut erprobte Option für Produktionsumgebungen, in denen umfangreiche historische Vergleichsdaten erforderlich sind.

Zusammenfassend zeigt der Wechsel von YOLOX zu YOLO26, wie schnell sich das Fachgebiet weiterentwickelt hat. Dank einer intuitiven API, vielseitigen Funktionen und hoher Effizienz ist YOLO26 die empfohlene Wahl für Forscher und Entwickler.

Kommentare

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