YOLOv10 vs. YOLOv5#

Die Wahl der richtigen neuronalen Netzwerkarchitektur ist entscheidend für die erfolgreiche Bereitstellung von Computer-Vision-Pipelines in der Produktion. Diese Seite bietet eine detaillierte technische Analyse zum Vergleich von YOLOv10 und YOLOv5, zwei besonders einflussreichen Modellen in der Entwicklung der Echtzeit-Objekterkennung. Obwohl beide Modelle die KI-Community maßgeblich geprägt haben, stehen sie für unterschiedliche Epochen und Philosophien bei der Entwicklung von Deep-Learning-Architekturen.

Dieser Leitfaden bewertet diese Architekturen anhand von mittlerer durchschnittlicher Präzision (mAP), Inferenzlatenz, Parametereffizienz und Unterstützung durch das Ökosystem und hilft dir dabei, das beste Modell für deine Bereitstellungsanforderungen auszuwählen.

Modellübersichten#

YOLOv10: End-to-End-Objekterkennung in Echtzeit#

YOLOv10 wurde von Forschern der Tsinghua-Universität entwickelt und führte einen neuartigen Ansatz zur Objekterkennung ein, der keine Nachverarbeitung mehr benötigt.

• Autoren: Ao Wang, Hui Chen, Lihao Liu et al.
• Organisation: Tsinghua University
• Datum: 2024-05-23
• Forschungsarbeit: arXiv:2405.14458
• Quellcode: YOLOv10-GitHub-Repository

Der entscheidende Durchbruch von YOLOv10 ist das End-to-End-Design ohne NMS. Historisch waren YOLO-Modelle auf Nichtmaximumunterdrückung (NMS) angewiesen, um redundante Begrenzungsrahmen herauszufiltern. YOLOv10 verwendet konsistente duale Zuordnungen für das NMS-freie Training, wodurch die Variabilität der Inferenzlatenz drastisch reduziert und die Bereitstellungslogik vereinfacht wird. Darüber hinaus verfügt die Architektur über ein ganzheitliches, auf Effizienz und Genauigkeit ausgerichtetes Design, das verschiedene Komponenten umfassend optimiert, um redundante Berechnungen zu reduzieren.

Erfahre mehr über YOLOv10

YOLOv5: Der Industriestandard für Benutzerfreundlichkeit#

YOLOv5 wurde kurz nach der Entstehung des Ultralytics PyTorch-Repositorys veröffentlicht und definierte die Erwartungen von Entwicklern an ein quelloffenes Computer-Vision-KI-Framework neu. Es ist nach wie vor eine der weltweit am häufigsten eingesetzten Architekturen.

• Autor: Glenn Jocher
• Organisation: Ultralytics
• Datum: 2020-06-26
• Quellcode: YOLOv5-GitHub-Repository

YOLOv5 ist für seine Benutzerfreundlichkeit und sein hervorragend gepflegtes Ökosystem bekannt. Es wurde vollständig in PyTorch geschrieben und bot eine nahtlose Erfahrung vom Einstieg bis zum fortgeschrittenen Einsatz mit sofortiger Unterstützung für Training, Validierung und Export in Formate wie ONNX und TensorRT. Anders als YOLOv10, das sich hauptsächlich auf die reine Objekterkennung konzentriert, zeigt YOLOv5 eine außergewöhnliche Vielseitigkeit und unterstützt Instanzsegmentierung sowie Bildklassifizierung innerhalb derselben einheitlichen Python-API.

Vergleich von Leistung und Metriken#

Die Visualisierung des Verhältnisses zwischen Geschwindigkeit und Genauigkeit ist entscheidend, um die Modelle zu ermitteln, die bei einer bestimmten Geschwindigkeitsvorgabe die beste Genauigkeit bieten. Das Verständnis dieser Leistungsmetriken ist grundlegend für die Auswahl eines Modells, das zu deinen spezifischen Hardwareanforderungen passt.

Technische Analyse#

1. Genauigkeit (mAP): YOLOv10 weist einen deutlichen Generationsvorsprung bei der Genauigkeit auf. Beispielsweise erreicht das Modell YOLOv10-X 54,4 % mAP^val und übertrifft damit YOLOv5x (50,7 % mAP). Dieser Sprung ist größtenteils auf die NMS-freie Trainingsstrategie und die 2024 eingeführten architektonischen Verbesserungen zurückzuführen.
2. Inferenzlatenz: Während YOLOv5-Modelle bei reinen T4-TensorRT-Benchmarks außergewöhnlich schnell sind (z. B. YOLOv5n mit 1,12 ms), entfernt YOLOv10 den NMS-Schritt der Nachverarbeitung vollständig. In praktischen End-to-End-Bereitstellungen sorgt das NMS-freie Design von YOLOv10 für eine konsistentere und deterministischere Latenz, was für Echtzeitanwendungen wie autonome Fahrzeuge und Robotik entscheidend ist.
3. Parametereffizienz: YOLOv10-Modelle bieten ein äußerst konkurrenzfähiges Leistungsgleichgewicht. YOLOv10-S erreicht 46,7 % mAP mit nur 7,2 Mio. Parametern, während YOLOv5s 37,4 % mAP mit 9,1 Mio. Parametern erzielt.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOv10 und YOLOv5 hängt von deinen spezifischen Projektanforderungen, Bereitstellungsbeschränkungen und Präferenzen für das Ökosystem ab.

Wann du YOLOv10 wählen solltest#

YOLOv10 ist eine gute Wahl für:

• NMS-freie Echtzeiterkennung: Anwendungen, die von einer End-to-End-Erkennung ohne Nichtmaximale Unterdrückung profitieren und dadurch die Komplexität der Bereitstellung reduzieren.
• Ausgewogene Kompromisse zwischen Geschwindigkeit und Genauigkeit: Projekte, die über verschiedene Modellgrößen hinweg ein ausgewogenes Verhältnis zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erfordern.
• Anwendungen mit konsistenter Latenz: Bereitstellungsszenarien, in denen vorhersehbare Inferenzzeiten entscheidend sind, etwa in der Robotik oder bei autonomen Systemen.

Wann du YOLOv5 wählen solltest#

YOLOv5 wird empfohlen für:

• Bewährte Produktionssysteme: Bestehende Bereitstellungen, bei denen die langjährige Stabilität, die umfangreiche Dokumentation und die große Unterstützung durch die Community von YOLOv5 geschätzt werden.
• Training mit begrenzten Ressourcen: Umgebungen mit begrenzten GPU-Ressourcen, in denen die effiziente Trainingspipeline und der geringere Speicherbedarf von YOLOv5 von Vorteil sind.
• Umfangreiche Unterstützung für Exportformate: Projekte, die eine Bereitstellung in vielen Formaten erfordern, darunter ONNX, TensorRT, CoreML und TFLite.

Wann du Ultralytics (YOLO26) wählen solltest#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklerfreundlichkeit:

• Edge-Bereitstellungen ohne NMS: Anwendungen, die eine konsistente Inferenz mit geringer Latenz ohne die Komplexität der Nachverarbeitung zur Nichtmaximalunterdrückung erfordern.
• Umgebungen ausschließlich mit CPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 einen entscheidenden Vorteil bietet.
• Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen mit Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten deutlich steigern.

Der Vorteil von Ultralytics#

Obwohl YOLOv10 hervorragende Erkennungsfähigkeiten bietet, kann die Abhängigkeit von wissenschaftlichen Repositorys Produktionspipelines mitunter erschweren. Mit dem offiziellen Ultralytics-Python-Paket erhältst du Zugriff auf ein einheitliches Ökosystem, das sowohl YOLOv5 als auch YOLOv10 sowie erweiterte Funktionen unterstützt.

• Trainingseffizienz: Die YOLO-Architekturen von Ultralytics sind umfassend für einen geringeren Speicherbedarf während des Trainings optimiert. Anders als umfangreiche Transformer-Modelle (wie RT-DETR), die große Mengen an CUDA-Speicher benötigen, kannst du YOLOv5 und YOLOv10 problemlos auf handelsüblichen GPUs trainieren.
• Ökosystemintegration: Die Integration mit der Ultralytics Platform ermöglicht es Entwicklern, Datensätze visuell zu verwalten, Experimente mit Weights & Biases zu verfolgen und Hyperparameter automatisch abzustimmen.

Codebeispiel: Nahtloses Training#

Mit der Ultralytics-Bibliothek ist der Wechsel zwischen diesen Architekturen so einfach wie das Ändern der Modellzeichenfolge. Die Trainingspipeline übernimmt automatisch die Datenerweiterung, Skalierung und Konfiguration des Optimierers.

from ultralytics import YOLO

# To use YOLOv5:
# model = YOLO("yolov5s.pt")

# To use YOLOv10:
model = YOLO("yolov10s.pt")

# Train the model on a custom dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # Use GPU 0
)

# Export the trained model to ONNX format
path = model.export(format="onnx")

Die nächste Generation: Ultralytics YOLO26#

Wenn du heute ein neues Machine-Learning-Projekt startest, empfehlen wir dir dringend, das neueste Ultralytics YOLO26 zu evaluieren. Das im Januar 2026 veröffentlichte Modell stellt den aktuellen Stand der Technik dar, indem es die besten Innovationen der vergangenen fünf Jahre miteinander verbindet.

YOLO26 integriert nativ das von YOLOv10 eingeführte End-to-End-Design ohne NMS und gewährleistet dadurch eine schnelle, deterministische Bereitstellung. Darüber hinaus führt YOLO26 mehrere entscheidende Neuerungen ein:

• Bis zu 43 % schnellere CPU-Inferenz: Durch das Entfernen des Moduls für den verteilungsfokussierten Fokusverlust (DFL) erzielt YOLO26 erhebliche Geschwindigkeitssteigerungen auf standardmäßigen CPUs und ist damit die erste Wahl für mobile Bereitstellungen und stromsparende IoT-Sensoren.
• MuSGD-Optimierer: Inspiriert von Trainingstechniken für große Sprachmodelle (LLM) wie Kimi K2 von Moonshot AI verwendet YOLO26 eine Kombination aus SGD und Muon. Dies gewährleistet im Vergleich zu den in YOLOv10 verwendeten AdamW-Optimierern äußerst stabile Trainingsläufe und eine deutlich schnellere Konvergenz.
• ProgLoss + STAL: Diese fortschrittlichen Verlustfunktionen führen zu deutlichen Verbesserungen bei der Erkennung kleiner Objekte, was für Drohnenaufnahmen und Anwendungen zur Luftüberwachung entscheidend ist.
• Aufgabenspezifische Fähigkeiten: Während YOLOv10 ausschließlich ein Begrenzungsrahmendetektor ist, bietet YOLO26 spezielle architektonische Verbesserungen für alle Aufgaben, darunter die Schätzung der logarithmischen Residuenwahrscheinlichkeit (RLE) für die Posenschätzung und spezialisierte Winkelfunktionen für orientierte Begrenzungsrahmen (OBB).

Ob du dich auf die bewährte Grundlage von YOLOv5, die NMS-freie Innovation von YOLOv10 oder die unübertroffene Spitzenleistung von YOLO26 verlässt – das Ultralytics-Ökosystem bietet die erforderlichen Werkzeuge, um deine Computer-Vision-KI-Anwendungen schnell und effizient zum Leben zu erwecken.