YOLOv10 vs. YOLOv5
Die Wahl der richtigen neuronalen Netzwerkarchitektur ist entscheidend, um erfolgreiche Computer-Vision-Pipelines in der Produktion bereitzustellen. Diese Seite bietet eine detaillierte technische Analyse von YOLOv10 und YOLOv5, zwei einflussreichen Modellen in der Entwicklung der Echtzeit-Objekterkennung. Beide Modelle haben die KI-Community maßgeblich geprägt, stehen jedoch für unterschiedliche Epochen und Ansätze beim Design von Deep-Learning-Architekturen.
Dieser Leitfaden bewertet die Architekturen anhand der mittleren durchschnittlichen Präzision (mAP), der Inferenzlatenz, der Parametereffizienz und der Unterstützung durch das jeweilige Ökosystem. So kannst du das passende Modell für deine Bereitstellungsanforderungen auswählen.
Modellübersicht#
YOLOv10: Echtzeit-Objekterkennung von Anfang bis Ende#
YOLOv10 wurde von Forschenden der Tsinghua-Universität entwickelt und führte einen neuen Ansatz zur Objekterkennung ein, der ohne NMS-Nachverarbeitung auskommt.
- Autoren: Ao Wang, Hui Chen, Lihao Liu u. a.
- Organisation: Tsinghua-Universität
- Datum: 2024-05-23
- Forschungsarbeit: arXiv:2405.14458
- Quellcode: YOLOv10-GitHub-Repository
Das entscheidende Merkmal von YOLOv10 ist das End-to-End-Design ohne NMS. Bisherige YOLO-Modelle nutzten Non-Maximum Suppression (NMS), um überlappende Begrenzungsboxen herauszufiltern. YOLOv10 verwendet konsistente doppelte Zuweisungen für das NMS-freie Training. Dadurch schwankt die Inferenzlatenz weniger und die Bereitstellungslogik wird einfacher. Darüber hinaus folgt die Architektur einem ganzheitlichen, auf Effizienz und Genauigkeit ausgerichteten Design, das verschiedene Komponenten optimiert, um redundante Berechnungen zu reduzieren.
YOLOv5: Der Branchenstandard für Benutzerfreundlichkeit#
YOLOv5 wurde im Juni 2020 von Ultralytics veröffentlicht und setzte neue Maßstäbe für die Benutzerfreundlichkeit von Open-Source-Frameworks für visuelle KI. Das Modell zählt weltweit nach wie vor zu den am häufigsten eingesetzten Architekturen.
- Autor: Glenn Jocher
- Organisation: Ultralytics
- Datum: 2020-06-26
- Quellcode: YOLOv5-GitHub-Repository
YOLOv5 ist für seine Benutzerfreundlichkeit und sein gut gepflegtes Ökosystem bekannt. Das vollständig in PyTorch geschriebene Modell bot sofort einsatzbereite Unterstützung für Training, Validierung und den Export in Formate wie ONNX und TensorRT. Im Gegensatz zu YOLOv10, das sich auf die Objekterkennung konzentriert, ist YOLOv5 auch vielseitig: Das ursprüngliche YOLOv5-Repository ergänzte in Version 7.0 die Instanzsegmentierung und in Version 6.2 die Bildklassifizierung.
Leistungs- und Metrikvergleich#
Die Beziehung zwischen Geschwindigkeit und Genauigkeit zu visualisieren, ist entscheidend, um Modelle zu finden, die bei einer bestimmten Geschwindigkeitsbeschränkung die bestmögliche Genauigkeit bieten. Das Verständnis dieser Leistungskennzahlen ist grundlegend für die Auswahl eines Modells, das zu deinen konkreten Hardwarebeschränkungen passt.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
Technische Analyse#
- Genauigkeit (mAP): YOLOv10 zeigt einen deutlichen Generationsvorsprung bei der Genauigkeit. Das Modell YOLOv10-X erreicht beispielsweise 54,4 % mAPval50-95, und übertrifft damit YOLOv5x (50,7 % mAP). Dieser Zugewinn ist größtenteils auf den anchorfreien Kopf von YOLOv10 und genauigkeitsorientierte Verbesserungen wie Faltungen mit großen Kerneln und partielle Selbstaufmerksamkeit zurückzuführen.
- Inferenzlatenz: YOLOv5-Modelle sind bei reinen T4-TensorRT-Benchmarks sehr schnell (z. B. YOLOv5n mit 1,12 ms), doch YOLOv10 kann die NMS-Nachverarbeitung vollständig überspringen. Bei praktischen End-to-End-Bereitstellungen sorgt das NMS-freie Design von YOLOv10 für eine gleichmäßigere Latenz. Das ist entscheidend für Echtzeitanwendungen wie autonome Fahrzeuge und Robotik.
- Parametereffizienz: YOLOv10-Modelle bieten eine starke Leistungsbalance. YOLOv10-S erreicht mit 7,2 Mio. Parametern einen mAP von 46,3 %. YOLOv5s hat dieselbe Parameterzahl, erzielt aber nur 37,4 % mAP.
Bei der Bereitstellung auf Edge-KI-Geräten wie dem NVIDIA Jetson lassen sich Modelle ohne NMS-Logik (YOLOv10 oder YOLO26, exportiert mit nms=False) oft einfacher für TensorRT kompilieren und vermeiden so Ausweichoperationen auf der CPU.
Anwendungsfälle und Empfehlungen#
Die Wahl zwischen YOLOv10 und YOLOv5 hängt von deinen konkreten Projektanforderungen, Bereitstellungsbeschränkungen und Präferenzen beim Ökosystem ab.
Wann du YOLOv10 wählen solltest#
YOLOv10 eignet sich besonders für:
- Echtzeiterkennung ohne NMS: Anwendungen, die von einer durchgängigen Erkennung ohne Non-Maximum Suppression profitieren und dadurch die Komplexität der Bereitstellung verringern.
- Ausgewogenes Verhältnis von Geschwindigkeit und Genauigkeit: Projekte, die über verschiedene Modellgrößen hinweg ein ausgewogenes Verhältnis zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erfordern.
- Anwendungen mit gleichbleibender Latenz: Bereitstellungsszenarien, in denen vorhersehbare Inferenzzeiten entscheidend sind, etwa in der Robotik oder bei autonomen Systemen.
Wann du YOLOv5 wählen solltest#
YOLOv5 empfiehlt sich für:
- Bewährte Produktionssysteme: Bestehende Bereitstellungen, bei denen die langjährige Stabilität von YOLOv5, die umfangreiche Dokumentation und die große Community wichtig sind.
- 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 von Exportformaten: Projekte, die eine Bereitstellung in vielen Formaten erfordern, darunter ONNX, TensorRT, CoreML und LiteRT.
Wann du Ultralytics (YOLO26) wählen solltest#
Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:
- 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, auf denen YOLO26n auf der CPU bis zu 43 % schneller läuft als YOLO11n.
- Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder die Analyse von IoT-Sensordaten, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten verbessern.
Der Vorteil von Ultralytics#
YOLOv10 bietet hervorragende Erkennungsfähigkeiten, doch akademische Repositories können Produktionspipelines mitunter komplizierter machen. Mit dem offiziellen Ultralytics-Python-Paket erhältst du Zugang zu einem einheitlichen Ökosystem, das sowohl YOLOv5 als auch YOLOv10 und zusätzliche erweiterte Funktionen unterstützt.
- Trainingseffizienz: Ultralytics-YOLO-Architekturen sind auf einen geringen Speicherbedarf beim Training optimiert. Im Gegensatz zu speicherintensiveren Transformer-Modellen wie RT-DETR, die deutlich mehr CUDA-Speicher benötigen, lassen sich YOLOv5 und YOLOv10 problemlos auf handelsüblichen GPUs trainieren.
- Ökosystemintegration: Mit der Ultralytics Platform können Entwickler Datensätze visuell verwalten und in der Cloud trainieren. Das Python-Paket lässt sich in Tools zur Versuchsprotokollierung wie Weights & Biases integrieren und unterstützt die Hyperparameteroptimierung.
Codebeispiel: Training#
Mit der Ultralytics-Bibliothek wechselst du zwischen diesen Architekturen ganz einfach, indem du die Modellzeichenfolge änderst. Die Trainingspipeline übernimmt automatisch die Datenerweiterung, die Skalierung und die Konfiguration des Optimierers.
from ultralytics import YOLO
# YOLOv5 verwenden:
# model = YOLO("yolov5su.pt")
# YOLOv10 verwenden:
model = YOLO("yolov10s.pt")
# Das Modell mit einem benutzerdefinierten Datensatz trainieren
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
device=0, # GPU 0 verwenden
)
# Das trainierte Modell ins ONNX-Format exportieren
path = model.export(format="onnx")Die nächste Generation: Ultralytics YOLO26#
Wenn du ein neues Projekt im maschinellen Lernen startest, solltest du das aktuelle Ultralytics YOLO26 in Betracht ziehen. Das im Januar 2026 veröffentlichte Modell vereint wichtige Innovationen aus den jüngsten YOLO-Generationen.
YOLO26 integriert YOLOv10s durchgängiges, NMS-freies Design als optionalen One-to-One-Head (nms=False), was die Bereitstellung vereinfacht. YOLO26 bietet außerdem mehrere weitere Verbesserungen:
- Bis zu 43 % schnellere CPU-Inferenz: Durch den Wegfall des Distribution-Focal-Loss-Moduls (DFL) läuft YOLO26n auf herkömmlichen CPUs bis zu 43 % schneller als YOLO11n. Damit eignet sich YOLO26 besonders für die Bereitstellung auf Mobilgeräten und IoT-Sensoren mit geringem Stromverbrauch.
- MuSGD-Optimierer: Inspiriert von Trainingsverfahren für große Sprachmodelle (LLM) wie Moonshot AIs Kimi K2, kombiniert YOLO26 SGD und Muon. So wird das Training stabiler und die Konvergenz schneller als mit den in früheren YOLO-Modellen verwendeten Standardoptimierern SGD und AdamW.
- ProgLoss + STAL: Progressive Loss und eine zielgrößenbewusste Labelzuweisung verbessern die Erkennung kleiner Objekte. Das ist entscheidend für Drohnenbilder und Sicherheitsanwendungen aus der Luft.
- Aufgabenspezifische Verbesserungen: Während YOLOv10 ausschließlich Begrenzungsboxen erkennt, unterstützt YOLO26 Detektion, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und OBB. Zu den aufgabenspezifischen Verbesserungen zählen Residual Log-Likelihood Estimation (RLE) für die Posenschätzung und ein spezieller Winkelfehler für orientierte Begrenzungsboxen (OBB).
Vergleiche diese Architekturen mit anderen Detektorfamilien in den Vergleichen YOLO11 und EfficientDet sowie RT-DETR und YOLOv8.
Ob du das bewährte YOLOv5, das NMS-freie YOLOv10 oder das aktuelle YOLO26 verwendest: Das Ultralytics-Ökosystem bietet dir die Tools, um Anwendungen für visuelle KI schnell in die Produktion zu bringen.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.