Erste Schritte

YOLOv10 vs. YOLOv8

Die Entwicklung der Echtzeit-Objekterkennung hat eine rasche Folge neuer Architekturen hervorgebracht, die jeweils die Grenzen von Genauigkeit, Inferenzgeschwindigkeit und Recheneffizienz verschieben sollen. Dieser technische Leitfaden vergleicht zwei wichtige Meilensteine der Computer Vision: YOLOv10 und Ultralytics YOLOv8. YOLOv8 etablierte einen vielseitigen, produktionsreifen Standard, während YOLOv10 architektonische Änderungen einführte, die gezielt Engpässe bei der Nachverarbeitung beseitigen.

Für Entwickler und Forschende, die hochmoderne KI-Lösungen für die Bildverarbeitung in realen Szenarien einsetzen möchten, ist es entscheidend, die jeweiligen Vorteile, Architekturen und Leistungskennzahlen dieser Modelle zu verstehen.

Technische Daten und Urheberschaft#

Um diese Modelle sinnvoll bewerten zu können, ist es hilfreich, ihre Ursprünge und die Schwerpunkte der jeweiligen Forschungsteams zu kennen.

YOLOv10: Effizienz von Anfang bis Ende#

YOLOv10 wurde von Forschenden der Tsinghua-Universität entwickelt, um den Rechenaufwand zu verringern, der durch Nachverarbeitungsschritte in früheren Generationen entstand.

Mehr über YOLOv10 erfahren

Ultralytics YOLOv8: Der vielseitige Standard#

YOLOv8 wurde im Januar 2023 veröffentlicht und entwickelte sich dank seiner Architektur und engen Integration in das umfassendere Ökosystem für maschinelles Lernen rasch zum Branchenstandard.

Architektonische Innovationen#

Beide Modelle verbessern die traditionelle YOLO-Architektur deutlich, setzen jedoch leicht unterschiedliche Schwerpunkte innerhalb der Verarbeitungskette.

YOLOv10-Architektur#

Das herausragende Merkmal von YOLOv10 ist seine NMS-freie Trainingsstrategie. Herkömmliche Objektdetektoren verwenden bei der Inferenz Non-Maximum Suppression (NMS), um sich überschneidende Bounding Boxes herauszufiltern. Dieser Schritt kann die Latenz erhöhen und die End-to-End-Bereitstellung erschweren. YOLOv10 verwendet während des Trainings konsistente duale Zuordnungen. Dadurch sagt sein Eins-zu-eins-Kopf pro Objekt eine einzelne Bounding Box voraus (wähle diesen Kopf im Ultralytics-Paket mit nms=False aus). Außerdem folgt YOLOv10 einem ganzheitlichen Modelldesign, das Effizienz und Genauigkeit berücksichtigt und verschiedene Komponenten optimiert, um FLOPs und Parameterzahlen zu reduzieren.

YOLOv8-Architektur#

YOLOv8 führte einen ankerfreien Erkennungskopf ein und verabschiedete sich damit von den ankerbasierten Ansätzen seiner Vorgänger. Dadurch sinkt die Anzahl der Bounding-Box-Vorhersagen und NMS-Operationen werden schneller. Außerdem enthält YOLOv8 das C2f-Modul (Cross-Stage-Partial-Engpass mit zwei Faltungen), das den Gradientenfluss verbessert und dem Netzwerk ermöglicht, aussagekräftigere Repräsentationen von Merkmalen zu lernen, ohne den Rechenaufwand wesentlich zu erhöhen. Sein entkoppelter Kopf trennt Klassifizierungs- und Regressionsaufgaben und sorgt so für schnellere Konvergenz und eine höhere Gesamtgenauigkeit.

Leistung und Benchmarks#

Bei der Bereitstellung von Modellen auf Edge-Geräten oder Cloud-Servern ist der Kompromiss zwischen Geschwindigkeit und Genauigkeit entscheidend. Die folgende Tabelle vergleicht die beiden Modelle direkt in verschiedenen Größen.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
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: Striche (-) kennzeichnen Messwerte, die nicht offiziell unter identischen Testbedingungen veröffentlicht wurden.

Wie die Daten zeigen, nutzt YOLOv10 Parameter besonders effizient und übertrifft bei jeder Größe den mAP seiner YOLOv8-Pendants, obwohl es weniger Parameter und FLOPs benötigt. YOLOv8 bleibt bei der Geschwindigkeit konkurrenzfähig: YOLOv8n erzielt in der Tabelle mit 1,47 ms die schnellste T4-TensorRT-Zeit, und nur für YOLOv8 sind CPU-ONNX-Geschwindigkeiten angegeben.

Hardwarebeschleunigung

Für den Produktionseinsatz können Formate wie ONNX oder TensorRT die Inferenzgeschwindigkeit deutlich verbessern. Sowohl YOLOv8 als auch YOLOv10 lassen sich direkt in diese optimierten Graphformate exportieren.

Ökosystem, Trainingseffizienz und Vielseitigkeit#

Bei der Wahl eines Modells zählen nicht nur theoretische Benchmarks. Die Entwicklererfahrung und das dazugehörige Ökosystem sind ebenso wichtig.

Der Vorteil von Ultralytics#

Eine der größten Stärken von YOLOv8 ist die enge Integration in das Ultralytics-Ökosystem. Diese Umgebung bietet eine intuitive Python-API und eine ausführliche Dokumentation. Im Gegensatz zu forschungsorientierten Repositories, die eine komplexe Einrichtung der Umgebung erfordern können, sind Ultralytics-Modelle für ihre Benutzerfreundlichkeit bekannt.

Darüber hinaus ist YOLOv8 von Grund auf vielseitig. Während YOLOv10 strikt auf die Objekterkennung optimiert ist, können Entwickler mit dem Ultralytics-Framework innerhalb derselben Bibliothek und API-Struktur zwischen Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Pose-Schätzung und der Erkennung orientierter Bounding Boxes (OBB) wechseln.

Speicherbedarf und Training#

Ultralytics-YOLO-Modelle sind auf effizientes Training ausgelegt. Im Vergleich zu komplexen Transformer-Modellen benötigen sie beim Training und bei der Inferenz in der Regel weniger Speicher. So können Entwickler Modelle auf dem neuesten Stand der Technik auf handelsüblicher Hardware oder in standardmäßigen Cloud-Instanzen trainieren, ohne dass ihnen der CUDA-Speicher ausgeht. Gut abgestimmte Standard-Hyperparameter und integrierte Datenaugmentation tragen zu einer schnellen Konvergenz der Modelle bei.

Hier siehst du anhand eines praktischen Beispiels, wie einfach es ist, mit der Ultralytics-Python-API ein Modell zu trainieren und Inferenz auszuführen:

from ultralytics import YOLO

# Ein vortrainiertes YOLOv8n-Modell laden
model = YOLO("yolov8n.pt")

# Trainiere das Modell mit dem Beispieldatensatz COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Inferenz für ein Testbild ausführen
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()

Die nächste Generation: YOLO26#

YOLOv8 und YOLOv10 sind zwar wichtige Meilensteine, doch die Entwicklung des Fachgebiets geht weiter. Für neue Projekte empfiehlt Ultralytics sein neuestes Modell der im Januar 2026 veröffentlichten Modellfamilie YOLO26.

YOLO26 vereint aktuelle architektonische Fortschritte in einem einzigen Framework. Das Modell übernimmt YOLOv10s durchgängiges, NMS-freies Design als optionalen One-to-One-Head (nms=False), wodurch Bereitstellungspipelines effizienter werden und Latenzschwankungen abnehmen. Außerdem führt YOLO26 den MuSGD-Optimierer ein, eine von LLM-Training inspirierte Kombination aus SGD und Muon, die eine schnellere und stabilere Konvergenz ermöglicht.

Zu den wichtigsten Verbesserungen in YOLO26 gehören:

  • Bis zu 43 % schnellere CPU-Inferenz: YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n. Dazu trägt der Verzicht auf Distribution Focal Loss (DFL) bei.
  • ProgLoss + STAL: Der progressive Loss und die auf kleine Objekte ausgelegte Label-Zuordnung verbessern die Erkennung kleiner Objekte. Das ist besonders für Drohnenaufnahmen und IoT-Sensoren wichtig.
  • Aufgabenspezifische Verbesserungen: Aufgabenspezifische Köpfe und Losses für Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Pose-Schätzung und OBB.

Geeignete Anwendungsfälle und Bereitstellungsstrategien#

Berücksichtige bei der Entscheidung zwischen diesen Architekturen die konkreten Anforderungen deiner Bereitstellungsumgebung:

  • Wähle YOLOv10, wenn: Du an einer reinen Objekterkennungspipeline arbeitest, bei der eine möglichst effiziente Parameternutzung entscheidend ist, und frühe Umsetzungen NMS-freier Architekturen erproben möchtest.
  • Wähle Ultralytics YOLOv8, wenn: Du ein stabiles, produktionsreifes Modell benötigst, das von der Ultralytics Platform unterstützt wird. Es eignet sich gut, wenn dein Projekt mehrere Aufgaben umfasst (z. B. Objekte erkennen und anschließend segmentieren) und du dafür eine einheitliche, einfach zu wartende Codebasis nutzen möchtest.
  • Wähle YOLO26 (empfohlen), wenn: Du das beste Gleichgewicht aus Genauigkeit, optionaler NMS-freier End-to-End-Inferenz und hoher Geschwindigkeit auf CPUs und Edge-Hardware suchst.

Wenn du dich mit der breiteren Auswahl beschäftigst, könntest du auch diese Modelle mit YOLO11 vergleichen oder Integrationen für die Bereitstellung auf Edge-Geräten wie Intel OpenVINO ausprobieren, um deine Anwendungen für visuelle KI weiter zu beschleunigen.

Kommentare1

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

  1. koalag564GitHub(bearbeitet)

    Great technical overview! YOLOv10 introduces a more efficient NMS-free design and refined architecture that enhances both speed and accuracy, especially in complex object detection scenarios. This YOLOv8 comparison, however, highlights how v8 still holds its ground with strong task flexibility, easier deployment, and a well-established ecosystem. The choice between the two often comes down to specific application needs and hardware constraints.