Erste Schritte

YOLOv5 vs. PP-YOLOE+

Die Wahl der passenden neuronalen Netzwerkarchitektur ist für jedes moderne Bildverarbeitungsprojekt entscheidend. Wenn Entwickler und Forschende Modelle für die Objekterkennung in Echtzeit bewerten, gilt es oft, Genauigkeit, Inferenzgeschwindigkeit und einfache Bereitstellung gegeneinander abzuwägen. Dieser technische Vergleich untersucht YOLOv5 und PP-YOLOE+ und beleuchtet ihre Architekturen, Leistungskennzahlen und Trainingsmethoden, damit du das richtige Modell für deine Anwendung auswählen kannst.

Die Architekturen verstehen#

Beide Modelle haben die KI im Bereich Bildverarbeitung geprägt, gehen die Herausforderungen der Objekterkennung jedoch mit unterschiedlichen Strukturmethoden und Framework-Abhängigkeiten an.

Ultralytics YOLOv5: Der Branchenstandard#

Das im Juni 2020 veröffentlichte Ultralytics YOLOv5 machte hochmoderne Bildverarbeitungsmodelle deutlich zugänglicher. Die native Implementierung in PyTorch senkte die Einstiegshürde für Python-Entwickler und ML-Ingenieure weltweit.

YOLOv5-Details:

YOLOv5 verwendet ein modifiziertes CSPDarknet-Backbone, das aussagekräftige Merkmalsrepräsentationen effizient erfasst und dabei nur wenige Parameter benötigt. Mit automatisch lernenden Ankerboxen berechnet das Modell vor Trainingsbeginn automatisch die optimalen Ankerdimensionen für benutzerdefinierte Datensätze. Darüber hinaus verbessert die Mosaik-Datenerweiterung die Fähigkeit des Modells, kleinere Objekte zu erkennen und auf komplexe räumliche Kontexte zu generalisieren.

Eine der Stärken von YOLOv5 ist seine Vielseitigkeit. Anders als reine Erkennungsmodelle unterstützt das YOLOv5-Repository in einer einzigen Codebasis Begrenzungsrahmenerkennung, Instanzsegmentierung (hinzugefügt in v7.0) und Bildklassifizierung (hinzugefügt in v6.2). Seine Architektur benötigt beim Training und bei der Inferenz außerdem weniger Arbeitsspeicher als große Transformer-basierte Netzwerke.

PP-YOLOE+: der Herausforderer auf Basis von PaddlePaddle#

PP-YOLOE+ wurde im April 2022 vorgestellt und baut auf früheren PP-YOLO-Versionen auf. Das von Baidu für das Deep-Learning-Framework PaddlePaddle entwickelte Modell führt mehrere Architekturverbesserungen ein, um die mittlere durchschnittliche Präzision zu steigern.

PP-YOLOE+ – Details:

PP-YOLOE+ verwendet ein ankerfreies Design und ein CSPRepResNet-Backbone. Das Modell nutzt Task Alignment Learning (TAL) und einen Efficient Task-aligned Head, um die Präzision zu verbessern. PP-YOLOE+ erzielt zwar eine hohe Genauigkeit, ist aber auf das Framework PaddlePaddle angewiesen. Das kann für Teams, die bereits auf PyTorch oder TensorFlow setzen, die Einarbeitung erschweren und die Integration aufwendiger machen.

Erfahre mehr über PP-YOLOE+

Leistung und Benchmarks#

Bei der Bewertung dieser Modelle für den Produktionseinsatz ist es entscheidend, die Kompromisse zwischen Präzision, Inferenzgeschwindigkeit und Anzahl der Parameter zu verstehen. Die folgende Tabelle enthält wichtige Leistungskennzahlen für verschiedene Modellgrößen.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

PP-YOLOE+ erzielt bei jeder Modellgröße einen höheren mAP-Wert, während YOLOv5 bei jeder Größe eine schnellere T4-TensorRT-Inferenz liefert. Für Edge-Bereitstellungen mit knappem Arbeitsspeicher bietet YOLOv5n in der Tabelle die höchste Geschwindigkeit (1,12 ms) und den geringsten Speicherbedarf (1,9 Mio. Parameter).

Speichereffizienz

Ultralytics-Modelle sind auf effizientes Training ausgelegt. Im Vergleich zu Transformer-basierten Detektoren wie RT-DETR benötigt YOLOv5 weniger CUDA-Speicher. So kannst du mit größeren Stapelgrößen oder Hardware für Endverbraucher trainieren.

Die Vorteile von Ultralytics: Ökosystem und Benutzerfreundlichkeit#

Der Wert einer Architektur für maschinelles Lernen geht über reine Zahlen hinaus und umfasst die gesamte Entwicklererfahrung. Die Ultralytics Platform und ihre Open-Source-Tools bieten ein gut gepflegtes Ökosystem, das Entwicklungszyklen verkürzt.

  • Benutzerfreundlichkeit: Ultralytics nimmt dir komplexen Boilerplate-Code ab. Über eine intuitive Python API oder CLI kannst du Modelle trainieren, validieren und testen.
  • Flexible Bereitstellung: Der Export von Modellen ist unkompliziert. Mit einem einzigen Befehl kannst du deine trainierten YOLOv5-Gewichte in Formate wie ONNX, TensorRT oder OpenVINO konvertieren und so breite Kompatibilität in Edge- und Cloud-Umgebungen sicherstellen.
  • Aktive Community: Eine große Community und aktive Wartung sorgen für häufige Aktualisierungen, umfassende Dokumentation und gut getestete Lösungen für gängige Herausforderungen der Bildverarbeitung.

PP-YOLOE+ hingegen ist stark auf komplexe, für PaddleDetection spezifische Konfigurationsdateien angewiesen. Das kann schnelles Prototyping verlangsamen und die Integration in moderne MLOps-Pipelines erschweren.

Praktische Implementierungen und Codebeispiele#

Der Einstieg mit Ultralytics ist einfach. Hier findest du ein vollständiges, ausführbares Beispiel, das ein vortrainiertes YOLOv5u-Modell lädt, es mit dem COCO8-Beispieldatensatz trainiert, Inferenz ausführt und das Ergebnis exportiert:

from ultralytics import YOLO

# Ein vortrainiertes kleines YOLOv5-Modell laden
model = YOLO("yolov5su.pt")  # YOLOv5u: ankerfreie YOLOv5-Gewichte für das ultralytics-Paket

# Das Modell 50 Epochen lang mit dem COCO8-Datensatz trainieren
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Inferenz mit einem Beispielbild ausführen
predict_results = model("https://ultralytics.com/images/bus.jpg")

# Das optimierte Modell ins ONNX-Format exportieren
path = model.export(format="onnx")

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOv5 und PP-YOLOE+ hängt von deinen konkreten Projektanforderungen, Bereitstellungsbeschränkungen und Ökosystempräferenzen ab.

Wann du YOLOv5 wählen solltest#

YOLOv5 eignet sich besonders 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 PP-YOLOE+ wählen solltest#

PP-YOLOE+ empfiehlt sich für:

  • Integration in das PaddlePaddle-Ökosystem: Unternehmen mit einer bestehenden Infrastruktur auf Basis des PaddlePaddle-Frameworks und der Werkzeuge von Baidu.
  • Edge-Bereitstellung mit Paddle Lite: Bereitstellung auf Hardware mit hochoptimierten Inferenzkernen speziell für Paddle Lite oder die Paddle-Inferenz-Engine.
  • Erkennung mit hoher Genauigkeit auf Servern: Szenarien, in denen höchste Erkennungsgenauigkeit auf leistungsstarken GPU-Servern gefragt ist und die Abhängigkeit von einem bestimmten Framework keine Rolle spielt.

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.

Weitere hochmoderne Modelle, die du in Betracht ziehen solltest#

YOLOv5 ist ein bewährter Standard, doch die Bildverarbeitung entwickelt sich schnell weiter. Teams, die neue Projekte starten, empfiehlt Ultralytics seine neueren Architekturen.

Ultralytics YOLO26#

YOLO26 wurde im Januar 2026 veröffentlicht und ist die neueste Ultralytics-Modellfamilie. Gegenüber früheren Generationen verbessert YOLO26 sowohl die Genauigkeit als auch die Geschwindigkeit. Zu den wichtigsten Neuerungen zählen:

  • End-to-End-Design ohne NMS: Aufbauend auf Konzepten aus YOLOv10 überspringt der optionale Eins-zu-eins-Head von YOLO26 (nms=False) die Nachverarbeitung mit Non-Maximum Suppression (NMS). Das verringert die Latenz und vereinfacht die Bereitstellungslogik.
  • Verzicht auf DFL: Da Distribution Focal Loss entfernt wurde, erreicht YOLO26n eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n und eignet sich dadurch für Edge-Geräte mit geringem Stromverbrauch.
  • MuSGD-Optimierer: Diese von Trainingstechniken für LLMs inspirierte Kombination aus SGD und Muon ermöglicht stabile Trainingsläufe und eine schnellere Konvergenz.
  • ProgLoss + STAL: Die progressive Verlustfunktion und die Zuweisung von Labels, die kleine Ziele berücksichtigt, verbessern die Erkennung kleiner Objekte – entscheidend für Drohnenaufnahmen und intelligente Landwirtschaft.

Du könntest außerdem YOLO11 in Betracht ziehen. Das Modell bietet starke Leistung und bleibt eine zuverlässige, vollständig unterstützte Option zwischen älteren Systemen und YOLO26.

Anwendungsfälle in der Praxis#

Die Wahl zwischen YOLOv5 und PP-YOLOE+ hängt letztlich von deiner Bereitstellungsumgebung und den Projektbeschränkungen ab.

Ideale Anwendungsbereiche für YOLOv5: YOLOv5 benötigt nur wenige Ressourcen und ist einfach zu bedienen. Daher wird es häufig für Edge-KI eingesetzt. Das Modell eignet sich gut für Anwendungen, die auf begrenzter Hardware hohe Bildraten erfordern, etwa Robotik in Echtzeit, die Integration in mobile Anwendungen und die Verkehrsüberwachung mit mehreren Kameras. Durch die Unterstützung von Instanzsegmentierung und Bildklassifizierung im selben Framework lässt es sich vielseitig einsetzen.

Ideale Anwendungsbereiche für PP-YOLOE+: PP-YOLOE+ eignet sich am besten für Szenarien, in denen höchste Genauigkeit wichtiger ist als die schnellste Inferenz, sowie für industrielle Prüfprozesse in Unternehmen, deren technische Infrastruktur bereits auf Baidus PaddlePaddle-Ökosystem basiert.

Zusammenfassend bietet PP-YOLOE+ zwar starke Präzisionswerte in Benchmarks, doch Ultralytics-YOLO-Modelle verbinden eine ausgewogene Leistung mit einfacher Bereitstellung und einem entwicklerfreundlichen Design, das Bildverarbeitungsprojekte vom Konzept bis in den Produktivbetrieb bringt.

Mitwirkende

Kommentare

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