Erste Schritte

YOLOv5 vs. YOLO26

Die Entwicklung der Computer Vision wurde vom kontinuierlichen Streben nach schnelleren, genaueren und leichter zugänglichen Modellen geprägt. Ultralytics YOLOv5 und Ultralytics YOLO26 markieren zwei Etappen dieser Entwicklung: ein weit verbreitetes älteres Modell und das aktuell empfohlene Ultralytics-Modell.

Dieser Leitfaden bietet eine umfassende technische Aufschlüsselung beider Architekturen und beleuchtet ihre Leistungskennzahlen, strukturellen Unterschiede und idealen Bereitstellungsszenarien.

Modellübersicht#

YOLOv5: Das Arbeitstier der Branche#

YOLOv5 wurde 2020 veröffentlicht und machte die Objekterkennung deutlich zugänglicher. Durch die native Implementierung der Architektur im PyTorch-Framework erhielten Entwickler einen einfachen Weg von der Installation bis zum Training und zur Bereitstellung.

YOLOv5 legte den Grundstein für das aktiv gepflegte Ultralytics-Ökosystem. Das Modell führte leistungsstarke Verfahren zur Datenveränderung, effiziente Trainingsschleifen und hochoptimierte Exportpfade in Edge-Formate wie CoreML und ONNX ein. Dank der einfachen Bedienung und des geringen Speicherbedarfs beim Training wurde es weltweit zu einem Standardwerkzeug für Start-ups und Forschende.

YOLO26: Der Vision-KI-Standard der nächsten Generation#

Ultralytics YOLO26 wurde im Januar 2026 veröffentlicht und ist die neueste Generation von Ultralytics YOLO. Es vereint Erkenntnisse aus den Generationen dazwischen, etwa YOLOv8 und YOLO11, und führt zugleich Trainingstechniken ein, die vom Training großer Sprachmodelle (LLM) inspiriert sind.

YOLO26 bietet ein ausgewogenes Verhältnis aus Genauigkeit und Geschwindigkeit und wurde speziell für Edge-Computing-Szenarien entwickelt.

Weitere Ultralytics-Modelle

Wenn du eine ältere Codebasis migrierst, könnte dich auch ein Vergleich von YOLOv5 mit YOLO11 interessieren. YOLO11 ist das Vorgängermodell und unterstützt verschiedene Aufgaben wie Posenschätzung und gedrehte Begrenzungsrahmen (OBB).

Architektonische Neuerungen in YOLO26#

YOLOv5 stützt sich auf ankerbasierte Erkennungsköpfe und standardmäßige Verlustfunktionen. YOLO26 überarbeitet dagegen Kopf, Verlustfunktionen und Optimierer, um Engpässe bei der Bereitstellung zu beseitigen.

  1. End-to-End-Design ohne NMS: Der wichtigste Unterschied ist die native Option zur End-to-End-Inferenz in YOLO26. Anders als bei YOLOv5, das redundante Begrenzungsrahmen mithilfe von Non-Maximum Suppression (NMS) herausfiltern muss, überspringt der optionale One-to-One-Kopf von YOLO26 (nms=False) diesen Nachverarbeitungsschritt. Das macht die Inferenzlatenz besser vorhersehbar und vereinfacht die Integration in C++ oder eingebettete Hardware.
  2. Wegfall von DFL: YOLO26 verzichtet auf Distribution Focal Loss (DFL). Diese Architekturentscheidung vereinfacht den Modellexport und verbessert die Kompatibilität mit Edge-Geräten und Beschleunigern mit geringem Stromverbrauch, die häufig Schwierigkeiten mit komplexen Operatoren haben.
  3. MuSGD-Optimierer: Inspiriert von Kimi K2 von Moonshot AI verwendet YOLO26 den MuSGD-Optimierer, eine Kombination aus SGD und Muon. Damit bringt das Modell die Stabilität und schnelle Konvergenz des LLM-Trainings in die Computer Vision.
  4. ProgLoss + STAL: YOLO26 verwendet ProgLoss und STAL, um kleine und dicht beieinanderliegende Objekte besser zu erkennen – eine Herausforderung, mit der YOLOv5 lange zu kämpfen hatte.

Leistungsvergleich#

Im Vergleich der Modelle anhand des COCO-Datensatzes zeigt YOLO26 bei jeder Modellgröße eine höhere Genauigkeit (mAP) und benötigt ab der mittleren Variante weniger Parameter.

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
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

Hinweis: YOLO26 Nano (YOLO26n) erreicht einen mAP von 40,9 gegenüber 28,0 bei YOLOv5n. Das ist ein Zuwachs von 12,9 Punkten bei nur 0,5 Mio. zusätzlichen Parametern. Zugleich vereinfachen der Wegfall von DFL und der NMS-freie Kopf die Bereitstellung auf CPU und Edge-Geräten.

Vielseitigkeit und Unterstützung verschiedener Aufgaben#

YOLOv5 ist vor allem für die Objekterkennung bekannt. Spätere Aktualisierungen führten zwar grundlegende Segmentierungsfunktionen ein, doch YOLO26 wurde von Grund auf als einheitliche Engine für mehrere Aufgaben entwickelt.

YOLO26 unterstützt von Haus aus:

  • Instanzsegmentierung: Mit aufgabenspezifischen Protos in mehreren Maßstäben und einem Verlust für semantische Segmentierung.
  • Semantische Segmentierung: Dichte Klassenzuweisung auf Pixelebene.
  • Tiefenschätzung: Tiefenvorhersage auf Pixelebene anhand eines einzelnen Bildes.
  • Bildklassifizierung: Standardkategorisierung des gesamten Bildes.
  • Posenschätzung: Verwendet die Residual-Log-Likelihood-Schätzung (RLE), um Schlüsselpunkte genauer zu lokalisieren.
  • Orientierte Begrenzungsrahmen (OBB): Mit einer speziellen Winkelfunktion für den Verlust, um Probleme mit Unstetigkeiten an Grenzen zu beheben – entscheidend für die Satellitenbildanalyse.
Integration ins Ökosystem

Beide Modelle profitieren von der Ultralytics Platform, die Datenannotation, Cloud-Training und Bereitstellung mit einem Klick bietet.

Verwendung und Codebeispiele#

Die Ultralytics-Python-API macht den Wechsel zwischen Modellen einfach. Da beide Modelle zum selben gut gepflegten Ökosystem gehören, musst du zum Aktualisieren einer YOLOv5u-Verarbeitungskette im Paket ultralytics auf YOLO26 lediglich die Gewichtedatei ändern.

Python-Beispiel#

from ultralytics import YOLO

# YOLOv5 verwenden: eine Gewichtedatei für v5 laden
# model = YOLO("yolov5su.pt")

# Zum empfohlenen Modell YOLO26 migrieren
model = YOLO("yolo26n.pt")

# Auf dem COCO8-Datensatz trainieren; optimizer="auto" wählt MuSGD für längere Läufe (>10k Iterationen)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Der geringe Speicherbedarf von YOLO26 ermöglicht größere Batch-Größen
)

# Eine Inferenz ohne NMS ausführen
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

CLI-Beispiel#

Du kannst YOLO26 direkt über die Befehlszeile bereitstellen und für maximalen GPU-Durchsatz die TensorRT-Integration nutzen:

# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine

# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4

Ideale Anwendungsfälle#

Wann du YOLO26 wählen solltest#

Für neue Computer-Vision-Projekte ist YOLO26 die empfohlene Wahl.

  • Edge-KI und IoT: Dank bis zu 43 % schnellerer CPU-Inferenz (YOLO26n im Vergleich zu YOLO11n) und des Wegfalls von DFL eignet sich das Modell gut für die Bereitstellung auf einem Raspberry Pi oder Mobilgeräten.
  • Hochgeschwindigkeitsverarbeitung: Der optionale NMS-freie Kopf sorgt für besser vorhersehbare Latenz – wichtig für autonome Robotik und Echtzeit-Sicherheitsalarmsysteme.
  • Komplexe Szenarien: Wenn deine Anwendung kleine Objekte (z. B. bei der Drohnenüberwachung) oder gedrehte Objekte (OBB) erkennen muss, verbessern die Trainingsoptimierungen von YOLO26 (ProgLoss + STAL sowie eine spezielle Winkelfunktion für OBB) die Genauigkeit.

Wann du YOLOv5 wählen solltest#

  • Altsysteme: Wenn deine Produktionsumgebung fest codierte Abhängigkeiten von der spezifischen Ankererzeugung oder der NMS-Parsinglogik von YOLOv5 enthält, kann die Migration eine kurze Phase zur Codeüberarbeitung erfordern.
  • Bestimmte akademische Referenzmodelle: Forschende verwenden YOLOv5 häufig als klassisches Referenzmodell, um die historische Entwicklung von Architekturen zur Objekterkennung zu veranschaulichen.

Zusammenfassung#

Der Wechsel von YOLOv5 zu YOLO26 ist mehr als eine schrittweise Aktualisierung: Er verändert, wie Objekterkennungsmodelle trainiert und bereitgestellt werden. Mit dem MuSGD-Optimierer, einem optionalen NMS-freien Kopf, der die Nachverarbeitung überflüssig macht, und schnellerer CPU-Inferenz bietet Ultralytics YOLO26 ein ausgewogenes Verhältnis aus Geschwindigkeit und Genauigkeit.

YOLOv5 bleibt zwar das Modell, das KI für die Bildverarbeitung einer großen Entwickler-Community zugänglich gemacht hat, doch Entwickler sollten neue Produktionsanwendungen mit YOLO26 beginnen.

Kommentare

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